本講義は、データサイエンス・AIのリテラシーレベルの学修を終えてより高度な内容を学びたい学生を対象とし、数理・データサイエンス・AI(応用基礎レベル)モデルカリキュラムに準拠しつつ、将来のエキスパートレベルの学修に繋がる知識や実践的スキルの習得に必要な学修内容を提供する。データサイエンス、データエンジニアリング、AIそれぞれの分野における基礎理論、各種手法・アルゴリズムを解説し、実例紹介や課題演習を通して履修学生が理解を深めると共に実践的スキルを身につけることをめざす。学生には本講義と引き続く応用基礎データサイエンス・AI第二の両方を履修することを推奨する。
以下の能力を身につけることを目標とする。
1) データサイエンスを学ぶ意義を理解した上で、データ分析手法を理解し目的に応じて適切な分析手法・可視化手法を選択できる
2) データエンジニアリングの役割を理解し、様々なデータのコンピュータ上での表現方法、データ収集・処理・蓄積技術を理解する
3) AIの歴史・技術的背景・倫理・社会との関わり、機械学習と学習アルゴリム、ニューラルネットワークと深層学習手法を理解し、AI技術を課題解決へ繋げることができる
データ駆動型社会、ビッグデータ、データ構造、データベース、アノテーション、Python、母集団、代表値、相関、分散、確率分布、乱数
✔ 専門力 | ✔ 教養力 | コミュニケーション力 | ✔ 展開力(探究力又は設定力) | ✔ 展開力(実践力又は解決力) |
授業時間の最後に、授業内容の理解度を確認するための小テストを毎回行う。
授業計画 | 課題 | |
---|---|---|
第1回 | データサイエンス・AIの基礎と歴史 | データサイエンス・AIの基礎、歴史、役割について学ぶと共に、これらを学ぶ意義を理解する |
第2回 | データエンジニアリング基礎 | データ利活用において基盤となるデータの収集・処理・蓄積技術の概要とコンピュータ上でのデータ表現の基礎を理解する |
第3回 | データサイエンス・AI利活用基礎1 | データサイエンス・AIを利活用に必要な数学の基礎、ツールとなるプロブラミング言語とライブラリを学ぶ |
第4回 | データサイエンス・AI利活用基礎2 | データハンドリング・データ可視化の例題演習を通してPython/pandasを使いこなす |
第5回 | データサイエンス・AI利活用基礎3 | Python/scikit-learnを利用した分類問題の例題演習を通して、機械学習の基礎とツールの利用法を学ぶ |
第6回 | 数理統計の基礎1 | データサイエンスの基本であるデータ分析やデータ可視化において必須となる統計学の基礎理論を理解する |
第7回 | 数理統計の基礎2 | 前回に引き続きデータ分析やデータ可視化において必須となる統計学の基礎理論を学ぶ |
学修効果を上げるため,教科書や配布資料等の該当箇所を参照し,「毎授業」授業内容に関する 予習と復習(課題含む)をそれぞれ概ね100分を目安に行うこと。
なし。講義資料を配布する。
講義資料は事前にT2SCHOLAに掲載し、Zoom画面でも共有する。
各回の小テストと期末レポートを総合して評価する。
情報リテラシ第一、情報リテラシ第二、コンピュータサイエンス第一、コンピュータサイエンス第二の4科目を履修済みで単位取得していること。