到達目標
1. 機械学習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. AI・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。
3. 機械学習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。
4. AI・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. 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。
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
| 評価項目1 | 機械学習に関する知識・技能を正確に理解し、実データを扱う課題に応用することができる。 | 機械学習に関する知識・技能を理解し、実データを扱う課題に応用することができる。 | 機械学習に関する知識・技能を理解し、実データを扱う課題に応用することができない。 |
| 評価項目2 | AI・データサイエンスに関する知識・技能を正確に理解し、実データを扱う課題に応用することができる。 | AI・データサイエンスに関する知識・技能を理解し、実データを
扱う課題に応用することができる。 | AI・データサイエンスに関する知識・技能を理解し、実データを
扱う課題に応用することができない。 |
| 評価項目3 | 機械学習・AI・データサイエンスに関する知識・技能を正確に理解し、創造力や課題解決能力を発揮することで、実課題に応用することができる。 | 機械学習・AI・データサイエンスに関する知識・技能を理解し、創造力や課題解決能力を発揮することで、実課題に応用することができる。 | 機械学習・AI・データサイエンスに関する知識・技能を理解し、創造力や課題解決能力を発揮することで、実課題に応用することができない。 |
学科の到達目標項目との関係
教育方法等
概要:
AI・データサイエンスⅡでは、AI・データサイエンスⅠで修得した知識・技能などをもとに、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。機械学習、AI、データサイエンス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。また、本授業は学修単位であることより、授業時間外での自学自習用の「学修課題」を課します。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、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。
・前期末成績は、授業で実施されるCBTの評価平均点20%，演習課題の評価平均点60%、学修課題の評価平均点20％として100点法で評価し、合格点を60点とする。
・前期末成績が60点未満の者に対し、後期中に再評価をすることもある。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点を超えたときに学年末の学業成績を60点とする。
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
ガイダンス／Python開発環境と実行環境の構築
／データサイエンスのための数学：推測統計（1） |
科目の目的を理解できる．Anacondaを利用したPythonの開発環境と実行環境の構築ができる．推測統計の基礎について理解できる．
|
| 2週 |
データサイエンスのための数学：推測統計（2） |
機械学習の基本的な概念と手法について理解する。／データ・AI利活用に必要な統計の基礎について理解する。
|
| 3週 |
データサイエンスのための数学：推測統計（3） |
推測統計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．
|
| 4週 |
データサイエンスのための数学：推測統計（4） |
推測統計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 |
データサイエンスのための数学：推測統計（5） |
推測統計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 |
機械学習：教師あり学習（回帰） |
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で重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．
|
| 7週 |
機械学習：教師あり学習（回帰，判別・分類） |
Pythonで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．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．
|
| 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 |
機械学習：教師あり学習（判別・分類） |
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，SVMおよびロジスティク回帰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．
|
| 10週 |
機械学習：教師あり学習（アンサンブル学習） |
教師あり学習の基本的な手法であるアンサンブル学習について理解できる．Pythonでアンサンブル学習の基本的なプログラムを作成することができる．
|
| 11週 |
機械学習：教師なし学習 |
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．
|
| 12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．
|
| 13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．
|
| 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 |
|
|
モデルコアカリキュラムの学習内容と到達目標
| 分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
評価割合
| 課題 | 合計 |
| 総合評価割合 | 100 | 100 |
| 基礎的能力 | 50 | 50 |
| 専門的能力 | 30 | 30 |
| 分野横断的能力 | 20 | 20 |