プログラム科目【応用基礎レベル】

学習目標

1. データ駆動社会とデータサイエンス

近年、加速していくデータ駆動型社会の中において注目されている数理・データサイエンス・AIの活用領域について学びます。具体的には、プロ野球で積極的に活用されているセーバーメトリクス、物流業界における配送計画、機械設計で必要不可欠な品質管理、更にはマーケティングにおける商品推薦システムを題材として取り上げます。

2. 分析設計

仮説検証サイクルを通して、データ分析の進め方を学びます。まず初めに、トヨタ生産方式で採用されたPDCAサイクル (Plan、Do、Check、Action) にはじまり、より現代的にアレンジされたPPDACサイクル (Problem、Plan、Data、Analysis、Conclusion) をマーケティングで行われているデータ分析について学習します。更に、課題を質的データと量的データを扱いながら、より具体的に理解を深めていきます。

3. ビッグデータとデータエンジニアリング

現代のICTの発展に伴い、様々なビッグデータがオープンデータ化しています。代表的なオープンデータであるe-Stat（政府統計の総合窓口）から食料品に関するデータを紹介します。更には、このようなオープンデータには1次/2次/3次データが存在し、各自で適切に判断することが求められることを学びます。

4. データ表現

ビッグデータの代表例としてテキスト・画像・音声等が挙げられる。このようなビッグデータは、非構造化データであることが多く、解析対象と解析方法を考慮しながら構造化データに変換する必要があります。このアプローチの重要性を様々な実データを元に解説します。

5. AIの歴史と活用領域の広がり

人工知能とは、高度な知的処理を機械・計算機にて実行する理論・技術の事であり、これまで第1次（探索・推論）/第2次（エキスパートシステム）/第3次（機械学習・深層学習）人工知能ブームを経て発展してきました。このようなAIの研究・技術の歴史について学びます。

6. AIと社会

AIは、企業・医療・教育などにおける単純作業を人間の代わりに行なうことが出来、業務の効率化を図ることが出来る一方、「責任の所在が不明確」や「雇用が減る」といった社会問題を含んでいます。そこで、AI倫理やAIの社会的受容性等を同時に議論していく必要があります。

7. 機械学習の基礎と展望

実世界で活用されている機械学習（教師なし・教師あり）のアルゴリズムについて数理・統計的な側面について学習を進めます。数理計画法にはじまり、非線形計画問題、最急降下法、Lagrangeの未定乗数法等について学びます。

8. 深層学習の基礎と展望

実世界で活用されている深層学習の応用事例を学習します。特に、これらのアルゴリズムが「機械学習の基礎と展望」を土台としつつ、特徴量抽出を重要な技術として画像認識・自然言語処理・音声解析などを通して学んでいきます。

9. AIの構築と運用

AIは、再学習や、様々な機械学習アルゴリズムを多段階的に組み合わせることで、正解率が向上し、結果的に学習と推論、評価、再学習を効果的に行うことが可能となる。このような取り組みの具体的な事例を通して、実社会におけるAIの構築と運用を学ぶ。

開講科目と修了要件

学習目標

2024年度 応用基礎レベル モデルカリキュラム対応表

春・夏学期
応用基礎レベル モデルカリキュラム 春・夏学期
データサイエンスの基礎 データサイエンスの基礎Ⅰ
データ解析の実際
データエンジニアリング基礎
AI基礎
実践講義 数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 数値解析基礎（1組）
  • 数値解析基礎（2組）
  • 確率統計（A組）
  • 確率統計（B組）
  • 環境・エネルギー数理
基礎工学部：
  • 知識工学
  • 統計解析
  • 社会数理B
  • データ科学
法学部：
  • 計量経済学Ⅰ
薬学部：
  • 薬学統計入門
理学部：
  • 応用数理学5
経済学部：
  • 統計
文学部：
  • 人文地理学演習
外国語学部：
  • （学共-方法論）言語統計学a
人間科学部：
  • 心理学統計法
  • 行動統計科学演習Ⅰ
秋・冬学期
応用基礎レベル モデルカリキュラム 秋・冬学期
データサイエンスの基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
データ科学と意思決定
データサイエンスの基礎Ⅱ
データサイエンスのためのプログラミング入門
【総合】情報探索入門　
データエンジニアリング基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
AI基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
文理融合に向けた数理科学Ⅱ
実践講義 数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 量子科学（応化・応生）
  • 応用自然科学特論（応生）
  • 計算機とプログラミング
  • 制御系設計論
  • 数値解析
  • 空間情報学Ⅰ（セメスター科目）
  • 空間情報学Ⅱ（セメスター科目）
  • 環境設計情報学
  • 情報工学演習
基礎工学部：
  • データ構造とアルゴリズム
法学部：
  • 計量経済
理学部：
  • ゲノム情報学
文学部：
  • 人文地理学演習
外国語学部：
  • (学共・方法論)言語統計学b
人間科学部：
  • 多変量統計科学
  • 行動統計科学演習Ⅱ

2023年度 応用基礎レベル モデルカリキュラム対応表

春・夏学期
応用基礎レベル モデルカリキュラム 春・夏学期
データサイエンスの基礎 データサイエンスの基礎Ⅰ
データ解析の実際
データエンジニアリング基礎
AI基礎
実践講義 数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 数値解析基礎（1組）
  • 数値解析基礎（2組）
  • 確率統計（A組）
  • 確率統計（B組）
  • 環境・エネルギー数理
基礎工学部：
  • 知識工学
  • 統計解析
  • 社会数理B
  • データ科学
法学部：
  • 計量経済学Ⅰ
薬学部：
  • 薬学統計入門
理学部：
  • 応用数理学5
経済学部：
  • 統計
文学部：
  • 人文地理学演習
外国語学部：
  • （学共-方法論）言語統計学a
人間科学部：
  • 心理学統計法
  • 行動統計科学演習Ⅰ
秋・冬学期
応用基礎レベル モデルカリキュラム 秋・冬学期
データサイエンスの基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
データ科学と意思決定
データサイエンスの基礎Ⅱ
データサイエンスのためのプログラミング入門
データエンジニアリング基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
AI基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
文理融合に向けた数理科学Ⅱ
実践講義 数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 量子科学（応化・応生）
  • 応用自然科学特論（応生）
  • 計算機とプログラミング
  • 制御系設計論
  • 数値解析
  • 空間情報学Ⅰ（セメスター科目）
  • 空間情報学Ⅱ（セメスター科目）
  • 環境設計情報学
  • 情報工学演習
基礎工学部：
  • データ構造とアルゴリズム
法学部：
  • 計量経済
理学部：
  • ゲノム情報学
文学部：
  • 人文地理学演習
外国語学部：
  • (学共・方法論)言語統計学b
  • 【総合】情報探索入門（MLEプログラム科目）※全学共通教育科目
人間科学部：
  • 多変量統計科学
  • 行動統計科学演習Ⅱ

2022年度 応用基礎レベル モデルカリキュラム対応表

春・夏学期
応用基礎レベル モデルカリキュラム 春・夏学期
データサイエンスの基礎 データ科学入門Ⅰ（春学期）
データサイエンスの基礎Ⅰ
データ解析の実際
データエンジニアリング基礎 高度情報リテラシー
AI基礎 データ科学入門Ⅱ（夏学期）
実践講義 数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 数値解析基礎（1組）
  • 数値解析基礎（2組）
  • 確率統計（A組）
  • 確率統計（B組）
  • 環境・エネルギー数理
基礎工学部：
  • 知識工学
  • 統計解析
  • 社会数理B
  • データ科学
法学部：
  • 計量経済学Ⅰ
薬学部：
  • 薬学統計入門
理学部：
  • 応用数理学5
経済学部：
  • 統計
秋・冬学期
応用基礎レベル モデルカリキュラム 秋・冬学期
データサイエンスの基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
データ科学入門Ⅳ（冬学期）
データ科学と意思決定
データサイエンスの基礎Ⅱ
データサイエンスのためのプログラミング入門
データエンジニアリング基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
データ科学入門Ⅲ（秋学期）
AI基礎 データ科学のための数理 ※選択必修科目
データ・AIエンジニアリング基礎 ※選択必修科目
データ科学入門Ⅳ（冬学期）
機械学習統論
実践講義 数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 量子科学（応化・応生）
  • 応用自然科学特論（応生）
  • 計算機とプログラミング
  • 制御系設計論
  • 数値解析
  • 空間情報学Ⅰ（セメスター科目）
  • 空間情報学Ⅱ（セメスター科目）
  • 環境設計情報学
  • 情報工学演習
基礎工学部：
  • データ構造とアルゴリズム
法学部：
  • 計量経済
理学部：
  • ゲノム情報学

2021年度 応用基礎レベル モデルカリキュラム対応表

春・夏学期
応用基礎レベル モデルカリキュラム 春・夏学期
データサイエンスの基礎 データ科学のための数理 ※選択必修科目
データ科学入門Ⅰ（春学期）
データサイエンスの基礎Ⅰ
データ解析の実際
データエンジニアリング基礎 データ科学のための数理 ※選択必修科目
高度情報リテラシー
AI基礎 データ科学のための数理 ※選択必修科目
データ科学入門Ⅱ（夏学期）
実践講義 データ科学のための数理 ※選択必修科目
数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 数値解析基礎（1組）
  • 数値解析基礎（2組）
  • 確率統計（A組）
  • 確率統計（B組）
  • 環境・エネルギー数理
基礎工学部：
  • 知識工学
  • 統計解析
  • 社会数理B
  • データ科学
法学部：
  • 計量経済学Ⅰ
薬学部：
  • 薬学統計入門
理学部：
  • 応用数理学5
秋・冬学期
応用基礎レベル モデルカリキュラム 秋・冬学期
データサイエンスの基礎 データ・AIエンジニアリング基礎 ※選択必修科目
データ科学入門Ⅳ（冬学期）
データ科学と意思決定
データサイエンスの基礎Ⅱ
データサイエンスのためのプログラミング入門
データエンジニアリング基礎 データ・AIエンジニアリング基礎 ※選択必修科目
データ科学入門Ⅲ（秋学期） データ科学（機械学習） 機械学習続論
AI基礎 データ・AIエンジニアリング基礎 ※選択必修科目
データ科学入門Ⅳ（冬学期）
機械学習統論
実践講義 データ・AIエンジニアリング基礎 ※選択必修科目
数理・データサイエンス・AI活用PBL（通年）
学部専門科目 工学部：
  • 量子科学（応化・応生）
  • 応用自然科学特論（応生）
  • 計算機とプログラミング
  • 制御系設計論
  • 数値解析
  • 空間情報学Ⅰ（セメスター科目）
  • 空間情報学Ⅱ（セメスター科目）
  • 環境設計情報学
  • 情報工学演習
基礎工学部：
  • データ構造とアルゴリズム
法学部：
  • 計量経済
理学部：
  • ゲノム情報学

修了要件

選択必修科目2単位以上、選択科目の中から2単位以上、合計4単位以上。

（本プログラム構成科目の選択必修/選択区分は、所属学部の卒業要件としての必修/選択必修/選択とは異なるものであることご留意ください。）

過去の科目