数理・データサイエンス・ＡＩ教育プログラムとは？
30年以上続いている情報化の時代はいま激しく進化しています。コンピュータとネットワークの性能がある閾値を超えたため、膨大なデータを処理できるようになり、統計の精度が上がりました。人工知能（ＡＩ）も同様に、人間の思考方法を模倣するのではなく、情報の確率的接続をもとに言語や画像・映像を操るようになっています。このプログラムは、変革期において社会に大きな影響を与える統計数理の考え方と技術動向の概要を的確に捉えます。
本プログラムを通して身につけられる力
実施科目と学習内容
| 基本的要素 | 学修項目 | キーワード（知識、スキル） | 授業科目名 | 該当授業回 |
|---|---|---|---|---|
| Ⅰ.データ表現とアルゴリズム | 数学基礎 | 代表値、分散、標準偏差、相関関数、相関関係と因果関係、名義尺度など | 統計学Ⅰ | １，６，７，８ |
| 条件付き確率、正規分布、ベイズの定理 | AI概論 | ８，９ | ||
| ベクトルと行列、ベクトルの演算、ベクトルの和とスカラー倍、内積、行列の演算、行列の和とスカラー倍、行列の積、逆行列、多項式関数、指数関数、対数関数、関数の傾きと微分の関係 | AI概論 | ３，４，８ | ||
| アルゴリズム | 並び替え（ソート）、探索（サーチ） | プログラミング演習Ⅰ | 11，13，14 | |
| データ表現 | コンピュータで扱うデータ、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、画素（ピクセル）、色の3要素（RGB）、標本化、量子化 | AI入門 | ３，９ | |
| データ加工 | 集計処理、四則演算処理、ソート処理、サンプリング処理、クレンジング処理 | データサイエンス基礎演習 | 3 | |
| プログラミング基礎 | 文字型、整数型、浮動小数点型、変数、代入、四則演算、論理演算、関数、引数、戻り値、分岐、反復の構造をもつプログラムの作成 | プログラミング演習Ⅰ | ２～６，８ | |
| Ⅱ.ＡＩ・データサイエンス基礎 | データ駆動型社会とデータサイエンス | データ駆動社会、Sotiety5.0 | AI入門 | 3 |
| データサイエンス活用事例 | データサイエンス基礎演習 | 8 | ||
| 分析設計 | データ分析の進め方、仮説検証サイクル | データサイエンス基礎演習 | 1 | |
| データ分析 | 単回帰分析、重回帰分析、最小二乗法 | データサイエンス基礎演習 | 5 | |
| データ可視化 | 可視化目的に応じた図表化、1～3次元の図表化 | データサイエンス基礎演習 | 4 | |
| ビッグデータとデータエンジニアリング | ICTの進展、ビッグデータ、ビッグデータ活用事例、ログデータ、ソーシャルメディアデータ | AI入門 | ３，４ | |
| ビッグデータの収集と集積、クラウドサービス | データサイエンス基礎演習 | 15 | ||
| AI の歴史と応用分野 | AIの歴史、推論、探索、トイプロブレム、エキスパートシステム、汎用AI/特化型AI、フレーム問題、シンボルグラウンディング問題、AI技術の活用領域の広がり | AI入門 | 1，２，５ | |
| AI と社会 | 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、AIと知的財産権 | AI入門 | 14，15 | |
| 機械学習の基礎と展望 | 実世界で進む機械学習の応用と発展、機械学習、教師あり学習、教師なし学習、強化学習、学習データと検証データ、過学習 | AI入門 | ５，6 | |
| 深層学習の基礎と展望 | 実世界で進む深層学習の応用と革新、画像認識、ニューラルネットワークの原理、ディープニューラルネットワーク（DNN） | AI入門 | ５，７，８，９ | |
| AI の構築と運用 | AIの学習と推論、評価、再学習 | AI入門 | 13 | |
| Ⅲ.ＡＩ・データサイエンス実践 | AI・データサイエンス実践（演習や課題解決型学習）＜データ・AI 活用 企画・実践・評価＞ | 機械学習技術の実装演習 | AI演習 | 1～15 |
