データサイエンス・ＡＩ概論

Introduction to Data Science and Artificial Intelligence

993K317

L2IDIFEb01

瀬尾　隆、平塚　三好、田畑　耕治、橋爪　洋一郎、坂本　徳仁、江夏　洋一、伊吹　友秀、松本　朋子、矢部　博

Hiroshi Yabe, Takashi Seo, Mitsuyoshi Hiratsuka, Kouji Tahata, Norihito Sakamoto, Tomohide Ibuki, Tomoko Matsumoto, Yoichiro Hashizume, Yoichi Enatsu

2024年度前期

2024 / First Semester

土曜1限

Saturday 1st Period

薬学部（一般教養科目）

Faculty of Pharmaceutical Sciences

2.0単位

講義

Lecture

-

⑧ [遠隔]オンライン授業（非同期）/ [Remote]Online (asynchronized remote)

数理・データサイエンス・AIに関する基礎知識を学習するとともに、社会、政治、経済、医療など身の回りの分野でデータサイエンス・AIがどのように活用されているかについて学習する。

デジタル社会において、数理・データサイエンス・AIを日常生活や仕事の場で使いこなすことができる基礎的素養を身につける。そして、数理・データサイエンス・AIに関する知識・技能をもとに、これらを扱う際には人間中心の適切な判断ができ、データサイエンス・AIについて説明し活用できる能力を身につける。

社会におけるデータサイエンス・AIの利活用について理解し説明できるようになるとともに、それらを扱う際の留意事項についても理解できるようになる。

リンク先の [評価項目と科目の対応一覧]から確認できます（学部対象）。
履修登録の際に参照ください。
​You can check this from “Correspondence table between grading items and subjects” by following the link(for departments).
https://www.tus.ac.jp/fd/ict_tusrubric/​​​

なし

課題に対する作文　Essay／小テストの実施　Quiz type test

-

準備学習については特にないが、録画や講義資料の内容を理解するまで復習すること。

レポート課題(12%)・小テスト(88%)で評価する。

・S：到達目標を十分に達成し、極めて優秀な成果を収めている
・A：到達目標を十分に達成している
・B：到達目標を達成している
・C：到達目標を最低限達成している
・D：到達目標を達成していない
・-：学修成果の評価を判断する要件を欠格している

・S：Achieved outcomes, excellent result
・A：Achieved outcomes, good result
・B：Achieved outcomes
・C：Minimally achieved outcomes
・D：Did not achieve outcomes
・-：Failed to meet even the minimal requirements for evaluation

N

-

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
​https://mirai.kinokuniya.co.jp/tokyorika/​​​

It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
​​https://mirai.kinokuniya.co.jp/tokyorika/

必要に応じて授業で講義資料を提供する。

第１回：データサイエンス入門
導入として、数理・データサイエンス・AIを取り巻く社会の動向や歴史的背景を知り、IoT, Industry 4.0, Society 5.0, データ駆動型社会といった概念やAIの歴史等、全体像について理解できるようになる。

第２回：データサイエンス人材の心得
データの利活用により、安寧で豊かな社会を目指すために必要な規範的な考え方について理解を深める。例えば、個人情報保護、データ倫理、ＡＩ社会原則、さまざまなバイアスへの対処、情報セキュリティ等について理解を深め、自らの行動原理を考えていくことの重要性につき、欧米の事例などを踏まえつつ理解を深める。

第３回：データサイエンス・AI数学基礎（１）
多変数関数の微積分について理解し、説明ができるようにする。

第４回：データサイエンス・AI数学基礎（２）
ベクトルと行列について理解し、説明ができるようにする。

第５回：データサイエンス・AI数学基礎（３）
確率分布、確率変数、期待値などについて理解し、説明できるようにする。

第６回：社会におけるデータ活用（１）公共空間とデータサイエンス・AI
公共政策を立案する現場においてデータサイエンスの重要性が増している実情を、実例を織り交ぜつつ解説する。

第７回：社会におけるデータ活用（２）政治学とデータサイエンス・AI
社会に広がる多様なデータを紹介しつつ、既存の観察データから政治・社会問題の解決方法を探るための基礎的な手法を説明する。

第８回：社会におけるデータ活用（３）経済学とデータサイエンス・AI
経済学およびビジネスにおけるデータサイエンス・AIの活用事例を学び、因果推論の基本的な使い方を理解する。その上で、因果推論が使えない状況のとき、どのようにデータと向き合うべきか、簡易実験、信頼性レベル、ありうるバイアスについて学ぶことで、適切な対処法を理解する。

第９回：社会におけるデータ活用（４）AIと責任
外部講師により、「人工知能やロボットは責任帰属対象となりえるか〜非難の哲学・倫理学の見地から〜」について説明し、この分野の動向が理解できるようになる。

第１０回：データの倫理
データサイエンスで扱う情報は、個人の機微に関わるものである。また、それらが個ではなく多数となった場合にはとりわけ様々な問題が生じる。そのため、ヒトの情報を収集して研究する際の倫理問題について、その検討法も含めて考えていく。

第１１回：データの知的財産
知的財産の基礎知識を知り、数理・データサイエンス・AIの分野に係る特許の事例等を理解する。その上で、同分野に関する知的財産上のモラル等の留意事項や、その保護・活用の在り方について知るとともに、そのビジネスモデルの創出についても理解できるようになる。

第１２回：統計学の基礎知識（１）
データの種類、データの集計、統計グラフ、データの代表値、散らばり、分割表、相関と回帰、時系列データの処理を理解し、説明ができるようにする。

第１３回：統計学の基礎知識（２）
母集団と標本、統計的推定、仮説検定について理解し、説明ができるようにする。

第１４回：AI技術の動向（１）
外部講師により、「実データ分析によるデータ価値化の取り組み 〜AI活用の事例紹介〜」について説明し、この分野の動向が理解できるようになる。

第１５回：AI技術の動向（２）
外部講師により、「メディカル・データサイエンスを基盤とした新たな医療の創出　〜人工知能から拡張知能へ〜」について説明し、この分野の動向が理解できるようになる。

第1回
OEx1479xxx

第2回
OEx1480xxx OEx1481xxx

第3回
OEx1480xxx OEx1481xxx OEx1482xxx

第4回
OEx1480xxx OEx1483xxx

第5回
OEx1484xxx OEx1485xxx

第6回
OEx1486xxx OEx1487xxx

第7回
OEx1486xxx OEx1487xxx

第8回
OEx1479xxx OEx1487xxx OEx1480xxx OEx1481xxx

第9回
OEx1484xxx

第10回
OEx1484xxx OEx1485xxx

第11回
OEx1479xxx OEx1488xxx

第12回
OEx1489xxx

第13回
OEx1489xxx OEx1488xxx

第14回
OEx1489xxx OEx1490xxx

第15回
OEx1489xxx OEx1490xxx

-

-

-

本科目をLETUSで自己登録する場合、必ず自分の所属する学部（キャンパス）のコースに登録すること。

本科目は全学共通科目なので複数の学部（キャンパス）のコースが存在します。異なる学部（キャンパス）のコースに登録した場合は小テスト・レポート課題の成績が反映されませんので気を付けてください。

N

N