到達目標
数理データサイエンス・AI, 情報リテラシー, セキュリティ等を学修し, 今後の情報化社会での日常生活や仕事等の場面で活用することができる基礎的素養を身につけること.
社会情勢や社会での実例学ぶことにより, 人間中心の適切な判断ができ, 学修した知識やスキル等を説明, 活用できるようになること.
自らの専門学科以外の学生との協同学習により, 多角的な視点で物事を考える力を身につけること.
(1) データの取り扱い
(2) データの分析
(3) 企業活動と数理データサイエンス・AIとの関わり
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
(データの取り扱い) | データを適切に扱うことができ, 利用法の詳細について説明できる. | データを適切に扱うことができる. | データを適切に扱うことができない. |
| 評価項目2
(データの分析) | 実データを適切に分析でき, 結果を正しく説明できる. | 実データを分析し, 結果を説明できる. | 実データを分析できず, 結果を説明できない. |
| 評価項目3
(企業活動と数理データサイエンス・AIとの関わり) | 担当企業を充分に調査し, 適切な取材に基づきレポートをまとめ, 企業活動と数理データサイエンス・AIとの関わりについて多角的な視点から充分に考察できる. | 担当企業を調査し, 取材に基づきレポートをまとめ, 企業活動と数理データサイエンス・AIとの関わりについて多角的な視点から考察できる. | 担当企業を調査し, 取材に基づきレポートをまとめることができない. 企業活動と数理データサイエンス・AIとの関わりについて考察できない. |
学科の到達目標項目との関係
教育方法等
概要:
「データサイエンスⅠ」「データサイエンスⅡ」を通して, 文理問わず高専生が学修すべき情報技術に関するリテラシー, 数理データサイエンス・AIやセキュリティを学ぶ.
知識だけではなく, 社会における重要性を実例を通して学んだり, 実データを用いた演習を実践することで, 現実社会の課題発見・解決力と適切な活用法の修得のための基礎素養を身につける.
授業の進め方・方法:
講義および実データを用いた演習を中心に授業を進める.
産学連携教育では，できるだけ全学科の学生からなるチームを構成し, チームで担当企業を調査, 取材するとともに, データやAI活用との関わりをチームで議論し, レポートとしてまとめる．前回の講義内容の操作ができるように復習を行ってから次の授業に臨むこと．
注意点:
<評価>
発表，ポートフォリオ，その他(レポート等)を総合的に評価する．各評価は，発表20%，ポートフォリオ10%，その他70%の割合とする．単位認定には50点以上の評定が必要である．
<追認試験>
評価が50点に満たない者は，願い出により追認のための課題を受けることができる．追認課題の結果，単位の修得が認められた者にあっては，その評価を50点とする．
<授業計画>
授業計画は, 学生の理解度等に応じて変更する場合がある.
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 |
| 後期 |
| 3rdQ |
| 1週 |
Teams活用 & 産学連携教育 (1) |
Teamsの活用法を理解できる.
企業調査活動の進め方, 留意点を理解できる.
|
| 2週 |
Teams活用 & 産学連携教育 (2) |
企業調査を進め, Teamsを活用し, 打ち合わせを実施する.
|
| 3週 |
Teams活用 & 産学連携教育 (3) |
企業に取材し, その成果およびデータやAI活用との関わりをレポートとしてまとめる.
|
| 4週 |
データサイエンス(1) |
データを適切に取得し, その取り扱い方法, 留意事項について理解できる.
|
| 5週 |
データサイエンス(2) |
データの種類を理解し, 適切なグラフを作成できる.
|
| 6週 |
データサイエンス(3) |
実データの演習を通して, 度数分布, ヒストグラムについて理解できる.
|
| 7週 |
データサイエンス(4) |
実データの演習を通して, データのソート方法について理解できる.
|
| 8週 |
データサイエンス(5) |
実データの演習を通して, データの代表値(平均値, 中央値, 最頻値)について理解できる.
|
| 4thQ |
| 9週 |
データサイエンス(6) |
実データの演習を通して, データのばらつき(分散, 標準偏差)について理解できる.
|
| 10週 |
データサイエンス(7) |
実データの演習を通して, 箱ひげ図, 散布図について理解できる.
|
| 11週 |
データサイエンス(8) |
実データの演習を通して, 相関, 相関係数について理解できる.
|
| 12週 |
データサイエンス(9) |
実データの演習を通して, 最小二乗法について理解できる.
|
| 13週 |
データサイエンス(10) |
実データの演習を通して, 回帰直線について理解できる.
|
| 14週 |
データサイエンス(11) |
実データの演習を通して, 決定係数について理解できる.
|
| 15週 |
データサイエンス(12) |
実データの演習を通して, データの分析や因果関係について理解できる.
|
| 16週 |
授業評価アンケート |
|
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 | 工学実験技術 | 工学実験技術 | 目的に応じて適切な実験手法を選択し、実験手順や実験装置・測定器等の使用方法を理解した上で、安全に実験を行うことができる。 | 2 | |
| 実験テーマの目的を理解し、適切な手法により取得したデータから近似曲線を求めるなど、グラフや図、表を用いて分かり易く効果的に表現することができる。 | 2 | |
| 必要に応じて適切な文献や資料を収集し、実験結果について説明でき、定量的・論理的な考察を行い、報告書を作成することができる。 | 2 | |
| 個人あるいはチームとして活動する際、自らの役割を認識して実験・実習を実施することができる。 | 2 | |
| 情報リテラシー | 情報リテラシー | 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 | |
| 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 | |
| 情報セキュリティを運用するための考え方と方法を説明できる。 | 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 | |
評価割合
| 試験 | 発表 | 相互評価 | 態度 | ポートフォリオ | その他 | 合計 |
| 総合評価割合 | 0 | 20 | 0 | 0 | 10 | 70 | 100 |
| 基礎的能力 | 0 | 10 | 0 | 0 | 0 | 40 | 50 |
| 専門的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 分野横断的能力 | 0 | 10 | 0 | 0 | 10 | 30 | 50 |