データサイエンスと人工知能1

科目基礎情報

学校	久留米工業高等専門学校	開講年度	令和04年度 (2022年度)
授業科目	データサイエンスと人工知能1
科目番号	0134	科目区分	専門 / 必修
授業形態	講義	単位の種別と単位数	履修単位: 1
開設学科	制御情報工学科	対象学年	4
開設期	後期	週時間数	2
教科書/教材	斎藤 康毅，ゼロから作るDeep Learning，オライリー・ジャパン，その他配布資料
担当教員	松島 宏典

到達目標

１．基礎的な学習理論を理解し、各手法を数式及び概念図を用いて説明できる。
２．実際のデータに対して学習・識別処理を行うシステムを構成できる。
３．基本的な統計量，確率について理解できる

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	基礎的な学習理論を理解し、各手法を数式及び概念図を用いて説明できる。	基礎的な学習理論を理解し、各手法を概念図を用いて説明できる。	基礎的な学習理論を理解できず、各手法を説明できない。
評価項目2	実際のデータに対して学習・識別処理を行うシステムを構成し、実験・考察ができる。	実際のデータに対して学習・識別処理を行うシステムを構成できる。	学習・識別処理を行うシステムを構成できない。
評価項目3	基本的な統計量，確率について理解し，活用できる。	基本的な統計量，確率について理解できる。	基本的な統計量，確率について理解できない。

教育方法等

概要:

前半は，「人工知能」について学習する。パーセプトロン，ニューラルネットワーク，学習，誤差逆伝播法，畳み込みニューラルネットワーク，ディープラーニングについて学習する。Pythonによるプログラミングを通して，人工知能の基礎的な技術を身に付ける。
また，後半に学習する「データサイエンス」は近年注目されている技術であり，統計や機械学習とプログラミングスキルを用いて社会の様々な課題を解決する「データサイエンティスト」の需要も高まっている。Rによるプログラミングを通して，データサイエンスの基礎的な技術を身に付ける。

授業の進め方・方法:

アクティブ・ラーニング形式で実施する．

注意点:

注意点:
（1）点数配分：計2回の定期試験の平均とする。
（2）評価基準：60点以上を合格とする。　　
（3）再試：すべての課題を提出した学生のみ再試験を行う。60点以上を合格（60点）とする。
（4）準備学習：事前に予習を済ませておくこと。

授業の属性・履修上の区分

アクティブラーニング

ICT 利用

遠隔授業対応

実務経験のある教員による授業

授業計画

		週	授業内容	週ごとの到達目標
後期
	3rdQ
		1週	ガイダンス	授業の進め方について理解する。
		2週	人工知能のためのPythonの基礎	人工知能に取り組むためのPythonの環境を整え，演習課題を解くことができる。
		3週	パーセプトロン	パーセプトロンについて理解し，演習課題を解くことができる。
		4週	ニューラルネットワーク	ニューラルネットワークについて理解し，演習課題を解くことができる。
		5週	学習	ニューラルネットワークの学習について理解し，演習課題を解くことができる。
		6週	誤差逆伝播法	誤差逆伝播法について理解し，演習課題を解くことができる。
		7週	畳み込みニューラルネットワーク	畳み込みニューラルネットワークについて理解し，演習課題を解くことができる。
		8週	ディープラーニング	ディープラーニングついて理解し，演習課題を解くことができる。
	4thQ
		9週	データサイエンスのためのRの基礎	データサイエンスに取り組むためのRの環境を整え，演習課題を解くことができる。
		10週	基礎的な統計量の算出と可視化１	基礎的な統計量の算出と可視化について理解し，演習課題を解くことができる。
		11週	基礎的な統計量の算出と可視化２	基礎的な統計量の算出と可視化について理解し，演習課題を解くことができる。
		12週	単回帰分析	単回帰分析について理解し，演習課題を解くことができる。
		13週	重回帰分析	重回帰分析について理解し，演習課題を解くことができる。
		14週	検定１	検定の手順について理解し，演習課題を解くことができる。
		15週	検定２	検定の手順について理解し，演習課題を解くことができる。
		16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	100	0	0	0	0	0	100
基礎的能力	0	0	0	0	0	0	0
専門的能力	100	0	0	0	0	0	100
分野横断的能力	0	0	0	0	0	0	0