|
授業の概要
|
|
本授業は、データサイエンスとAIを基礎から学び、データを根拠に考え、判断し、説明する力を養うことを目的とする。現在、日常生活においてデータとAIの利用が拡大し、根拠に基づいた説明可能な意思決定が求められている。その一方で、AIの出力を鵜呑みにした誤った判断や、データの偏りによるリスクも増大している。
そこで、授業の前半では、データの種類、記述統計、可視化、相関分析といった基礎的な手法を扱う。Excelなどの身近なツールを用いた実習を通じて、分析の手順と結果の読み取り方を体得する。後半では、機械学習と生成AIの仕組みを概念的に学ぶ。それぞれの得意な点と不得意な点、誤りが生じる理由などを理解する。各回の授業は基本的に、講義と実習の順で進める。これを通じて、AIに任せるべき部分と人が判断すべき部分を明確にする力を養う。
受講にあたり、統計やプログラミングの事前知識は不要である。授業で扱うデータは、アンケート結果、購買データ、公開統計など身近なものであり、受講者自身が問いを立てて分析することを体験する。生成AIは分析手順案や要約案の作成に活用する。最終回には小規模なプロジェクトを実施し、分析結果の限界と次に取るべき対応策を発表する。本授業は、学んだ内容を日常生活や将来の実務にすぐに活かせる、実践的な力を養う授業である。
|
|
|
|
この科目の到達目標
|
|
・身近なデータをExcelなどで整理・可視化し、統計的な観点から結果を解釈し、根拠をもって説明できる。
・相関や回帰分析の結果について、予測と説明の違い、分析の限界を理解し、過度な一般化を避けた判断ができる。
・AIおよび生成AIの仕組みと限界を理解し、出力を鵜呑みにせず、人が担うべき判断と責任を意識して活用できる。
|
|
|
|
成績評価の方法
|
|
| |
|
授業出席、授業外学習、小テスト、提出課題により総合的に評価する。
|
|
|
|
|
|
評価方法
|
割合
|
評価のポイント
|
|
|
|
|
|
授業出席
|
50
%
|
授業の出席状況と関与度合いから評価する。
|
|
|
|
|
|
授業外学習
|
20
%
|
受講ノートの内容を評価する。受講ノートは授業内で指定する。
|
|
|
|
|
|
小テスト
|
10
%
|
授業内容の理解度を評価する。
|
|
|
|
|
|
提出課題
|
20
%
|
自らの考え、説明の論理性、根拠など総合的に判断し評価する。
|
|
|
|
|
|
定期試験
|
0
%
|
実施しない。
|
|
|
|
|
|
（合計）
|
100
%
|
_
|
|
|
|
|
授業項目
|
|
| |
|
週
|
授業項目
|
|
|
1.
|
ガイダンス
|
|
|
2.
|
データの種類と前処理
|
|
|
3.
|
記述統計
|
|
|
4.
|
ばらつきと分布
|
|
|
5.
|
データ可視化
|
|
|
6.
|
相関と因果
|
|
|
7.
|
推測統計
|
|
|
8.
|
仮説検定の使いどころ
|
|
|
9.
|
回帰分析①
|
|
|
10.
|
回帰分析②
|
|
|
11.
|
AIの基礎構造
|
|
|
12.
|
生成AIの特徴と限界
|
|
|
13.
|
AIと人間の役割分担
|
|
|
14.
|
総合演習
|
|
|