2025年度 (最新) 学位プログラムとして特別に設けた教育課程学位プログラムとして特別に設けた教育課程データサイエンス・AI全学教育機構(学士)

応用基礎データサイエンス・AI第二

開講元: データサイエンス・AI全学教育機構(学士)
担当教員: 宮﨑慧 / 新田克己 / 富井規雄 / 奥村圭司 / 佐久間淳 / 小野功 / 三宅美博
授業形態: 講義/演習 (ハイフレックス型)
メディア利用科目: -
曜日・時限 (講義室): 水7-8 (W2-401(W241), W2-402(W242))
クラス: -
科目コード: DSA.B202
単位数: 0.50.50
開講時期: 2025年度
開講クォーター: 2Q
シラバス更新日: 2025年3月19日
使用言語: 日本語

シラバス

授業の目的（ねらい）、概要

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ズム、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

母集団、推測統計、推定、検定、教師なし学習、教師あり学習、強化学習、DNN、CNN、RNN、深層生成モデル、VAE、GAN、トランスフォーマ、認識、予測

学生が身につける力

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)

授業の進め方

授業内容の理解度を確認するため毎回課題演習を課す。

授業計画・課題

	授業計画	課題
第1回	数理統計の基礎1	データサイエンスの基本である統計解析の基礎理論を学び、具体的な例題を通して統計的推定手法を理解する
第2回	数理統計の基礎2	統計的推定に続いて仮説検定の基礎理論を学び、具体的な例題を通して仮説検定手法を理解する
第3回	機械学習1	AIの基盤技術の一つである機械学習手法の基礎を学び、具体的な例題を通して教師なし学習手法を理解する
第4回	機械学習2	前回に引き続き機械学習手法の基礎を学び、教師あり学習（回帰・分類）、交差検証、正則化などの手法を理解する
第5回	ニューラルネットワークと深層学習1	パーセプトロン、多層パーセプトロン、バックプロパゲーションなど、人工神経回路網とその学習手法の基礎を学び、具体的な例題を通して手法を理解する
第6回	ニューラルネットワークと深層学習2	深層学習の理論を学び、DNN、CNN、RNNなど各種ニューラルネットワークの構成と動作を理解する
第7回	機械学習・深層学習・AI応用	深層学習を利用したAI技術応用の事例紹介を通して、社会におけるAI技術の役割を理解する

準備学修(事前学修・復習)等についての指示

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。講義資料と演習資料を配布する。

参考書、講義資料等

講義資料と演習資料は事前にScience Tokyo LMSに掲載する。

成績評価の方法及び基準

各回の課題演習と期末レポートを総合して評価する。

履修の条件・注意事項

微分積分学第一・第二、線形代数学第一・第二、コンピュータサイエンス第一、応用基礎データサイエンス・AI第一の学修内容相当の素養を修得していることを前提とする。

連絡先 (メール、電話番号) ※”[at]”を”@”(半角)に変換してください。

宮﨑慧 (lecture_ba_2025[at]dsai.isct.ac.jp)

オフィスアワー

講義直後に担当教員とTAが対面またはzoomで質問を受け付ける。講義後はメールで質問すること。

その他

理工系学生は対面型、医歯学系学生はzoomを用いてライブ型で行う。