到達目標
数理・データサイエンス・AI教育（リテラシーレベル）の教育を補完的・発展的に学び、データから意味を抽出し、現場にフィードバックする能力、AIを活用し課題解決につなげる基礎能力を修得すること。そして、自らの専門分野に数理・データサイエンス・AIを応用するための大局的な視点を獲得すること。
・データ駆動型社会においてデータサイエンスを学ぶことの意義を理解する
・分析目的に応じ、適切なデータ分析手法、データ可視化手法を選択できる
・データを収集・処理・蓄積するための技術の概要を理解する
・AI活用の留意事項を理解する
・深層学習の基本的な概念を理解する
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 | データサイエンスを学ぶことの意義を説明できる | データサイエンスを学ぶことの意義を理解できる | データサイエンスを学ぶことの意義を理解できない |
| 評価項目2 | 分析目的に応じた適切なデータ分析の進め方を検討できる | データ分析の進め方を理解できる | データ分析の進め方を理解できない |
| 評価項目3 | データを収集・処理・蓄積するための技術を説明できる | データを収集・処理・蓄積するための技術の概要を理解できる | データを収集・処理・蓄積するための技術の概要を理解できない |
| 評価項目4 | コンピュータでの問題の解決について説明できる | コンピュータでの問題の解決について理解できる | コンピュータでの問題の解決について理解できない |
| 評価項目5 | AI活用の場面に応じた懸念事項を挙げることができる | 社会におけるAI活用の留意事項を理解できる | 社会におけるAI活用の留意事項を理解できない |
| 評価項目6 | 深層学習の基礎的な概念を理解でき，具体的なモデルの利用方法について理解する | 深層学習の基本的な概念を理解できる | 深層学習の基本的な概念を理解できない |
| 評価項目7 | 生成AIの基礎的な概念を理解でき，具体的なモデルの利用方法について理解する | 生成AIの基礎的な概念を理解できる | 生成AIの基礎的な概念を理解できない |
| 評価項目8 | 必要な場面に応じてAIを適切に使用することができる | 指示された方法でAIを適切に使用することができる | AIを適切に使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:
教科書『応用基礎としてのデータサイエンス AI×データ活用の実践』に沿って進めるが，到達目標に該当する部分かつ数理データサイエンスAI基礎で扱わなかった内容を主とし，座学および演習によって学習する
授業の進め方・方法:
前半は座学中心で進め基本的な知識の学習を，後半は演習中心で進めスキルの習得を図る
注意点:
技術を活用することは，データやソフトウェアを操作できることだけでは成り立たず，基礎的な知識の学習と両立していることが必須である．例えば，チャットAIを使うことは誰でも可能であるが，真に使いこなすことができるのはチャットAIのバックグラウンドや活用する領域を深く理解できている者だけである．
優れた技術（深層学習，生成AI等）を有効に活用するために，講義全体の理解はもちろん，短期間ではカバーしきれない種々のトピックにも興味を持って自ら情報収集することが望まれる．
関連科目
『情報リテラシー』，『数理データサイエンスAI基礎』を履修していることが前提である．
各専門分野への応用につながる橋渡し科目である．
基礎的な数学の知識，プログラミングの知識があるほど望ましい．
学習指針
自身の専門と異なる内容が週ごとに新しく出てくるので，各週の内容を都度おさえておくこと．
事前学習
シラバスに対応する範囲の内容を教科書等であらかじめ確認しておくこと．
理解しにくいキーワードなどを抽出しておくことが望ましい．
事後展開学習
講義で扱った用語は十分に定着させること，演習の発展的な課題に取り組むことが望ましい．
学修単位の履修上の注意
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 |
データ駆動型社会とデータサイエンス、データ分析の進め方、プログラミング・アルゴリズム基礎 |
データ駆動型社会においてデータサイエンスを学ぶことの意義を理解する。分析目的に応じた適切な調査方法、仮説検証サイクルについて理解する。コンピュータでの問題の解決について理解する。
|
| 2週 |
ビッグデータとデータエンジニアリング |
データを収集・処理・蓄積するための技術の概要を理解する
|
| 3週 |
AI基礎１：深層学習（１） |
深層学習の基礎的な概念（AIの歴史・推論・探索等の内容を含む）を理解する。手書き数字画像データを用いてニューラルネットワークの数理を復習する。
|
| 4週 |
AI基礎１：深層学習（２） |
本格的な深層学習のための準備として、ミニバッチや最適化手法について学ぶ。
|
| 5週 |
AI基礎１：深層学習（３） |
世界標準のディープラーニングフレームワーク、PyTorchの使い方を学ぶ。
|
| 6週 |
AI基礎１：深層学習（４） |
ディープラーニングで画像分類を行う（１）画像のデジタル表現、畳み込みについて学ぶ。
|
| 7週 |
AI基礎１：深層学習（５） |
ディープラーニングで画像分類を行う（２）畳み込みニューラルネットワークを実装し、分析者が調整するパラメータについて学ぶ。
|
| 8週 |
AI基礎１：深層学習（６） |
ディープラーニングで画像分類を行う（３）独自の畳み込みニューラルネットワークを仕上げる。（提出課題１）
|
| 2ndQ |
| 9週 |
AI基礎１：深層学習（７） |
CNN以外の、RNNや強化学習の考え方について学ぶ。ヒット曲の歌詞をAIモデルに学習させる。
|
| 10週 |
AI基礎２：生成AI、AI実習（１） |
生成AIの基礎的な概念を理解する。プロンプトエンジニアリングを考慮しながら生成AIを使ってみる。
|
| 11週 |
AI基礎２：生成AI、AI実習（２） |
AIにプログラミングさせてみる。またAI依存の問題点を考える。
|
| 12週 |
AI基礎２：生成AI、AI実習（３） |
画像生成AIを試してみる。ノイズから画像を描き出す拡散モデルについて学ぶ。
|
| 13週 |
AI基礎２：生成AI、AI実習（４） |
AIが言語をどのように理解するのか、ブレークスルーとなった注意機構の仕組みについて学ぶ。
|
| 14週 |
AI基礎２：生成AI、AI実習（５） |
事前学習（注意機構と大規模なデータ）で得られる賢いモデルを実用化するためのポストトレーニングについて学ぶ。レポート課題出題
|
| 15週 |
期末試験 |
本科目は期末試験を実施しない
|
| 16週 |
レポート課題へのフィードバック |
本講義を振り返りAIへの理解を深める
|
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
| 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 | 0 | 0 | 0 | 100 | 0 | 100 |
| 基礎的能力 | 0 | 0 | 0 | 0 | 50 | 0 | 50 |
| 専門的能力 | 0 | 0 | 0 | 0 | 50 | 0 | 50 |
| 分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |