1. データサイエンスに関するリテラシーレベルの課題に取り組むことができる。
2. データエンジニアリングに関するリテラシーレベルの課題に取り組むことができる。
3. AIに関するリテラシーレベルの課題に取り組むことができる。
4. データサイエンスに関する応用基礎レベルの課題に取り組むことができる。
5. データエンジニアリングに関する応用基礎レベルの課題に取り組むことができる。
6. AIに関する応用基礎レベルの課題に取り組むことができる。
7. 数理・データサイエンス・AIに関する課題を通じて、創造力や課題解決能力を発揮できる。
概要:
AI・データサイエンスⅠでは、第4次産業革命、Society5.0、データ駆動などに関わる現在進行中の社会変革に対応するために必要不可欠な知識・技能、ならびに、それらを実データを用いた課題へ応用するための能力を修得します。データサイエンス、データエンジニアリング、AIに関するリテラシーレベルから応用基礎レベルの知識・技能をカバーし、自らの専門分野において数理・データサイエンス・AIを応用するための大局的な視点を身に付けます。実データ・実課題など社会での実例を題材として演習や課題を通じて、数理・データサイエンス・AIの適切な活用法を学び、実践的なスキルを修得します。
授業の進め方・方法:
座学と演習を組み合わせた形で授業を進めます。座学では、知識・技能の修得と理解等を行い、CBT等を用いた教育成果の測定を行います。演習は、各自のノートPCを用いて行い、演習の成果物の提出をします。提出された演習の成果物をもとに、教育成果の測定を行います。毎回の授業で学修成果の測定を行い、測定された教育成果と学修成果をもとに適切なフィードバックを行うことがあります。
注意点:
・毎週、各自のノートPCを持参してください。
・定期試験は実施せず、授業で実施されるCBT等の試験と演習課題の成果物により教育成果を測定し、評価します。前後期とも、授業で実施されるCBTの評価平均点40％，演習課題の評価点60%として100点法で評価する。学年末成績は、前期評価点と後期評価点の平均とし、合格点は60点とする。なお、学年末時点において評価点が60点以下の場合、課題により再評価することもある。ただし、出席日数が4/5未満の学生については再評価の対象としない。
・再評価においては、再評価課題の評価平均点が60点を超えた場合において、学年末評価を60点とする。
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
ガイダンス，数理データサイエンスAIリテラシー
／Python開発環境と実行環境の構築 |
社会における数理・データサイエンス・AIの重要性と本科目の意義について理解できる．Anacondaを利用したPythonの開発環境と実行環境の構築ができる．
|
| 2週 |
AI技術の発展動向と倫理的課題
／Pythonプログラミング演習 |
AIの活用領域の広がりと倫理的な課題について理解できる．
簡単な繰り返しと条件分岐の構文について理解できる．
|
| 3週 |
データと統計学
／データサイエンス・AIのための数学Ⅰ（１） |
データの種類について理解できる．ビッグデータについて理解できる．AI・データサイエンスにおける確率の重要性について理解できる．確率の基礎について理解できる．
|
| 4週 |
データサイエンス・AIのための数学Ⅰ（2） |
確率の基礎について理解できる．
Pythonを用いて基礎的なプログラムを作成できる．
|
| 5週 |
データサイエンス・AIのための数学Ⅰ（3） |
確率の基礎について理解できる．
Pythonを用いて基礎的なプログラムを作成できる．
|
| 6週 |
データサイエンス・AIのための数学Ⅰ（4） |
確率の基礎について理解できる．
Pythonを用いて基礎的なプログラムを作成できる．
|
| 7週 |
データサイエンス・AIのための数学Ⅰ（5） |
確率の基礎について理解できる．
Pythonを用いて基礎的なプログラムを作成できる．
|
| 8週 |
AI技術活用アイデア創出ワークショップⅠ（1） |
社会に存在する課題について考えることができる．
課題とAI・データサイエンスを結びつけ，新規事業として課題解決案を考えることができる．
|
| 2ndQ |
| 9週 |
生成AI実践講義Ⅰ |
生成AIの種類と動作原理について理解できる．
言語生成AIの活用方法について理解できる．
|
| 10週 |
生成AI実践講義Ⅱ |
生成AIの種類と動作原理について理解できる．
画像，動画，音声生成AIの技術開発動向について理解できる．
|
| 11週 |
AIとビジネスⅠ |
自身のキャリアとAIの関連性について理解できる．
AI技術とビジネスの関連性について理解できる．
|
| 12週 |
Python開発環境と実行環境の構築／Ptyhonプログラミング演習 |
Google Colabを利用したPythonの開発環境と実行環境の構築ができる．
Pythonを用いて基礎的なプログラムを作成できる．
|
| 13週 |
AI技術活用アイデア創出ワークショップⅠ（2） |
社会に存在する課題について考えることができる．課題とAI・データサイエンスを結びつけ，新規事業として課題解決案を考えることができる．
|
| 14週 |
AI技術活用アイデア創出ワークショップⅠ（3） |
課題とAI・データサイエンスを結びつけ，新規事業として課題解決案を考えることができる．
自分たちの考えを文書としてまとめることができる．
|
| 15週 |
AI技術活用アイデア創出ワークショップⅠ（4） |
課題とAI・データサイエンスを結びつけ，新規事業として課題解決案を考えることができる．
自分たちの考えを文書としてまとめることができる．
|
| 16週 |
|
|
| 後期 |
| 3rdQ |
| 1週 |
データサイエンス・AIのための数学Ⅱ（1） |
記述統計の基礎について理解できる．
Pythonによりデータの平均値、中央値、最頻値，分散，標準偏差を計算することができる．
|
| 2週 |
データサイエンス・AIのための数学Ⅱ（2） |
記述統計の基礎について理解できる．
Pythonを用いてヒストグラムや箱ひげ図を作成し，データを可視化することができる．
|
| 3週 |
表形式データの加工処理と可視化（1） |
収集した実データの加工方法を理解できる．
Pythonで表形式データの加工ができる．
適切な可視化手法でデータを可視化することができる．
|
| 4週 |
表形式データの加工処理と可視化（2） |
収集した実データの加工方法を理解できる．
Pythonで表形式データの加工ができる．
適切な可視化手法でデータを可視化することができる．
|
| 5週 |
AI技術活用アイデア創出ワークショップII（１） |
自治体のDX，スマートシティ化をテーマに，社会に存在する課題について考えることができる．
|
| 6週 |
データサイエンス・AIのための数学Ⅱ（3） |
記述統計の基礎について理解できる．
Pythonを用いて，データの散布図を作成し相関係数を求めることができる．
|
| 7週 |
データサイエンス・AIのための数学Ⅱ（4） |
記述統計の基礎について理解できる．
Pythonを用いて相関行列を作成することができる．
Pythonを用いて単回帰直線を求めることができる．
|
| 8週 |
機械学習：教師あり学習（回帰）Ⅰ |
機械学習とは何か理解できる．機械学習の種類について理解できる．Pythonで単回帰分析の基礎的なプログラムを作成できる．モデルの評価方法について理解できる．
|
| 4thQ |
| 9週 |
AI技術活用アイデア創出ワークショップII（２） |
自治体のDX，スマートシティ化をテーマに，社会に存在する課題について考えることができる．課題とAI・データサイエンスを結びつけ，課題解決案を考えることができる．
|
| 10週 |
機械学習：教師あり学習（回帰）Ⅱ |
Pythonで単回帰および重回帰分析の基礎的なプログラムを作成できる．過学習について理解できる．Pythonを用いて，実データの加工処理と回帰分析を行うことができる．
|
| 11週 |
機械学習：教師あり学習（判別・分類）Ⅰ |
データの判別と分類の基本的な手法について理解できる．
Pythonを用いて，決定木によるデータの分類の基礎的なプログラムを作成することができる．
|
| 12週 |
機械学習：教師あり学習（判別・分類）Ⅱ |
教師なし学習の基本的な手法である主成分分析、k平均法、クラスタリングについて理解できる．Pythonで教師なし学習の基本的なのプログラムを作成することができる．
|
| 13週 |
機械学習：教師なし学習 |
データ・AI利活用に必要な確率の基礎について理解する。Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 14週 |
AIとビジネスⅡ |
自身のキャリアとAIの関連性について理解できる．
AI技術とビジネスの関連性について理解できる．
|
| 15週 |
AI技術活用アイデア創出ワークショップII（３） |
課題とAI・データサイエンスを結びつけ，課題解決案を考えることができる．
自分たちの考えを文書としてまとめることができる．
|
| 16週 |
|
|