到達目標
数理・データサイエンス・AIを適切に使うための基礎的素養を身に付けること、さらに、自らの専門分野に応じこれらの知識・技能を説明し、活用できるようになることを目標とする。
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
数理・データサイエンス・AIの素養の習熟度 | 数理・データサイエンス・AIを使う素養を身につけ第三者に説明することができる。 | 数理・データサイエンス・AIを使う素養を身につけることができる。 | 左記ができない。 |
| 評価項目2
活用事例に関する習熟度 | データサイエンス・AI技術が社会や日常生活における課題解決の有用なツールであり、様々な専門領域の知見と組み合わせることによって価値を創造するものであることを、活用事例をもとに説明できる。 | データサイエンス・AI技術が社会や日常生活における課題解決の有用なツールであり、様々な専門領域の知見と組み合わせることによって価値を創造するものであることを、説明できる。 | 左記ができない。 |
| 評価項目3
活用方法に関する習熟度 | 自らの専門分野において、データサイエンス・ AI技術と社会や日常生活との関わり、活用方法について説明できる。 | 自らの専門分野において、データサイエンス・ AI技術と社会や日常生活との関わりについて説明できる。 | 左記ができない。 |
学科の到達目標項目との関係
教育方法等
概要:
数理・データサイエンス・AIを適切に使うための基礎的素養を身に付け、複雑で多様な地球規模の課題を認識して課題を発見し解決できる能力の育成を実施する。
授業の進め方・方法:
教員作成資料または教書の資料に従って、その内容の理解を深めます。
実践力の涵養のためにグループワークを実施し、課題に取り組む授業内容もある場合があります。
注意点:
PCを使用した演習もありますので忘れずに充電して持参してください。
忘れた場合は図書館から借りてきてください。
本科目は数理・データサイエンス・ＡＩ教育プログラム認定制度（リテラシーレベル）の認定に係る科目になります。
本科目が不合格・未履修な学生は修了証が交付されませんのでご注意ください。
事前・事後学習、オフィスアワー
この授業に取り組む上での事前学習として、不安のある学生は情報リテラシーで学んだ内容の復讐を実施してください．
事後学習として課題が出題される場合がありますので提出期限を遅滞することなく提出をお願いします。
また、課題未提出の場合は再試験を実施いたしませんのでご注意ください．
【オフィスアワー】授業日の16:00-17:00
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 |
| 後期 |
| 3rdQ |
| 1週 |
なぜデータサイエンスリテラシーを学ぶのか？ |
情報分野のみならず数理・データサイエンス・AIを使う素養の必要性について説明できる。
データサイエンス・AI技術の概要を説明できる。
|
| 2週 |
身近なデータサイエンスのメリット・デメリット |
情報分野のみならず数理・データサイエンス・AIを使う素養の必要性について説明できる。
データサイエンス・AI技術の概要を説明できる。
|
| 3週 |
データサイエンスの活用事例 |
データサイエンス・AI技術が社会や日常生活における課題解決の有用なツールであり、様々な専門領域の知見と組み合わせることによって価値を創造するものであることを、活用事例をもとに説明できる。自らの専門分野において、データサイエンス・ AI技術と社会や日常生活との関わり、活用方法について説明できる。
|
| 4週 |
機械学習と基本とその精度の評価 |
データサイエンス・AI技術の利活用に必要な基本的スキル（データの取得、可視化、分析）を使うことができる。
|
| 5週 |
データの可視化 |
データベースの意義と概要について説明できる。データサイエンス・AI技術の利活用に必要な基本的スキル（データの取得、可視化、分析）を使うことができる。
|
| 6週 |
テキストマイニング演習 |
自然言語処理の流れを理解し、分析結果の解釈や課題を説明できる。
|
| 7週 |
機械学習・ディープラーニング演習1 |
データサイエンス・AI技術の利活用に必要な基本的スキル（データの取得、可視化、分析）を使うことができる。
|
| 8週 |
機械学習・ディープラーニング演習2 |
データサイエンス・AI技術の利活用に必要な基本的スキル（データの取得、可視化、分析）を使うことができる。
|
| 4thQ |
| 9週 |
機械学習・ディープラーニング演習3 |
データサイエンス・AI技術の利活用に必要な基本的スキル（データの取得、可視化、分析）を使うことができる。
|
| 10週 |
データの収集とデータサイエンスにおける倫理 |
データサイエンス・AI技術の利活用に必要な基本的スキル（データの取得、可視化、分析）を使うことができる。データサイエンス・AI技術を利活用する際に求められるモラルや倫理について理解し、データを守るために必要な事項を説明できる。
|
| 11週 |
課題解決グループワーク1 |
数理・データサイエンス・AIを使う素養を身につけグループにおける課題解決について議論することができる．
|
| 12週 |
課題解決グループワーク2 |
数理・データサイエンス・AIを使う素養を身につけグループにおける課題解決について議論することができる．
|
| 13週 |
課題解決グループワーク3 |
数理・データサイエンス・AIを使う素養を身につけグループにおける課題解決について議論することができる．
|
| 14週 |
課題解決グループワーク4 |
数理・データサイエンス・AIを使う素養を身につけグループにおける課題解決について議論することができる．
|
| 15週 |
課題発表 |
数理・データサイエンス・AIを使う素養を身につけグループにおける課題解決について説明することができる．
|
| 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 |
| 基礎的能力 | 工学基礎 | 情報リテラシー | 情報リテラシー | 社会の情報化の進展と課題について理解し説明できる。 | 3 | |
| 代表的な情報システムとその利用形態について説明できる。 | 3 | |
| アナログ情報とデジタル情報の違いと、コンピュータ内におけるデータ(数値、文字等)の表現方法について説明できる。 | 3 | |
| 情報を適切に収集・取得できる。 | 3 | |
| データベースの意義と概要について説明できる。 | 3 | |
| 基礎的なプログラムを作成できる。 | 3 | |
| 計算機を用いて数学的な処理を行うことができる。 | 3 | |
| 基礎的なアルゴリズムについて理解し、任意のプログラミング言語を用いて記述できる。 | 3 | |
| 情報の真偽について、根拠に基づいて検討する方法を説明できる。 | 3 | |
| 情報の適切な表現方法と伝達手段を選択し、情報の送受信を行うことができる。 | 3 | |
| 情報通信ネットワークの仕組みや構成及び構成要素、プロトコルの役割や技術についての知識を持ち、社会における情報通信ネットワークの役割を説明できる。 | 3 | |
| データサイエンス・AI技術の概要を説明できる。 | 3 | |
| データサイエンス・AI技術が社会や日常生活における課題解決の有用なツールであり、様々な専門領域の知見と組み合わせることによって価値を創造するものであることを、活用事例をもとに説明できる。 | 3 | |
| データサイエンス・AI技術を利活用する際に求められるモラルや倫理について理解し、データを守るために必要な事項を説明できる。 | 3 | |
| データサイエンス・AI技術の利活用に必要な基本的スキル（データの取得、可視化、分析）を使うことができる。 | 3 | |
| 自らの専門分野において、データサイエンス・AI技術と社会や日常生活との関わり、活用方法について説明できる。 | 3 | |
評価割合
| 小テスト | グループ発表 | グループ課題 | 個人課題 | 合計 |
| 総合評価割合 | 40 | 30 | 10 | 20 | 100 |
| 基礎的能力 | 20 | 10 | 5 | 5 | 40 |
| 専門的能力 | 10 | 10 | 0 | 5 | 25 |
| 分野横断的能力 | 10 | 10 | 5 | 10 | 35 |