到達目標
社会・産業の転換が不可逆的に大きく進んでいるデジタル社会において、「数理・データサイエンス・AI」は基礎知識として捉えられ、全高専生が身につけておくべき素養である。AI・データサイエンスに関する動向、技術を学び、プログラミング演習を通して、AI・データサイエンスを活用し課題解決につなげる基礎能力を修得し、自らの専門分野に応用するための視点を獲得する。
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
（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・深層学習について具体例を挙げながら説明できる。 | 機械学習・深層学習について説明できる。
| 機械学習・深層学習について説明できない。 |
| 評価項目4
（AIの実装） | 高性能な画像認識モデルを実装できる。 | 画像認識モデルを実装できる。 | 画像認識モデルを実装できない。 |
学科の到達目標項目との関係
教育方法等
概要:
AI・データサイエンスについて、また、その進展のベースとなっている深層学習について、オンデマンド形式または集中講義形式で学ぶ。
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:
各授業の事前、事後に、授業内容やプログラミングについて予習・復習を行うこと。
評価には、授業の振り返り(ポートフォリオ)、授業で実施される演習課題、画像認識プロジェクトの成果、講義内容に関するレポートをもとに行う。
授業計画は変更の場合がある。
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 |
講座概要 |
講座の進め方と目標を理解する。
|
| 2週 |
人工知能概論 |
人工知能の動向について理解する。
|
| 3週 |
データ処理 |
Pythonの各種ライブラリを使うことができる。
|
| 4週 |
データサイエンス実践 |
データサイエンス演習を通して、データサイエンス技術について理解する。
|
| 5週 |
機械学習 |
機械学習の概要、教師あり学習、教師なし学習について理解する。
|
| 6週 |
深層学習（1） |
深層学習の概要について理解する。
|
| 7週 |
深層学習（2） |
深層学習の演習を通して、深層学習の技術について理解する。
|
| 8週 |
深層学習（3） |
深層学習の演習を通して、深層学習の技術について理解する。
|
| 4thQ |
| 9週 |
深層学習（4） |
CNNを使った深層学習モデルの実装を通して、CNNについて理解する。
|
| 10週 |
画像認識（1） |
画像認識プロジェクトに取り組む
|
| 11週 |
画像認識（2） |
画像認識プロジェクトに取り組む
|
| 12週 |
画像認識（3） |
画像認識プロジェクトの成果を発表する。
|
| 13週 |
様々な深層学習手法 |
RNN、Transformer、強化学習などの深層学習モデルについて理解する。
|
| 14週 |
深層学習の最新動向 |
深層学習の最新動向と展望を理解する。
|
| 15週 |
生成AI |
LLM、拡散モデル、世界モデルを学び、生成AIの基礎と実践、最新動向、展望を理解する。
|
| 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
| レポート | プロジェクト成果 | 演習課題 | 態度 | ポートフォリオ | その他 | 合計 |
| 総合評価割合 | 20 | 40 | 10 | 0 | 30 | 0 | 100 |
| 基礎的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 専門的能力 | 20 | 40 | 10 | 0 | 20 | 0 | 90 |
| 分野横断的能力 | 0 | 0 | 0 | 0 | 10 | 0 | 10 |