シラバス参照

科目名 教養特設科目B(データサイエンス・AI入門) 
担当者氏名

大津 史子

勝浦 正樹

兒島 孝明

齊藤 公明

庄村 勇人

杉浦 伸

鳥居 弘志

新美 潤一郎

西尾 由里

野崎 佑典

原田 知佳

坂野 秀樹

藤原 康弘

堀田 一弘

松本 俊太

山田 宗男

山本 修身

米澤 弘毅

前田 智彦

全開講対象学科 法学部法学科
年次 1年次 
クラス  
講義学期 前期 
単位数
必選区分 選択科目 
学期・曜日・時限  
部門 教養教育部門-基礎教育科目 
備考  



準備学習・事後学習
・本授業の授業計画に沿って,準備学習と復習を⾏うこと.
・準備学習として,各回の授業計画で指定したテキストの該当部分や内容に関するWebでの情報を,事前に1時間程度かけて,目を通しておくこと.
・事後学習としては,3時間程度かけて,課題として出された練習問題を解くとともに,テキストの該当部分を再度読みながら,動画で解説した演習問題を復習すること. 
課題・定期試験に対するフィードバック
・課題や小テストについては,授業内で継続的に解説,質問対応等を行う.
・質問等については,WebClassのメッセージにて行うこと. 
履修上の留意
・開講形態は,WebClassによるオンデマンド方式の遠隔講義である.
・講義動画/資料を視聴しながら講義内容を学習した上で,練習問題・課題など解くことによって,理解の定着に務めること.
・毎回の小テストは,講義内容の理解度を確認するもので,成績評価に大きく関係しますので,慎重に回答すること.
・高度な高校数学の知識は前提としないが,ごく基本的な計算やグラフの作成を行う.また,自分でPCを利用しながら,実際の計算問題などにチャレンジすること. 
授業の概要と目的
近年注目を集めているデータサイエンスと AI が,社会においてどのような位置づけにあり,様々な分野でどのように活用されているのかを学習した上で(導入),データサイエンスの初歩的な手法をマスターするとともに(基礎),データサイエンスや AI を活用する際の様々な留意事項を身に着けていくことを目的とする.ほぼ毎回の講義で,理解度の確認(練習問題)を行う.こうした学習を通じて,経済・社会における様々な問題を分析し,その本質を理解し,解決できる能力を培うことを目的とする. 
アクティブ・ラーニング
特になし 
該当するCP(カリキュラム・ポリシー)およびDP(ディプロマ・ポリシー)
本授業と学部/学科における CP および DP との関連は,以下の通りである.
【法学部】 CP1,DP3
【経営学部】 CP2,DP2
【経済学部】 CP2,CP3,DP2
【理工学部】
・数学科:CP1,CP4,DP2
・電気電子工学科:CP2,CP4,DP2
・材料機能工学科:CP1,CP4,DP2
・応用化学科:CP1,CP4,DP1
・機械工学科:CP1,CP4,DP2
・交通機械工学科:CP1,CP4,DP2
・メカトロニクス工学科:CP1,CP4,DP2
・社会基盤デザイン工学科:CP1,CP4,DP2
・環境創造工学科:CP1,CP4,DP2
・建築学科:CP1,CP4,DP1
【農学部】 CP2,DP2
【薬学部】 CP1,DP1
【都市情報学部】 CP1,DP1
【人間学部】 CP1,DP1
【外国語学部】 CP1,DP1 
実務経験と授業内容の関係
特になし 
科目ナンバリングコード
【法学部】法学科:LL10021【経営学部】経営学科:BB11402,国際経営学科:BI11502【経済学部】経済学科:EE11206,産業社会学科:EI11207【理工学部】 ・数学科:SS11029・電気電子工学科:TE21005・材料機能工学科:TZ31001・応用化学科:TO11025・機械工学科:TM11025・交通機械工学科:TT11025・メカトロニクス工学科:TR11025・社会基盤デザイン工学科:TC11025・環境創造工学科:TK11029・建築学科:TA11025【農学部】生物資源学科:AA11111,応用生物化学科:AB11106,生物環境科学科:AE11109 【薬学部】薬学科:PP10104【都市情報学部】都市情報学科:UU10405【人間学部】人間学科:HH10604【外国語学部】国際英語学科:FE10204 
サブタイトル
現代社会におけるデータサイエンス・AIの活用とデータ思考の涵養 
到達目標
1. データサイエンスや AI が注目されるようになった社会背景と,様々な分野での活用事例を理解し,説明できるようになる.
2. データサイエンスの基本的な分析手法を身に着け,データ解析の結果を分析目的に即して解釈できるようになる.
3. データサイエンスや AI に関する倫理的・法的な心得を理解する. 
授業計画
【項目欄】 【内容欄】
1. 【講義ガイダンス】
・本講義の進め方と注意事項(山田 宗男:情報工)
・数理データサイエンスの必要性(池上 彰)
・準備学習(エクセル活用法)(山田 宗男:情報工)
・AI って何?,何ができる?(山田 宗男:情報工) 
講義の目的と到達目標,受講方法等を理解する. 
2. 【社会で起きている変化】
・経営学・マーケティングの観点から(新美 潤一郎:経営)
・ビッグデータ(山本 修身:情報工)
・データサイエンティストの役割(齊藤 公明:理工) 
データサイエンスやAIとはどういう分野なのか、なぜ社会の関⼼を集めているのかなど,社会で起きている変化を知り,データサイエンスやAIを学ぶことの意義を理解することを⽬標とする.事前に教科書1-13ページを読み,講義後には指示した課題を解くこと.

キーワード:Society 5.0,第4次産業革命,データ駆動型社会,AIと労働 
3. 【活用事例1(社会科学分野)】
・経営学・マーケティングの事例から(新美 潤一郎:経営)
・社会科学(経済学)における活用事例(勝浦 正樹:経済)
・都市分析の視点からの活用事例(杉浦 伸:都市情報) 
経営学,経済学,地域分析などの分野において,データサイエンスやAIがどのように利活用されているのか,それぞれの分野での実際の活用事例を学習する.事前に教科書95-99ページを読み,講義後には指示した課題を解くこと.

キーワード:マーケティング,ファイナンス,マクロ経済モデル,都市計画,RESAS 
4. 【活用事例2(法・人文学分野)】
・法律学・政治学におけるデータサイエンスの応用(前田 智彦:法)
・心理学における活用事例(原田 知佳:人間)
・言語分析における AI・データサイエンスの活用(西尾 由里,藤原 康弘:外国語) 
法学・政治学,心理学,教育,文学などの分野において,分野において,データサイエンスやAIがどのように利活用されているのか,それぞれの分野での実際の活用事例を学習する.
事前・事後学習:関連する教科書1-34ページを事前に読んで授業に臨むこと.担当教員から指示した講義前・後の課題を確認し取り組んだ上で,小テストを受験すること.

キーワード:世論調査,実態調査,心理データ解析,ビッグデータ,SNSデータの分析,言語データ分析,コーパス,自動音声認識,自動翻訳 
5. 【活用事例3(理工学分野)】
・画像認識での活用事例(堀田一弘:理工)
・音声処理での活用事例(坂野 秀樹:情報工)
・SNS データ/ソーシャルデータ/シミュレーション(米澤 弘毅:情報工) 
理学,工学,情報工学などの分野において,データサイエンスやAIがどのように利活用されているのか,それぞれの分野での実際の活用事例を学習する.事前に教科書197-206ページを読み,講義後には指示した課題を解くこと.

キーワード:画像処理,音声処理,SNSデータの分析,ソーシャルビッグデータ,シミュレーション 
6. 【活用事例4(生命科学,薬学分野)】
・ゲノム解析・遺伝子工学(兒島 孝明:農)
・薬学分野の活用事例1(大津 史子:薬)
・薬学分野の活用事例2(大津 史子:薬) 
生命科学,薬学,医学などの分野において,データサイエンスや AI がどのように利活用されているのか,それぞれの分野での実際の活用事例を学習する.事前に教科書206-216ページを読み,講義後には指示した課題を解くこと.

キーワード:ゲノム解析,遺伝子工学,ランダム化比較実験,医薬品開発,医療ビッグデータ・レセプトデータ 
7. 【データを可視化する】
・データの可視化(勝浦 正樹:経済)
・データとデータセットの種類(勝浦 正樹:経済)
・適切なグラフの使い方(勝浦 正樹:経済) 
データを可視化する様々な手法と可視化されたグラフの読み方を学び,起きている事象の背景や意味合いを理解する.グラフにはさまざまな種類があり,それぞれの特徴やどのような場合に使用するかについて学び,適切な可視化方法を選択して他者に説明できることを目標とする.事前に教科書44-46, 75-80ページを読み,講義後には指示した課題を解くこと.

キーワード:時系列データ,横断面データ,いろいろなグラフ,関係の可視化、地図上の可視化 
8. 【度数分布,ヒストグラム,分割表】
・データの種類とクロス集計(勝浦 正樹:経済)
・度数分布表とヒストグラム(勝浦 正樹:経済)
・ローレンツ曲線とジニ係数(勝浦 正樹:経済) 
量的データと質的データなどの違いを踏まえた上で,質的データをクロス集計表に,量的データの度数分布表に集計する方法を説明し,そこから何を読み取ることができるのかを身に着ける.さらに,ローレンツ曲線とジニ係数による所得格差の分析方法を説明し,実際のデータに応用できるようにする.事前に教科書44-49,81-82,117-120ページを読み,講義後には指示した課題を解くこと.

キーワード:データの種類,クロス集計,度数分布,ヒストグラム,分割表,ローレンツ曲線とジニ係数 
9. 【代表値,散らばり】
・データの代表値:平均値,中央値,最頻値(勝浦 正樹:経済)
・散らばりの尺度:分散・標準偏差,変動係数(勝浦 正樹:経済)
・箱ひげ図の描き方と解釈(勝浦 正樹:経済) 
データの代表値としての平均値,中央値,最頻値の算出方法や特性と,それらの代表値の関係を理解する.さらに,散らばりの尺度としての分散・標準偏差,変動係数などについて学習し,それらが実際のデータでどのように利用されているのかを説明する.また,四分位数・四分位範囲を提示した上で,データの可視化の方法として,箱ひげ図の作成方法と解釈について学習する.事前に教科書50-56,114-117,121ページを読み,講義後には指示した課題を解くこと.

キーワード:平均値,中央値,最頻値,分散・標準偏差,四分位範囲,外れ値,箱ひげ図 
10. 【相関と回帰】
・2変量の関係と相関(鳥居 弘志:経営)
・単回帰分析(鳥居 弘志:経営)
・重回帰分析(鳥居 弘志:経営) 
2変量の関係の把握の必要性について例示し,その分析方法として,散布図,相関係数,回帰直線について説明した上で,より一般的な重回帰分析について説明する.さらに,相関関係と因果関係の違いについても例示する.事前に教科書56-71,82-87,121-126ページを読み,講義後には指示した課題を解くこと.

キーワード:相関係数,最小2乗法,回帰直線,残差,決定係数,重回帰分析,相関関係と因果関係 
11. 【母集団と標本,推定・検定の考え方】
・母集団と標本,統計的推定(鳥居 弘志:経営)
・仮説検定1(鳥居 弘志:経営)
・仮説検定2(鳥居 弘志:経営) 
母集団と標本の考え方を理解した上で,データを収集する際の標本抽出について学習する.さらに,統計的推定や仮説検定の考え方の基礎を学び,区間推定と仮説検定の活用事例を通して具体的な計算方法を学習する.事前に教科書73-75ページを読み,講義後には指示した課題を解くこと.

キーワード:ランダムサンプリング,信頼区間,仮説検定,帰無仮説と対立仮説,第1種・第2種の過誤,有意水準 
12. 【R の使い方】
・R の使い方 (1) (山本 修身:情報工)
・R の使い方 (2)・(3) (米澤 弘毅:情報工) 
統計解析ソフトであるRの基本的な操作方法を学習し,Rのコマンドを使って,簡単なデータ分析ができることを目標とする.Rのインストールの方法,データの読み込み,度数分布やヒストグラムの作成,基本統計量の計算,回帰分析などについて例示し,自分のPCを用いて実際にRによる計算ができることを目標とする.事前に教科書の4.2節(pp. 126-143)を読み,講義後には指示した課題を解くこと.

キーワード:R,データファイル,関数の使い方 
13. 【データ利活⽤における留意事項】
・留意事項全般の話(松本 俊太:法)
・研究倫理(松本 俊太:法)
・個人情報・プライバシー保護・著作権保護(庄村 勇人:法) 
データを利用する際の様々な留意事項について学ぶ.まず,データサイエンスができることとできないこと,および,研究を行う際に留意すべきELSIという考え方を学ぶ.つづいて,その一部である,研究倫理の問題と,データの利活用に関連する法律やルール(個人情報保護・著作権など)について理解する.事前に教科書14-21,23-25ページを読み,講義後には指示した課題を解くこと.

キーワード:演繹法・帰納法・ELSI・研究倫理・プライバシー権・個人情報保護法・著作権法 
14. 【データサイエンス・AI 利活⽤における留意事項】
・データサイエンス・AI 利活⽤における留意事項(前田 智彦:法)
・ビッグデータ・AI の利活用状況が生み出す問題(情報学・工学の観点から)(野崎 佑典:情報工)
・データの保護(情報セキュリティ)(野崎 佑典:情報工) 
データ,とくにビッグデータやAIの利活用が社会で広まっていることによって起こっている諸問題について知る.法的・倫理的な観点からは,プライバシー保護や差別といった人権の問題など,情報学・工学の観点からは,ビッグデータやAIの濫用・誤用や情報セキュリティについて学ぶ.事前に教科書21-23,26-30ページを読み,講義後には指示した課題を解くこと.

キーワード:データバイアス・AIの透明性と説明可能性・AIと差別・情報漏洩・暗号化技術 
15. 【講義全体の総括,振り返り】
勝浦 正樹(経済)、山田 宗男(情報工) 
講義全体を振り返るとともに,AI活用の最新事例に触れて,AI活用人材になるために必要な知識・スキルについて考察する.また,発展的な学習についての方向づけを行う. 
テキスト
【書籍名】 【著者】 【出版社】
1. データサイエンス入門 第2版  竹村 彰通,姫野 哲人 ほか  学術図書出版社 
参考文献
【書籍名】 【著者】 【出版社】
1. 教養としてのデータサイエンス  北川 源四郎,竹村 彰通 ほか  講談社 
2. 基礎から学ぶデータサイエンス講座: スグにできて、ビジネスに利く  坂本 松昭  同友館 
3. AIリテラシーの教科書  浅岡伴夫,松田雄馬 ほか  東京電機大学出版局 
4. エクセルで学習するデータサイエンスの基礎  岡田朋子  近代科学社 
5. おとなの教養3: 私たちは、どんな未来を生きるのか?  池上彰  NHK出版新書 
授業方法の形式
講義/演習/自習課題 
授業の実施方法
遠隔講義(WebClassによるオンデマンド方式) 
成績評価方法
・小テスト 40 %,定期試験 60 %で評価する.
・小テスト,定期試験は何れも,WebClass でのオンライン試験とする.
・ただし,出席回数が3分の2に満たない場合は欠格とする. 
成績評価基準
C(合格)となるためには、到達目標を最低限達成することが必要である。 
受講生へのメッセージ
「データ」の急速な利⽤拡⼤にともない、データサイエンスの分野が急速に拡⼤しており、この影響は、⽂系・理系を問いません。データの利活⽤に関する最低限の理解は、基本的な教養になっています。この講義を履修すると、データサイエンスの基本的な事項を修得したことになります。この講義を通じて、世の中のデータの利活⽤の事例を知るだけでなく、データに関する基本的な理解を深めて下さい 
参考URL
1. データサイエンス・スクール 総務省統計局によるデータの活用方法や統計に関する知識をいつでも学べる学習サイト 
2. 社会人のためのデータサイエンス入門 総務省統計局によるデータサイエンスに関するオンライン講座 
画像
ファイル
更新日時 2024/03/11 10:33


PAGE TOP