人工知能入門(データサイエンス・AI入門)
Introduction to artificial intelligence

授業科目区分

専門科目
ハイブリッド科目(※対面とオンライン併用)
アクティブ・ラーニング科目ではありません。
専門科目 数理情報系

わくラボの使用について：使用しない
選択科目　2単位　1年次　後期　


担当教員

安藤 友晴

研究室のホームページ,SNSなど

NDC

007

科目分類コード

61030

オフィスアワー

時間割決定後に授業等で連絡します。

この科目のキーワード

人工知能/Python/データサイエンス/協調フィルタリング/機械学習/パーセプトロン/深層学習/生成AI

説明に使用する言語

主として日本語を使用する

使用する教材の言語

日本語で記述された資料を使用する

この科目に必要な日本の文化・事情の知識について

到達目標


・人工知能や機械学習が何であるか説明できる
・Pythonを使って記述統計量を処理できる
・協調フィルタリングのプログラムを作成できる
・パーセプトロンのしくみを説明できる
・パーセプトロンのプログラムを作成できる
・生成AIのしくみを説明できる

ディプロマポリシーとの関連性

情報メディア基礎力:情報メディアの技術的および社会的な変化に対応し得る基盤となる知識とスキル, 専門能力:情報メディアの開発とその多面的な活用ができる能力

授業の簡単な概要

人工知能・機械学習の基礎的事項について解説する。Pythonで記述統計量の処理できるようにし、Pythonによる人工知能・機械学習プログラミングに繋げていく。
　本科目は、本学「数理・データサイエンス・AI教育プログラムリテラシーレベル」「応用基礎レベル」を構成する必須科目となっており、当該分野の基礎知識を扱っている。

学習内容

  1. データサイエンス・人工知能の概要
  2. データサイエンス・人工知能の歴史的展開
  3. Pythonプログラミング (1) 変数・リスト・制御構造
  4. Pythonプログラミング (2) 関数の設計
  5. Pythonプログラミング (3) オブジェクト指向プログラミング
  6. データ処理と視覚化 (1)
  7. データ処理と視覚化 (2)
  8. 情報推薦 (1) 単純な例
  9. 情報推薦 (2) 相関係数を用いた推薦手法
  10. 機械学習 (1) 単純パーセプトロン (線形分離)
  11. 機械学習 (2) パーセプトロンの学習
  12. 機械学習 (3) 深層学習と大規模言語モデル (ChatGPT)
  13. AI・データ分析演習 (1)
  14. AI・データ分析演習 (2)
  15. AI・データ分析演習 (3)

授業時間外での学修

授業終了後に毎回課題を出すので、次回授業開始時までに確実に提出すること。課題について考察することは授業の内容を深く復習することにつながるので、真剣に取り組むこと。基本的に授業時間外の学修は１コマあたり４時間を必要とする。

成績評価の基準と方法


(S)キーワードに記された各領域の考え方について他者に説明でき、方法を適切に応用できる。
(A)キーワードに記された各領域の考え方を正しく理解し、方法を適切に実践できる。
(B)キーワードに記された各領域の考え方の重要な事項について理解し、指示に則って方法を実践できる。
(C)キーワードに記された各領域の考え方の主要な事項について理解し、方法を概ね実践できる。

達成度評価（評価方法：合計100点）

試験：　　　　　 / 100
レポート：　　　 / 100
小テスト(中間テストなど含む): / 100
小レポート(中間レポートなどを含む): 100 / 100
作品：　　　　　 / 100
ポートフォリオ： / 100
その他：

教科書・テキスト

担当教員が自作した資料を配布する

参考図書・参考文献等

授業中に別途指示する

履修もしくは取得していなければいけない科目

学習支援

提出されたレポートに対して、添削を行い、改善点を指摘する。

授業に関連する実務経験