科目ナンバー

SE-AI1-GC11

履修条件・関連科目等

学部共通科目「AI・データサイエンスと現代社会」を履修済み、あるいは並行して履修することが望ましい。

本科目は100名程度を履修上限とするため、履修希望多数の場合は選抜を行う．ただし，前期履修申告期間に履修希望者は履修登録をする必要がある。履修登録情報から選抜の有無について判断する。
選抜を行う場合は、後期開始前に履修登録者に対して改めて履修希望があるかについて問い合わせる（上記の通り人数制限をするため、履修希望しない場合は他人の履修の機会を奪う可能性があるため）。なお、選抜は前期までのGPAをもとに行い，後期開始前に履修許可・不許可について通知する。
詳しくは前期の履修ガイダンスなどを参照されたい。

授業で使用する言語

日本語

授業で使用する言語（その他の言語）

授業の概要

本科目は理工学部の各専門分野においてAIやデータサイエンスを活用したいと考える学生を対象とした入門的な科目である。

本科目はオンデマンド授業（動画配信型オンライン授業）として、動画によるレクチャー部分と、Pythonによる実習部分とから構成される。

レクチャー部分では、動画及び資料に基づいて、AI・データサイエンスの諸手法の考え方、背後にある数理の概要、そして Python 言語による実装や活用事例を学習する。実習部分では、Google Colaboratory というクラウド上の実行環境を用いて Python 言語による実際のプログラムの実行と結果の考察を行う。

科目目的

自然科学や先端科学技術の諸分野において、人工知能（AI）やデータサイエンスの高度な活用が急速に広がっている。本科目は、AI・データサイエンス時代に理工系学生に求められるリテラシーとして以下の習得を目指す。

・AI・データサイエンスが社会でどのように必要とされ、活用されているかを理解する。
・予測・識別などを行う汎用的な機械学習の諸手法を体験しその意義を理解するとともに、その中で用いられている線形代数・微分積分・確率統計を始めとする数学の重要性を強く意識する。
・画像解析・自然言語処理の体験を通じてその有用性を理解し、それぞれの専門分野における将来的な活用の可能性を認識する。
・オープンソースのPython言語とライブラリ等を活用することにより、AI・データサイエンスの諸手法を容易に実行できることを理解する。

到達目標

到達目標は以下の通りである。
・現代社会におけるAI・データサイエンスの意義を説明できる。
・機械学習・画像解析・自然言語処理を理学・工学にどのように活用しうるかを例を挙げて説明できる。
・Python言語で書かれたプログラムをアレンジして簡単な機械学習・画像解析・自然言語処理を行うことができる。

授業計画と内容

14週の授業の大まかな構成は以下を予定している。

第1回「AI・データサイエンスとPython」：AI・データサイエンスの概要と現代社会での活用、Pythonの実行環境（無料クラウド環境のGoogle Colaboratory）の準備（田口）
第2回「Python の基礎」：基本的な数値計算・変数・関数、numpyパッケージによる配列とベクトル・行列演算（田口）
第3回「Python によるデータ分析と可視化」：pandasパッケージ、matplotlibパッケージによるデータ分析、グラフ作成（田口）
第4回「Python と機械学習1：予測（回帰）」：機械学習の概要、教師あり学習・教師なし学習、scikit-learn パッケージによる機械学習、単回帰モデル・重回帰モデルの概要と実行（生田目）
第5回「Python と機械学習2：識別（分類）」：ロジスティック回帰・決定木の概要と実行（生田目）
第6回「Python と機械学習3：教師なし学習」：クラスタリングや、主成分分析による特徴抽出の概要と実行（生田目）
第7回「ここまでのまとめと総合演習」：構造化データに対する分析のまとめと、複数の分析の組合せなど総合演習（生田目）
第8回「Pythonと画像解析1」：画像処理・画像解析とデータサイエンスの概要、OpenCV による画像処理の基礎（大野）
第9回「Pythonと画像解析2」：色の処理、フィルタ処理、画像合成（大野）
第10回「Pythonと画像解析3」：物体検出（大野）
第11回「Pythonと自然言語処理1」：自然言語処理の概要、Pythonによる自然言語処理の基礎（難波）
第12回「Pythonと自然言語処理2」：深層学習による自然言語処理（難波）
第13回「Pythonと自然言語処理3」：深層学習によるテキスト分析（難波）
第14回「まとめと発展」：機械学習の発展と深層学習、強化学習（生田目）

授業時間外の学修の内容

授業終了後の課題提出

授業時間外の学修の内容（その他の内容等）

本科目は大きく４つのパートにわかれ、最初の１パート（AI・データサイエンスとPythonの基礎）以外の３パート（機械学習、画像解析、自然言語処理）についてはそれぞれ１回ずつのレポート課題が課される。その実行と結果の解釈には、Pythonの基礎とそのパートの内容の理解が問われるため、授業時間外のレクチャーの復習と、うまくプログラムを実行できるまでの繰り返しの実習が必要である。

授業時間外の学修に必要な時間数／週

・毎週１回の授業が半期（前期または後期）または通年で完結するもの。１週間あたり４時間の学修を基本とします。
・毎週２回の授業が半期（前期または後期）で完結するもの。１週間あたり８時間の学修を基本とします。

成績評価の方法・基準

成績評価の方法・基準（備考）

課題や試験のフィードバック方法

授業時間に限らず、manabaでフィードバックを行う

課題や試験のフィードバック方法（その他の内容等）

アクティブ・ラーニングの実施内容

実習、フィールドワーク

アクティブ・ラーニングの実施内容（その他の内容等）

授業におけるICTの活用方法

その他

授業におけるICTの活用方法（その他の内容等）

各自のPC等を活用しての授業を行う。

実務経験のある教員による授業

いいえ

【実務経験有の場合】実務経験の内容

【実務経験有の場合】実務経験に関連する授業内容

テキスト・参考文献等

適宜資料を配布する。

その他特記事項

参考URL