授業に含まれている内容・要素 | 講義内容 |
(1)データサイエンスとして、統計学を始め様々なデータ処理
に関する知識である「数学基礎(統計数理、線形代数、微分積分)」に加え、
AIを実現するための手段として「アルゴリズム」、「データ表現」、
「プログラミング基礎」の概念や知識の習得を目指す。
|
1-6 |
- 条件付き確率
- 「数理科学特別講義B」(3回目)
- 「統計学I」(7回目、8回目)
- 代表値(平均値、中央値)
-
分散、標準偏差
- 「統計学I」(9回目、10回目)
- 「統計学II」(1回目、2回目)
- 「数理科学特別講義A」(2回目)
- 相関係数
- 「統計学I」(9回目、10回目)
- 「統計学II」(1回目、2回目)
- 確率分布、正規分布、独立同一分布
- 「数理科学特別講義A」(7回目~10回目)
- 「数理科学特別講義B」(3回目、7回目)
- 「統計学I」(2回目~8回目)
- ベイズの定理
- 「数理科学特別講義B」(1回目、2回目、7回目)
- 「統計学I」(7回目、8回目)
- 「数理科学特別講義A」(1回目)
- 点推定と区間推定
- 帰無仮説と対立仮説、片側検定と両側検定、
第1種の過誤、第2種の過誤、p値、有意水準
- ベクトルと行列
- 「数理科学特別講義B」(3回目)
- 「線形代数I」(1回目~3回目)
- ベクトルの演算、ベクトルの和とスカラー倍、内積
- 「数理科学特別講義B」(3回目)
- 「線形代数I」(1回目~3回目)
- 「数理科学特別講義A」(2回目)
- 行列の演算、行列の和とスカラー倍、行列の積
- 「数理科学特別講義B」(3回目)
- 「線形代数I」(1回目~3回目)
- 「数理科学特別講義A」(2回目)
- 逆行列
- 「数理科学特別講義B」(3回目)
- 「線形代数I」(8回目)
- 固有値と固有ベクトル
- 多項式関数、指数関数、対数関数
- 関数の傾きと微分の関係、積分と面積の関係
- 1変数関数の微分法、積分法
- 2変数関数の微分法、積分法
- 「数理科学特別講義B」(3回目)
- 「微分積分II」(1回目~15回目)
|
1-7 |
- アルゴリズムの表現(フローチャート)
- 並び替え(ソート)、探索(サーチ)
- ソートアルゴリズム、バブルソート、
選択ソート、挿⼊ソート
- 探索アルゴリズム、リスト探索、木探索
|
2-2 |
- コンピュータで扱うデータ
(数値、文章、画像、音声、動画など)
- 構造化データ、非構造化データ
- 情報量の単位(ビット、バイト)
二進数、文字コード
- 配列
- 木構造(ツリー)
- 「数理科学特別講義A」(1回目、14回目~15回目)
- 「数理科学特別講義B」(1回目、2回目)
|
2-7 |
- 変数、代入、四則演算、論理演算
- 関数、引数、戻り値
- 順次、分岐、反復の構造を持つプログラムの作成
|
(2)AIの歴史から多岐に渡る技術種類や応用分野、更には研究や
ビジネスの現場において実際にAIを活用する際の構築から運用までの
一連の流れを知識として習得するAI基礎的なものに加え、
「データサイエンス基礎」、「機械学習の基礎と展望」、及び
「深層学習の基礎と展望」から構成される。
|
1-1
|
- データ駆動型社会、Society 5.0
- データサイエンス活用事例
(仮説検証、知識発見、原因究明、計画策定、
判断支援、活動代替など)
|
1-2
|
- データ分析の進め方、仮説検証サイクル
- 「数理科学特別講義A」(1回目、14回目~15回目)
- 様々なデータ分析手法(回帰、分類、クラスタリングなど)
- 「数理科学特別講義A」(1回目、3回目~15回目)
- 「数理科学特別講義B」(1回目、2回目、4回目~7回目)
- 様々なデータ可視化手法(比較、構成、分布、変化など)
- 「数理科学特別講義A」(1回目、7回目~15回目)
- 「数理科学特別講義B」(1回目、2回目)
- データの収集、加工、分割/統合
- 「数理科学特別講義A」(7回目~10回目、14回目~15回目)
|
2-1 |
- ICT(情報通信技術)の進展、ビッグデータ
- ビッグデータ活用事例
- 「数理科学特別講義A」
(1回目、3回目~4回目、7回目~10回目)
- ソーシャルメディアデータ
|
3-1 |
- 人間の知的活動とAI技術
(学習、認識、予測・判断、知識・言語、身体・運動)
- 「数理科学特別講義A」(1回目、14回目~15回目)
- 「数理科学特別講義B」(8回目)
- AI技術の活用領域の広がり
(流通、製造、金融、インフラ、公共、ヘルスケアなど)
- 機械学習ライブラリ
|
3-2 |
- AI倫理、AIの社会的受容性
- プライバシー保護、個人情報の取り扱い
- AIに関する原則/ガイドライン
- AIの公平性、AIの信頼性、AIの説明可能性
|
3-3 |
- 実世界で進む機械学習の応用と発展
(需要予測、異常検知、商品推薦など)
- 機械学習、教師あり学習、教師なし学習、強化学習
- 「数理科学特別講義A」(1回目)
- 「数理科学特別講義B」
(1回目、2回目、4回目~10回目、12回目、13回目)
- 学習データと検証データ
- ホールドアウト法、交差検証法
- 過学習、バイアス
- 「数理科学特別講義A」(5回目、6回目)
- 「数理科学特別講義B」(1回目、2回目、8回目、14回目)
|
3-4 |
- 実世界で進む深層学習の応用と革新
(画像認識、自然言語処理、音声生成など)
- 「数理科学特別講義A」
(1回目、7回目~10回目、14回目~15回目)
- ニューラルネットワークの原理
- 「数理科学特別講義A」(1回目、5回目、6回目)
- 「数理科学特別講義B」(1回目、2回目、12回目~15回目)
- ディープニューラルネットワーク(DNN)
- 「数理科学特別講義A」(1回目)
- 「数理科学特別講義B」(1回目、2回目)
- 畳み込みニューラルネットワーク(CNN)
再帰型ニューラルネットワーク(RNN)
- 深層学習と線形代数/微分積分との関係性
- 「数理科学特別講義B」(3回目、12回目~15回目)
|
3-9 |
- AIの開発環境と実行環境
- 「数理科学特別講義A」(2回目、11回目~13回目)
- AIの社会実装、ビジネス/業務への組み込み
|
(3)本認定制度が育成目標として掲げる「データを人や社会にかかわる
課題の解決に活用できる人材」に関する理解や認識の向上に資する実践の場
を通じた学習体験を行う学修項目群。応用基礎コアのなかでも特に重要な
学修項目群であり、「データエンジニアリング基礎」、及び「データ・AI活用
企画・実施・評価」から構成される。
|
I |
該当なし |
II |
-
「数理科学特別講義A」の講義において、物理学、化学、地球科学、
生物学など理学系で用いられるデータサイエンス基礎、およびデータ
エンジニアリング基礎、AI基礎について学ぶ。
【2-1】pythonコードを用意し、化合物ライブラリであるRDKitや
Pubchemなどのデータベースから、線形表記法を用いて分子構造を
抽出したり、用意したデータセットを用いて分子構造と
物性相関について解析を行う。
【3-4】事前に用意した熊本地方気象台の気象データ、他、
アメダスデータにPythonコードを適用し、人工ニューラルネットで
どの程度の系列予測ができるのかを体験として知る。事前に用意した
画像データにPythonコードを適用し、人工ニューラルネットでどの
程度の精度の天気判定ができるかを体験として知る。
【1-2】データに周期性があるかどうかを解析する基本的な
手法として、自己相関関数とフーリエ変換を学ぶ。そして実際の
観測データにこれらを適用することでパルサーを「発見」する。
解析ツールとしては自己相関関数やフーリエ変換の計算をする
pythonコードをあらかじめ用意し、google colaboratory上
で動かしたりいじったりしてもらう。
【3-9】インターネット公開データを利用して,データを収集し,
仮説検証を行い(例えば,地球温暖化は本当に起こっているのかを
公開されている実データから検証など),最後にその内容を
発表させる,といった実践的な演習講義にする.
インターフェス:R (必要に応じてQGIS)
|