熊本大学理学部
数理・データサイエンス・AI教育プログラム
プログラム概要
近年、多種多様なビッグデータが学術分野・実社会を問わず生み出され、ビッグデータを扱うための素養が求められています。 熊本大学の教育プログラムには数理・データサイエンス・AI教育プログラム（リテラシーレベル）があり、所定の科目を修得すると 「数理・データサイエンス・AI教育プログラム（リテラシーレベル）」修了の認定がなされています （詳しくはこちら）。
本プログラムでは「リテラシーレベル」からさらに進んだ「応用基礎レベル」として、データサイエンス基礎、 データエンジニアリング基礎、AI基礎について学びます。特に理学系の各分野での具体的な実用例を用いながら学びます。
身につけることのできる能力
科目構成と修了要件
必修科目
本プログラムには必修科目として以下の2科目があります。
- データサイエンス I (3・4年生向け、前期2単位)
- データサイエンス II (3・4年生向け、後期2単位)
データサイエンスI では、物理学、化学、地球環境科学、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基礎について学びます。 データサイエンスII では、データサイエンスIで学修した具体的なデータ解析、AIに対する数理的理論の基礎について解説します。
必修科目2科目を履修し、単位を修得すると【理学部数理・データサイエンス・AIプログラム】を修了したと認定されます。
選択科目
本プログラムには必修科目の他、数理・データサイエンス・AIの基礎知識を深め、数学・プログラミングの基礎を修得するための選択科目があります。
- 微分積分 I・II (1年生向け・前/後期)
- 線形代数 I・II (1年生向け・前/後期)
- 統計学 I・II (2年生向け・前/後期)
- 数理科学特別講義C (2年生向け・第4ターム)
実施体制
プログラムの運営責任者
理学部長
プログラムの改善・進化
理学部数理・データサイエンス・AI教育プログラムWG
プログラムの自己点検・評価
理学部アセスメント委員会
自己点検結果
近日公開予定
モデルカリキュラムとの対応
数理・データサイエンス・AI教育強化拠点コンソーシアムにおいて、応用基礎レベルの教育の基本的考え方、 学修目標・スキルセット、教育方法等が検討され、 応用基礎レベルのモデルカリキュラムとして 取りまとめられています。本プログラムの内容と 「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～AI×データ活用の実践～」2024年2月22日改訂版 との対応関係は下記の通りです。
(1) 数学基礎、アルゴリズム、データ表現、プログラミング基礎
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. データサイエンス基礎
1-6. 数学基礎
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| 条件付き確率 | 「データサイエンスII」(3回目) 「統計学I」（7、8回目） |
| 代表値（平均値、中央値） | 「データサイエンスI」(1、2回目) |
| 分散、標準偏差 | 「統計学I」（9、10回目） 「統計学II」（1、2回目） 「データサイエンスI」（2回目） |
| 相関係数 | 「統計学I」（9、10回目） 「統計学II」（1、2回目） |
| 確率分布、正規分布、 独立同一分布 |
「データサイエンスI」(7～10回目) 「データサイエンスII」(3、7回目) 「統計学I」(2回目～8回目) |
| ベイズの定理 | 「データサイエンスII」（1、2、7回目） 「統計学I」（7回目、8回目） 「データサイエンスI」(1回目) |
| 点推定と区間推定 | 「統計学II」（5回目～7回目） |
| 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 |
「統計学II」（8回目～13回目） |
| ベクトルと行列 | 「データサイエンスII」（3回目） 「線形代数I」(1～3回目) |
| ベクトルの演算、ベクトルの和と スカラー倍、内積 |
「データサイエンスII」(3回目) 「線形代数I」（1～3回目） 「データサイエンスI」（2回目） |
| 行列の演算、行列の和とスカラー倍、 行列の積 |
「データサイエンスII」(3回目) 「線形代数I」（1～3回目） 「データサイエンスI」（2回目） |
| 逆行列 | 「データサイエンスII」(3回目) 「線形代数I」(8回目) |
| 固有値と固有ベクトル | 「データサイエンスII」(3回目) |
| 多項式関数、指数関数、 対数関数 |
「微分積分I」（2回目） |
| 関数の傾きと微分の関係、 積分と面積の関係 |
「微分積分I」（3、8回目） |
| １変数関数の微分法、 積分法 |
「微分積分I」（3～15回目） |
| ２変数関数の微分法、 積分法 |
「データサイエンスII」(3回目) 「微分積分II」（1～15回目） |
1-7. アルゴリズム
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| アルゴリズムの表現 （フローチャート） |
「データサイエンスII」（11回目） |
| 並び替え（ソート）、 探索（サーチ） |
「データサイエンスII」（11回目） |
| 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 |
「データサイエンスII」（11回目） |
| 探索アルゴリズム、 リスト探索、木探索 |
「データサイエンスII」（11回目） |
2. データエンジニアリング基礎
2-2. データ表現
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| コンピュータで扱うデータ （数値、文章、画像、 音声、動画など） |
「データサイエンスI」（7～15回目） |
| 構造化データ、非構造化データ | 「データサイエンスI」（14、15回目） |
| 情報量の単位（ビット、バイト） 二進数、文字コード |
「データサイエンスI」（1回目） |
| 配列 | 「データサイエンスI」（2回目） |
| 木構造（ツリー） | 「データサイエンスI」（1、14、15回目） 「データサイエンスII」（1、2回目） |
2-7. プログラミング基礎
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| 変数、代入、四則演算、論理演算 | 「データサイエンスI」(2、12回目) |
| 配列、関数、引数、戻り値 | 「データサイエンスI」(2、12回目) |
| 順次、分岐、反復の構造を持つ プログラムの作成 |
「データサイエンスI」(2回目) |
(2) データサイエンス基礎、機械学習・深層学習の基礎と展望、AI基礎
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. データサイエンス基礎
1-1. データ駆動型社会とデータサイエンス
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| データ駆動型社会、Society 5.0 | 「データサイエンスI」（1回目） |
| 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） |
「データサイエンスI」（1回目） |
1-2. 分析設計
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| データ分析の進め方、仮説検証サイクル | 「データサイエンスI」（1、14、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） |
「データサイエンスI」（1、3～15回目） 「データサイエンスII」（1、2、4～7回目） |
| 様々なデータ可視化手法 （比較、構成、分布、変化など） |
「データサイエンスI」（1、7～15回目） 「データサイエンスII」（1、2回目） |
| データの収集、加工、分割/統合 | 「データサイエンスI」（7～10、12～15回目） |
2. データエンジニアリング基礎
2-1. ビッグデータとデータエンジニアリング
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| ICT（情報通信技術）の進展、 ビッグデータ |
「データサイエンスI」（1回目） |
| ビッグデータ活用事例 | 「データサイエンスI」（1回目） |
| ソーシャルメディアデータ | 「データサイエンスI」（1回目） |
3. AI基礎
3-1. AIの歴史と応用分野
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| 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） |
「データサイエンスI」（1、14、15回目） 「データサイエンスII」（8回目） |
| AI技術の活用領域と広がり （流通、製造、金融、インフラ、 公共、ヘルスケアなど） |
「データサイエンスI」（1、3、4回目） |
| 機械学習ライブラリ | 「データサイエンスI」（2回目） |
3-2. AIと社会
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| AI倫理、AIの社会的受容性 | 「データサイエンスII」（1、2回目） |
| プライバシー保護、個人情報の取り扱い | 「データサイエンスII」（1、2回目） |
| AIに関する原則/ガイドライン | 「データサイエンスII」（1、2回目） |
| AIの公平性、AIの信頼性、 AIの説明可能性 |
「データサイエンスII」（1、2回目） |
3-3. 機械学習の基礎と展望
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| 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） |
「データサイエンスI」（1回目） |
| 機械学習、教師あり学習、 教師なし学習、強化学習 |
「データサイエンスI」（1回目） 「データサイエンスII」 |
| 学習データと検証データ | 「データサイエンスII」（1、2回目） |
| ホールドアウト法、交差検証法 | 「データサイエンスII」（8回目） |
| 過学習、バイアス | 「データサイエンスI」（5、6回目） 「データサイエンスII」（1、2、8、14回目） |
3-4. 深層学習の基礎と展望
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| 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） |
「データサイエンスI」 |
| ニューラルネットワークの原理 | 「データサイエンスI」（1、5、6回目） 「データサイエンスII」（1、2、12～15回目） |
| ディープニューラルネットワーク（DNN） | 「データサイエンスI」（1回目） 「データサイエンスII」（1、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） |
「データサイエンスI」（5、6回目） |
| 深層学習と線形代数/微分積分との関係性 | 「データサイエンスII」（3、12～15回目） |
3-10. AIの構築・運用
詳細を展開
| キーワード | 対応する講義 |
|---|---|
| AIの開発環境と実行環境 | 「データサイエンスI」（2、11～13回目） |
| AIの社会実装、 ビジネス/業務への組み込み |
「データサイエンスI」（1回目） |
(3) 数理・データサイエンス・AIの活用・実践
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。
本プログラムでは、「データサイエンスI」の講義において、物理学、化学、地球環境科学、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。
2024年度ガイダンス資料はこちら
【問い合わせ先】 〒860-8555 熊本県熊本市中央区黒髪2-39-1 熊本大学理学部
【最終更新日】 2024年4月8日