政府が示すAI戦略2019では「数理・データサイエンス・AIを専門分野としない学生も含む一定規模の大学・高専生（約25万人／年）が、自らの専門分野への数理・データサイエンス・AIの応用基礎力を習得すること」を目標に掲げています。これは、学生がリテラシーレベルの素養のもとに、DX（デジタルトランスフォーメーション）が進展する現代社会の中で生き抜く力を身につけ、様々な課題に対して数理・データサイエンス・AIを活用できる人材を育成することを目的としています。
本学においてもプログラムを以下のとおり構築し、数理・データサイエンス・AIに関するより実践的な知識、技術およびその活用について体系的な教育を行っています。
このプログラムは、2022年8月24日付けで文部科学省の数理・データサイエンス・AI教育プログラム認定制度（応用基礎レベル）における認定プログラムとなりました。認定有効期限は2027年3月31日までです。関連する書類をここに公表します。
実施体制
- プログラムの運営責任者：数理・データサイエンスセンター長 畠中利治
- プログラムを改善・進化させるための体制：数理・データサイエンスセンター
- プログラムの自己点検・評価を行う体制：教務委員会
プログラム対象科目の開講状況
本学では、文部科学省の数理・データサイエンス・AI教育プログラム認定制度（応用基礎レベル）の要件に準拠した教育プログラムを提供します。現在のプログラムでは、対象となるのは情報学部の学生のみです。
プログラムの対象科目は、2020年度以降の入学生に適用したカリキュラムにより開講しています。
情報学部では、専門教育の講義科目をデータサイエンス、ICT、人間・社会情報学の3つのトラックに分け、学生各自の興味に合わせて履修ができるカリキュラムを組んでいますが、トラックの選択制度やそれによって選択できる科目が限定される仕組みは設けていません。卒業要件ではある1つのトラックで一通りの単位を修得することのみを必要条件として課しており、この条件を満たしさえすれば、残りの必要な単位はどのトラックからも自由に選択することができます。このため、指定科目には専門科目も含まれますが、情報学部の全ての学生がプログラム修了に必要な科目を卒業に必要な単位として修得することができます。また、必修科目である「IT実習」や「地域情報PBL」で、学生全員が数理・データサイエンス・AIの実践に取り組みます。
科目と修了要件
所定の科目を修得した情報学部の学生は教育プログラム修了者として認定され、修了証が発行されます。
指定科目
下表に指定した11科目19単位をすべて修得することを修了の条件とします。科目名をクリックするとシラバスが表示されます。
| 科目名 | 配当学年 | 単位数 |
|---|---|---|
| データサイエンス入門 | 1年次 | 2単位 |
| 統計学 | 1年次 | 2単位 |
| 線形代数基礎 | 1年次 | 2単位 |
| 微分積分基礎 | 1年次 | 2単位 |
| コンピュータプログラミングI*1 | 1年次 | 2単位 |
| 人工知能 | 1・2年次 | 2単位 |
| 機械学習システム | 2・3年次 | 2単位 |
| アルゴリズム論 | 3・4年次 | 2単位 |
| IT実習I*1 | 1年次 | 1単位 |
| IT実習II*1 | 1年次 | 1単位 |
| IT実習III*1 | 2年次 | 1単位 |
- *1：情報学部の課程において必修科目。
オプション科目
下表の科目はプログラムの修了には関係しませんが、今後のより深い学びにつなげるとともに、数理・データサイエンス・AIを各自が対象とする具体的な地域課題解決に活用できる力を身に付けるため、興味に応じて選択履修することが望ましいとしています。
| 科目名 | 配当学年 | 単位数 |
|---|---|---|
| データ理解 | 1・2年次 | 2単位 |
| データベースシステム | 1・2年次 | 2単位 |
| エンタテインメント情報学 | 1・2年次 | 2単位 |
| ゲーム情報学 | 1・2年次 | 2単位 |
| IoT | 1・2年次 | 2単位 |
| データマイニング | 3・4年次 | 2単位 |
| 統計データモデリング | 3・4年次 | 2単位 |
| グラフ理論 | 3・4年次 | 2単位 |
| パターン認識と機械学習 | 3・4年次 | 2単位 |
| 自然言語処理 | 3・4年次 | 2単位 |
| 画像情報処理 | 3・4年次 | 2単位 |
| 音情報処理 | 3・4年次 | 2単位 |
関連するPBL科目
下表の科目は学生によって取り組み内容が大きく異なり、手法が必ずしも数理・データサイエンス・AIに限られないためプログラムには含めませんが、情報学部で必修としているPBL科目であり、学生各自が具体的な地域課題に取り組みます。
| 科目名 | 配当学年 | 単位数 |
|---|---|---|
| 地域情報PBL入門 | 1年次 | 2単位 |
| 地域情報PBL基礎 | 2年次 | 2単位 |
| 地域情報PBL | 3年次 | 4単位 |
| 地域情報プロジェクト | 4年次 | 8単位 |
身につける能力
本教育プログラムは、本学情報学部の地域情報PBL（3年次配当必修科目）と併せて履修することになります。なお、情報学部におけるPBL科目は、3年次までを準備段階のプロジェクトと位置づけており、4年次に具体的な成果を求めるプロジェクトを遂行するカリキュラムが展開されています。
4年次のプロジェクトに着手する以前の1年次から3年次までの期間で構成される本教育プログラムは、数理・データサイエンス・AIの各分野の手法を具体的課題へ応用するための知識および基礎を修得するものと位置づけています。3年次配当の地域情報PBLと併せて履修することから、以下のような学習成果が期待されます。
- 地域などの課題を発見するためのデータ分析や課題を発見するために必要な調査を考察することができる。
- 提示された地域などの課題について、その解決のために必要となるデータ分析や人工知能システムを計画し、解決へ向かうプロセスの提案が構成ができる。
- 地域などの課題を解決するシステムやサービスの構築において、どのような機能が必要かなどの計画の考察ができる。
- 計画に基づいて、プロトタイプの実装を行うなど、数理・データサイエンス・AIを活用し課題解決を目指す実践的なスキルが修得できる。
授業内容
1-6 といった学修項目番号は数理・データサイエンス教育拠点コンソーシアムのモデルカリキュラム（応用基礎レベル）の番号と対応します。
応用基礎コア I. データ表現とアルゴリズム
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」の概念や知識の修得を目指す。
1-6. 数学基礎
データ・AI利活⽤に必要な確率統計、線形代数、微分積分の基礎を学ぶ
実施科目：統計学、線形代数基礎、微分積分基礎
1-7. アルゴリズム
データ・AI利活⽤に必要なアルゴリズムの基礎を学ぶ
実施科目：アルゴリズム論
2-2. データ表現
コンピュータでデータを扱うためのデータ表現の基礎を学ぶ
実施科目：IT実習I、アルゴリズム論
2-7. プログラミング基礎
データ・AI利活⽤に必要なプログラミングの基礎を学ぶ
実施科目：コンピュータプログラミングI
応用基礎コア II. AI・データサイエンス基礎
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修得する。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. データ駆動型社会とデータサイエンス
データ駆動型社会とデータサイエンスの関連性について学ぶ
実施科目：データサイエンス入門
1-2. 分析設計
データ分析の進め方およびデータ分析の設計方法を学ぶ
実施科目：データサイエンス入門
2-1. ビッグデータとデータエンジニアリング
ICT（情報通信技術）の進展とビッグデータについて学ぶ
実施科目：データサイエンス入門
3-1. AIの歴史と応用分野
AIの歴史と活用領域の広がりについて学ぶ
実施科目：人工知能
3-2. AIと社会
AIが社会に受け入れられるために考慮すべき論点について学ぶ
実施科目：人工知能
3-3. 機械学習の基礎と展望
機械学習の基本的な概念と手法について学ぶ
実施科目：人工知能、機械学習システム
3-4. 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について学ぶ
実施科目：人工知能、機械学習システム
3-9. AIの構築と運用
AIの構築と運用について学ぶ
実施科目：人工知能、機械学習システム
応用基礎コア III. AI・データサイエンス実践
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。「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。
実施科目：IT実習I、IT実習II、IT実習III
選択項目 IV. 数学発展
データやAIの利活用に必要な統計数理、線形代数、微分積分の中でも、正規分布等の確率分布、点推定や区間推定などの推定、さらにベイズ定理などを含む発展的な統計数理の内容、逆行列や固有値・固有ベクトルなどを含む発展的な線形代数の内容、さらには2変数関数の微分法・積分法などを含む発展的な微分積分の内容からなる。
本プログラムでは、指定科目で上記の「ベイズ定理」を除いた全ての事項を学習する。
実施科目：統計学、線形代数基礎、微分積分基礎
選択項目 V. AI応用基礎
ホールドアウト法・交差検証法などのデータテスト方法や、モデルによる予測において汎化誤差の最小化を目指す取り組み（バイアスやバリアンス、ノイズの概念とそれらの関係性の他、過学習の理解）、家庭用ロボット、産業用ロボット、サービスロボットなどを通じて人間の知的活動（身体・運動）に関わるAI技術について学ぶ発展的な機械学習の内容、畳み込み型や再帰型などのニューラルネットワークや深層強化学習などといった発展的な深層学習の内容、さらには自然言語処理、画像認識、音声認識など、人間の知的活動（言語・知識・認識）に関わるAI技術について学ぶ発展的な応用内容からなる。
人工知能とロボットや、ゲーム、音楽をはじめとするエンタテインメント分野への応用のほか、自然言語や画像への適用など、発展的な機械学習の内容について学ぶ。
実施科目：エンタテインメント情報学、ゲーム情報学、パターン認識と機械学習、自然言語処理、画像情報処理、音情報処理
選択項目 VI. データサイエンス応用基礎
標本調査や実験計画法といった発展的な分析設計の内容、データのバラツキを加味したデータ観察の内容、単回帰分析や重回帰分析から主成分分析などのデータ分析の内容、目的に応じて図表化を行うデータ可視化の内容に加えて、決定木や混同行列などによる分析評価の内容、予測や判断のための数値シミュレーションの内容、さらには連続最適化問題や組合せ最適化問題などの最適化の内容からなる。
データ可視化、回帰分析、クラス分類、クラスタリング、時系列モデルとその数値シミュレーション、および最短経路問題や最大フロー問題といった組合せ最適化問題について学ぶ。
実施科目：データ理解、データマイニング、統計データモデリング、グラフ理論
選択項目 VII. データエンジニアリング応用基礎
Webサイトやエッジデバイスなどからデータを収集・蓄積する方法、蓄積したデータベースからデータを抽出する方法などデータ収集・蓄積の内容、収集したデータを使えるようにするための工程として必要な演算処理やクレンジング処理などデータ加工の内容といった、データエンジニアリングにおける一連の流れ（データ収集・加工、学習、評価）に関する発展的な内容に加え、ITセキュリティや個人情報の取り扱いに関する内容を知識として学習する内容や、人の行動や機械の稼働に関するログデータやソーシャルメディアデータなどのビッグデータ活用が進む環境整備の背景として、AIクラウドサービスや機械学習ライブラリ、ディープラーニングフレームワークなどを知識として学習する内容からなる。
データベースシステムの扱いやIoTによるデータ収集について学ぶ。
実施科目：データベースシステム、IoT