国立大学法人 東京工業大学

講義の概要とねらい

本講義は、応用基礎データサイエンス・AI第一を履修した学生を主な対象とし、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。

到達目標

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

キーワード

推定、検定、回帰分析、最小二乗法、教師なし学習、教師あり学習、強化学習、DNN、 CNN、RNN、認識、予測

学生が身につける力(ディグリー・ポリシー)

授業の進め方

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

授業時間外学修（予習・復習等）

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。

教科書

なし。講義資料を配布する。

参考書、講義資料等

講義資料は事前にT2SCHOLAに掲載し、Zoom画面でも共有する。

成績評価の基準及び方法

各回の小テストと期末レポートを総合して評価する。

関連する科目

• LAS.I111 ： 情報リテラシ第一
• LAS.I112 ： 情報リテラシ第二
• LAS.I121 ： コンピュータサイエンス第一
• LAS.I122 ： コンピュータサイエンス第二
• LAS.M101 ： 微分積分学第一・演習
• LAS.M102 ： 線形代数学第一・演習
• LAS.M105 ： 微分積分学第二
• LAS.M106 ： 線形代数学第二

履修の条件(知識・技能・履修済科目等)

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。