到達目標
１．ネットワークシステムが高度に発達したデジタル社会においてAI研究の歴史と最新動向を説明できる。
２．データサイエンスに関する知識と技術を身につけ、データ分析ができる。
３．機械学習・深層学習に関する知識を身につけ、演習を通し実践的な能力を身につけることができる。
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
(AIの動向) | AI研究の歴史と最新動向を具体例を挙げながら説明できる。 | AI研究の歴史と最新動向を挙げながら説明できる。 | AI研究の歴史と最新動向を説明できない。 |
| 評価項目2
(データサイエンスの技術) | データサイエンスの技術について具体例を挙げながら説明でき、詳細なデータ分析ができる。 | データサイエンスの技術について説明でき、データ分析ができる。 | データサイエンスの技術について説明できず、かつ、データ分析ができない。 |
| 評価項目3
(AIの技術) | 機械学習・深層学習に関する知識を身につけ、演習を通し実践的な能力を身につけ、新しいアイディアの創出を行うことができる。 | 機械学習・深層学習に関する知識を身につけ、演習を通し実践的な能力を身につけることができる。 | 機械学習・深層学習について説明できない。 |
学科の到達目標項目との関係
教育方法等
概要:
世界ではデジタル化が不可逆的に進み、社会・産業の転換が大きく進んでいる。「数理・データサイエンス・AI」は、今後のデジタル社会の基礎知識（いわゆる「読み・書き・そろばん」的な素養）として捉えられ、大学・高専の全ての学生が身に付けておくべき素養である。応用基礎レベルの教育をリテラシーレベルの教育と専門教育とを繋ぐ「橋渡し教育」として位置づけている。今後のデジタル社会において、基礎的な数理的素養、領域を超えて繋ぎデザインする力は、専門分野を問わず修得し、AIがどのような未来を引き起こすのかを理解した上で、数理・データサイエンス・AIの知識を様々な専門分野へ応用・活用し（AI×専門分野）、現実の課題解決、価値創造を担う人材を幅広く育成する。
授業の進め方・方法:
講義および演習を中心に授業を進める。演習はPythonを用いて実施する。
注意点:
評価には、理解度テスト、授業で実施される演習課題、アイディア創出に関するレポートをもとに行う。
シラバス末尾の評価割合に沿って総合的に評価し60点以上を合格とする。
なお、「不可」となった者は再試験を実施しない。
事前・事後学習、オフィスアワー
本授業はプログラミングの演習があることに留意しプログラミングの科目の準備学習を実施することを勧める。
この科目は学修単位科目のため、事前・事後学習として演習課題を実施する。
講義（30時間）＋自学自習（60時間）の前提であるため、60時間程度の予習・復習をその都度指示する。
オフィスアワーは講義実施日の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 |
ICT（情報通信技術）の進展、ビッグデータ、クラウドサービス
|
AIを学ぶ前段階として。ビックデータやクラウドデータの収集や蓄積技術を説明できる。
|
| 2週 |
AIの歴史と社会と応用分野 |
AIのこれまでの変遷、各段階における代表的な成果物や技術背景を理解する。AIが社会に受け入れられるために考慮すべき論点について説明できる。
|
| 3週 |
機械学習の基礎と展望 |
機械学習の基本的な概念と手法について説明できる。
|
| 4週 |
深層学習の基礎と展望 |
深層学習の基本的な概念と手法について説明できる。
|
| 5週 |
生成AIの基礎と展望 |
生成AIの基本的な概念と応用について説明できる。
|
| 6週 |
AIの構築と運用 |
一般的なAIの構築と運用方法について説明できる。
|
| 7週 |
理解度テスト |
第2週から第6週の内容を理解する。
|
| 8週 |
機械学習演習（１） |
機械学習（教師あり学習、教師なし学習）の実装を通し、機械学習について身につけることができる。
|
| 4thQ |
| 9週 |
機械学習演習（２） |
機械学習（教師あり学習、教師なし学習）の実装を通し、機械学習について身につけることができる。
|
| 10週 |
深層学習演習（1） |
CNNを使った深層学習モデルの実装を通して、CNNについて身につけることができる。
|
| 11週 |
深層学習演習（２） |
CNNを使った深層学習モデルの実装を通して、CNNについて身につけることができる。
|
| 12週 |
深層学習演習（３） |
CNNを使った深層学習モデルの実装を通して、CNNについて身につけることができる。
|
| 13週 |
AI・データを活用した社会課題の解決のためのアイディア創出（１） |
社会で活用されている広範囲な領域のデータと様々な適用領域を結びつけ新たなアイディアの創出ができる。
|
| 14週 |
AI・データを活用した社会課題の解決のためのアイディア創出（２） |
社会で活用されている広範囲な領域のデータと様々な適用領域を結びつけ新たなアイディアの創出ができる。
|
| 15週 |
AI・データを活用した社会課題の解決のためのアイディア創出（３） |
社会で活用されている広範囲な領域のデータと様々な適用領域を結びつけ新たなアイディアの創出ができる。
|
| 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
| 理解度テスト | レポート | 自学自習に係る演習課題 | 合計 |
| 総合評価割合 | 50 | 20 | 30 | 100 |
| 基礎的能力 | 20 | 5 | 0 | 25 |
| 専門的能力 | 20 | 5 | 20 | 45 |
| 分野横断的能力 | 10 | 10 | 10 | 30 |