コンピュータサイエンス第一で学んだ内容をさらに深化させる。具体的には次の項目を学ぶ。
・計算についての理論的な考察(計算可能性理論と計算複雑性理論)。
・より実践的なプログラミング(Pythonのライブラリの使用など)。
・データサイエンスの基本。
・機械学習の基本。
・計算可能性理論と計算複雑性理論の基本を理解する。
・基本的なライブラリを使用したPythonプログラムを書けるようになる。
・データサイエンスとAIの基本を理解する。
計算可能性,チューリング機械, 計算複雑性,P≠NP予想, Python, NumPy, データ分析,機械学習
✔ 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) |
授業中に、講義とともにプログラミング演習もあわせて実施します。授業では、理解を確認するための宿題やレポート課題を出します。また授業中に小テストを行うこともあります。
授業計画 | 課題 | |
---|---|---|
第1回 | 計算とは何か?(1) | 計算可能性理論の基本である次の内容を学ぶ:プログラム停止問題. チューリング機械. 万能機械. チャーチ=チューリングのテーゼ. |
第2回 | 計算とは何か?(2) | 計算複雑性理論の基本である次の内容を学ぶ:オイラー閉路問題、ハミルトン閉路問題、巡回セールスマン問題、P≠NP予想。 |
第3回 | より実践的なPythonプログラミング | クラス、ライブラリ(NumPyなど)を用いたPythonプログラミングを学ぶ。 |
第4回 | データ分析基礎 | オープンデータを用いて,データの要約・分析・可視化について学ぶ. |
第5回 | 機械学習の基礎 | 簡単な教師なし・教師あり学習の例題とともに,問題解決のための機械学習の役割と効果について学ぶ. |
第6回 | コンピュータサイエンス、データサイエンス、AIに関するトピックス | 課題を設定してコンピュータ実験やプログラミング演習などを行う。 |
第7回 | コンピュータサイエンス、データサイエンス、AIに関するトピックス | 実験結果の理論的考察などを行う。 |
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。
未定.初回授業時に説明します.
未定.初回授業時に説明します.
成績は、授業中に実施する宿題、レポート課題、小テスト等により評価する。
コンピュータサイエンス第一 (LAS.I121) を履修していることが望ましい。
新入生は指定されたクラスで履修してください。例外的にクラス変更が認められる場合がありますが、水曜日への変更はできません。
水曜日のクラスは新入生が多いので、新入生以外の学生の履修は認めません。新入生以外の学生は月曜日または木曜日の a クラスを履修してください。