Course Name Year Term Period Faculty / Graduate School All Instructors Credits
30803:[2025 Fall]Foundations of Data Science and AI (G2) 2025 Fall Mon7 College　Of　Law,College　Of　Economics,College　Of　Business　Administration,College　Of　Social　Sciences,College　Of　International　Relations,College　Of　Policy　Science,College　Of　Letters,College　of　Image　Arts　and　Sciences,College　of　Comprehensive　Psychology,College　of　Science　and　Engineering,College　of　Gastronomy　Management,College　of　Information　Science　and　Engineering,College　of　Life　Sciences,College　of　Pharmaceutical　Sciences,College　of　Sport　and　Health　Science　(tentative　name) NISHIKADO HIDETO 2

Campus

*

Class Venue

施設なし

Language

Japanese

Course Outline and Method

ICT（情報通信技術）の進歩により，さまざまなデータが収集され大規模データ（ビッグデータ）として多種多様な活用が試みられている．そのため，データを処理・分析し，データから有益な情報をとり出す方法論であるデータサイエンスの重要性が広く認識されるようになっている．
本科目では，データサイエンスの基礎として，データ分析の基本やさまざまな手法と，それらを理解するために必要な数学などについて学ぶ．また，近年，大規模データを活用して，急速に発展しているAI（人工知能）と，その基本である機械学習について学ぶとともに，演習により活用法について習得する．

本科目は，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）」のモデルカリキュラムを同じ教養科目である「データエンジニアリング基礎」と合わせてカバーする内容となっている．
オンデマンド形式の教材を視聴して，各授業回において理解度の確認を行うとともに，PBL課題などを課して，到達目標の達成度を確かめる．

Student Attainment Objectives

数理・データサイエンス・ＡＩについて、以下のことについて理解・習得することを目標とする．
・データ駆動型社会とデータサイエンスの関連性を理解することができる。
・データ・AI利活用に必要な数学の基礎を理解することができる。
・データ分析の進め方および設計方法を理解することができる。
・収集したデータを分析することができる。
・AIの変遷、技術背景について理解することができる。
・AIが社会に受け入れられるために考慮すべき論点を理解することができる。
・機械学習（教師あり学習・教師なし学習）と深層学習の基本的な概念を理解することができる。
・基礎的なAIの構築と運用を行うことができる。

Recommended Preparatory Course

所属している学部で開講されている「データサイエンス+Rプログラム（基礎）」の対象科目

Course Schedule

Lecture/Instructor（When there are multiple instructors) Theme
Keyword, References and Supplementary Information
1

データ駆動型社会とデータサイエンス
【＋R 授業】詳細はmanaba＋R を参照

データ駆動型社会，Society5.0

2

データの記述

データの分類（質的データ、量的データ），基本統計量（平均値・中央値），散らばりの指標（分散、標準偏差）

3

データ分析の基礎（1）

ヒストグラム，箱ひげ図

4

データ分析の基礎（2）

散布図，共分散，相関係数

5

数学（1）

関数，合成関数，微分，積分

6

数学（2）

確率，順列と組合せ，確率分布

7

データ分析の手法（1）

回帰分析，単回帰モデル，最小二乗法，決定係数

8

データ分析の手法（2）

重回帰モデル，ロジスティック回帰分析，クラスター分析

9

AIと社会

AIの歴史，AIの諸領域，AIとゲーム，深層学習と実世界問題

10

機械学習の基礎

機械学習の基本，学習モデル，教師あり学習／教師なし学習，汎化能力，モデル選択

11

深層学習の基礎

深層学習の基本，ニューラルネットワークの原理，パラメータの学習

12

ニューラルネットワークの拡張

畳み込みニューラルネットワーク（CNN），リカレントニューラルネットワーク（RNN），グラフニューラルネットワーク（GNN），アテンション機構とトランスフォーマー

13

機械学習・演習（1）

機械学習の開発環境と実行環境，クラウドコンピューティング，ニューラルネットワークによる機械学習

14

機械学習・演習（2）

畳み込みニューラルネットワークによるクラス分類

Class Format

全ての授業をメディア授業（オンデマンド型）で実施

Recommendations for Private Study

授業は全てオンデマンド教材を使用して行われます。
自身の修得度に合わせて何度も学習し、各回修得が求められる知識や技能を着実に学習してください。

Grade Evaluation Method

Kind Percentage Grading Criteria etc.
Final Examination (Written)

Report Examination
(A report to be submitted by the unified deadline)

Exams and/or Reports other than those stated above, and Continuous Assessment　
(Evaluation of Everyday Performance in Class)		 100

各回の授業において小テストをmanaba+Rにて実施する．2回のレポート課題を実施する．小テストとレポート課題を以て総合的に評価する．

Grade Evaluation Method （Note）

Advice to Students on Study and Research Methods

Textbooks

Title Author Publisher ISBN Code Comment
応用基礎としてのデータサイエンス　改訂第2版 北川源四郎 他（編）,　赤穂昭太郎 他（著） 講談社 978-4-06-538618-7

Textbooks （Frequency of Use, Note）

Reference Books

Reference Books （Frequency of Use, Note）

Web Pages for Reference

How to Communicate with the Instructor In and Out of Class(Including Instructor Contact Information)

Communication Paper,Interactive Sheet,Learning Management System （manaba+R）,Other (Separate instructions will be provided)

Other Comments

【科目ナンバリング・カリキュラムマップはこちらから/Click here to see the Curriculum-Map and Course-Numbering】
URL:https://secure.ritsumei.ac.jp/students/pathways-future/course/curriculum.html/