数理・データ科学・AI教育プログラム(応用基礎レベル)

  

プログラム概要

取組概要

取組概要(応用基礎).png

 

体制・自己点検等の概要

補足資料(応用基礎).png

 

本プログラムで身に付けることのできる能力

 1年次の基礎情報教育を通して,データサイエンスの役割を理解する。さらに,データサイエンス・AI技術を支える数学の基礎,コンピュータ科学の基本、特にデータの取り扱い、プログラミング、アルゴリズムを理解する。
 さらに,2年次の実践教育では,1年次での基礎情報教育の学習内容をさらに発展させ,統計パッケージや分析基盤を利用したデータの前処理や可視化といったデータサイエンス体験,簡単なAIモデル開発体験等の実践的・応用的な学修体験を通して,学校教育で活かせるデータサイエンスの実践的能力を身につける。

 

修了要件

「基礎情報教育(2単位)」の単位修得と、「実践情報教育Ⅰ~Ⅲ(各2単位)」のいずれかの単位修得を合わせた計4単位の修得。

 

授業科目

基礎情報教育 鳴門教育大学に入学した全学生が、教員となるために必要な情報リテラシーやデータ科学の基礎を学習するために、1年次生対象に開講される必修科目。
座学(15回)で学んだことを、実習(15回)を通して理解を深める。

実践情報教育

Ⅰ~Ⅲ

2年次生対象に開講される選択必修科目。Ⅰ~Ⅲいずれかの単位修得が必須となっている。
演習(15回)を通して、リテラシーレベルの教育を補完的・発展的に学び、データから意味を抽出し、現場にフィードバックする能力、AIを活用し課題解決につなげる基礎能力を修得し、教育における数理・データサイエンス・AIを応用するための大局的な視点を獲得することを目標とする。

 

プログラムを構成する授業に含まれる内容・概要

数理・データサイエンス教育強化拠点コンソーシアムの数理・データサイエンス・AIモデルカリキュラム(応用基礎レベル)との対応は次の通りです。

 

モデルカリキュラムの対応

授業に含まれている内容・要素 授業内容

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
○データ駆動型社会、Society5.0
○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)

1-2 分析設計
○ データ分析の進め方、仮説検証サイクル

1-6 数学基礎
○順列、組合せ、集合、ベン図、条件付き確率
○代表値(平均値、中央値、最頻値)、分散、標準偏差
○相関係数、相関関係と因果関係
○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
○多項式関数、指数関数、対数関数
○関数の傾きと微分の関係、積分と面積の関係
○1変数関数の微分法、積分法

1-7 アルゴリズム
○アルゴリズムの表現(フローチャート)
○並び替え(ソート)、探索(サーチ)

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
○ICT(情報通信技術)の進展、ビッグデータ
○ビッグデータの収集と蓄積、クラウドサービス
○ビッグデータ活用事例

2-2 データ表現
○コンピュータで扱うデータ (数値、文章、画像、音声、動画など)

2-7 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

3.AI基礎

3-1 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(強いAI/弱いAI)

3-2 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

3-3 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(需要予測、異常検知、商品推薦など)
○機械学習、教師あり学習、教師なし学習、強化学習

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(画像認識、自然言語処理、音声生成など)
○ニューラルネットワークの原理

3-5 生成AIの基礎と展望
○実世界で進む生成AIの応用と革新(対話,コンテンツ生成,翻訳・要約・執筆支援,コーディング支援など)
○基盤モデル,大規模言語モデル,拡散モデル
○生成AIの留意事項(ハルシネーションによる誤情報の生成,偽情報や有害コンテンツの生成・氾濫など

3-10 AIの構築・運用
○AIの学習と推論,評価,再学習

 

認定の有効期限

  • 令和12年3月31日
     

申請資料

教育プログラムの点検・評価等