|
授業概要
|
|
武蔵野大学では情報技術(IT)の学修を通じて、変化し続ける社会の中で、様々な困難な課題を解決し、より良い未来を作り出すことのできる人材の育成を目指しています。
本科目では、本学を修了し、人工知能を始めとする高度な情報技術の活用に必要な様々な手法を学びます。
●授業の背景とねらい：
AIを利用したデータ分析への関心が高まると共に、社会では様々な分析ツールが一般的に利用されるようになっている。その中で、意思決定に必要な分析結果を得るためには、AIツールや統計的方法に関する知識だけではなく、分析の目的や分析対象に関連する情報を踏まえて、適切にデータの収集・整備・分析・可視化といったデータサイエンスのプロジェクトを実施することが重要となる。
本科目では、「データサイエンス活用1」の履修を前提として、より発展的にDataRobot やGoogle ColabなどのAIツールを利用したデータサイエンスプロジェクト（DS プロジェクト）に取り組む。具体的には、DS プロジェクトの事例を学び、自らも実践することを通して、分析対象に関する情報を踏まえて適切な分析結果を得るための計画立案ができるようになることを目指す。さらに、グループでのディスカッションをとおして、データに基づいた検討の結論を分かりやすく示すための知識・スキルを実践的に学習する。
●授業に関連するキーワード：計測、ビッグデータ、データ前処理、データビジュアライゼーション、探索的分析、仮説検証、モデル、ビジネスインテリジェンス、DataRobot、R、Google Colab、 Python、表計算ソフト
●注意：
※本科目は、武蔵野大学の副専攻「AI活用エキスパートコース」を構成する科目群の一つで、専修科目に位置づけられる。上記副専攻コース認定には専修科目の所定の単位数取得が必要になる。なお、本科目の履修は副専攻コースに参画していることが前提となる。詳しくは以下のコース説明を参照すること。
https://risyuyouran.musashino-u.ac.jp/faculty/curriculum-faculty/ai/
|
|
|
|
知識・専門性の到達目標
|
|
データサイエンスに関する知識を習得し、データサイエンスのツールを活用して自ら問題を解決できるようになる。【専門能力】
|
|
|
関心・態度・人格の到達目標
|
|
データサイエンスが社会でどのように利用されているかを理解し、新たな課題をデータサイエンスの手法を用いて発見することができる。【課題発見力】
|
|
|
思考・判断の到達目標
|
|
社会の中でデータサイエンスが注目されている理由を理解し、課題をデータサイエンスの手法を用いて解決する方法を導き出すことができる。【課題解決力】
|
|
|
実践的スキル・表現の到達目標
|
|
扱っている問題の特性とデータサイエンスの手法の関係を理解し、適切な手法を用いていることを他者に説明できるようになる。【表現力】
|
|
|
「響学スパイラル」取り組み方法
|
|
武蔵野大学「響学スパイラル」に基づき，次のとおり授業を実施する．
[響学] ミニプロジェクトでは，グループでデータの整備から分析，結果の報告，評価までのデータサイエンスプロジェクトの一連の活動を行う．
[問う]各回授業の始めに，授業の目標と授業前の自分自身の理解度を確認する
[考動する]授業の中でをデータを用いて価値を創出するための技術や方法について考え，実際に分析や調査の活動をすることで理解を深める．
[カタチにする]AIを利用したデータサイエンスプロジェクトの成果を，発表資料やワークシートなど評価可能な形でまとめる．
[見つめ直す]各回授業の後に授業での成果を振り返り，フィードバックを得ることで，自らの学びを深め，次の問いにつなげる．
|
|
|
|
授業における「アクティブな知」の要素
|
|
| |
|
授業形態
|
対象
|
|
|
A：課題解決型学習（PBL）企業、自治体等との連携あり
|
‐
|
|
|
|
|
B：課題解決型学習（PBL）連携なし
|
○
|
|
|
|
|
C：反転授業（知識習得を授業外で行い、知識確認等の要素を教室で行う授業形態）
|
○
|
|
|
|
|
D：討議（ディスカッション、ディベート等）
|
‐
|
|
|
|
|
E：グループワーク
|
○
|
|
|
|
|
F：発表（プレゼンテーション）
|
○
|
|
|
|
|
G：実習、フィールドワーク
|
‐
|
|
|
|
|
H：双方向授業（ICT活用なし：対話型、リアクションペーパー等）
|
‐
|
|
|
|
|
Ｉ：双方向授業（ICT活用あり：クリッカー、タブレット、スマートフォン等）
|
○
|
|
|
|
|
Ｊ：講義のみ
|
‐
|
|
|
|
|
Ｋ：その他
PCを使った演習
|
○
|
|
|
|
|
授業における「ICTの活用」について
|
|
| |
|
授業形態
|
対象
|
|
|
A：ノートPC必携
|
○
|
|
|
|
|
B：講義資料や授業教材のオンライン配信
|
○
|
|
|
|
|
C：レポート課題等のオンライン提出
|
○
|
|
|
|
D：質問やレポート課題等へのフィードバックにおける学修管理システムの活用
（学修支援システム(Course Power)、Google Classroom、Teams等）
|
○
|
|
|
|
E：オンラインメディアの活用
（e-Learning、edX、Coursera、JMOOC等のOpen Educational Resources）
|
○
|
|
|
|
|
F：Zoom、Google Meet等のミーティングツールの活用
|
○
|
|
|
|
|
|
-
|
|
|
|
予習
（事前学修）
|
|
| |
|
各授業
|
・オンデマンド教材および参考資料を利用し，基本的な知識やツールの操作方法を学習する．
・授業内でのグループ活動や演習を円滑に遂行するための準備として課題を実施する．
|
|
|
|
［
平均50
］分
|
|
|
|
復習
（事後学修）
|
|
| |
|
各授業
|
・振り返りとして，授業での成果を自己評価する．また，授業で学んだ内容を整理し，学んだことと自身の所属学部での学習の関係性や気付き，次の学びへの問いを他者に説明するかたちでまとめて報告する．
・各回授業の課題およびツールを使った演習課題に宿題として取り組む．
|
|
|
|
［
平均20
］分
|
|
|
|
|
成績評価
|
|
| |
|
評価項目
|
評価項目の詳細内容
|
割合
|
|
|
課題提出（レポート）
|
各週で作成した成果物（50％），ミニプロジェクトでの発表(20%)と作成した成果物（30％）
|
100
%
|
|
|
|
|
|
小テスト
|
|
0
%
|
|
|
|
|
|
試験
|
|
0
%
|
|
|
|
|
|
実習・学外学修活動
|
|
0
%
|
|
|
|
|
|
その他
|
|
0
%
|
|
|
|
|
授業計画
|
|
| |
|
授業回
|
内容
|
|
|
1.
|
第1週
[タイトル] DSプロジェクトの仮説と検証
[実施形態] 同時双方向型
[概要]AIツールを利用したデータ分析のため，データの特徴や種類を確認し，ドメイン知識から仮説を立て、結果から仮説を検証する。
[キーワード] ビッグデータ活用事例、AIの歴史、学習データと検証データ、交差検証法、過学習、データ分析の進め方、仮説検証サイクル
、分析⽬的の設定など
|
|
|
2.
|
第1週
[タイトル] DSプロジェクトの事例
[実施形態] オンデマンド型
[概要] DSプロジェクトの事例について学ぶ。指定された動画を視聴し、クイズに回答する。
[キーワード] AI技術の活⽤領域の広がり、実世界で進む機械学習の応用と発展、AIの社会実装、ビジネス/業務への組み込みなど
|
|
|
3.
|
第2週
[タイトル] 回帰問題のDataRobot活用事例
[実施形態] オンデマンド型
[概要] 回帰問題の事例について、DataRobotを使って一通りの分析と予測を行う。資料を見て演習を行う。
[キーワード] 回帰分析、機械学習を用いた予測、学習⽤データと学習済みモデルなど
|
|
|
4.
|
第2週
[タイトル] 機械学習の性能評価のための用語解説
[実施形態] 同時双方向型
[概要] 機械学習のモデル評価に必要な用語とその意味について学ぶ。講義
[キーワード] 様々なデータ分析⼿法（回帰、分類、クラスタリングなど）、AIの説明可能性、教師あり学習、教師なし学習、強化学習、ニューラルネットワークの原理、AIの学習と推論、評価、再学習など
|
|
|
5.
|
第3週
[タイトル] データの尺度水準と前処理
[実施形態] オンデマンド型
[概要] 目的に合わせたデータ分析をするために，データの種類や特徴に合わせたデータ整備を実施する。資料を見て演習を行う。
[キーワード] データの尺度水準(名義尺度、順序尺度、間隔尺度、⽐例尺度)
|
|
|
6.
|
第3週
[タイトル] データの尺度水準とビジュアライゼーション
[実施形態] 同時双方向型
[概要] データの尺度水準とその特性，それらに合わせたデータビジュアライゼーション方法について学ぶ．
[キーワード] ）データの尺度水準(名義尺度、順序尺度、間隔尺度、⽐例尺度)、コンピュータで扱うデータ（数値、文章、画像、音声、動画など)、構造化データ、⾮構造化データ、様々なデータ可視化手法（⽐較、構成、分布、変化など）など
|
|
|
7.
|
第4週
[タイトル] 時系列データの分析(1)
[実施形態] オンデマンド型
[概要] 時系列データの分析方法についての資料を読み、クイズに回答する。
[キーワード] 時系列分析、機械学習を用いた予測など
|
|
|
8.
|
第4週
[タイトル] 時系列データの分析(2)
[実施形態] 同時双方向型
[概要] 時系列データの事例について分析の演習を行って理解を深める。
[キーワード] 時系列分析、分析⽬的の設定など
|
|
|
9.
|
第5週
[タイトル] データの集計
[実施形態] オンデマンド型
[概要] Excelのピボットテーブルを使ってデータを集計する演習を行う。
[キーワード] データの収集、加⼯、分割/統合など
|
|
|
10.
|
第5週
[タイトル] ミニプロジェクト(1) - データの確認と目標設定
[実施形態] 同時双方向型
[概要] 時系列要素を持つ複合的なデータを対象として、データの項目や整理状況を確認し、分析の目標を設定する。
[キーワード] データ分析の進め方、仮説検証サイクル、分析⽬的の設定、データの収集、加⼯、分割/統合など
|
|
|
11.
|
第6週
[タイトル] ミニプロジェクト(2) - データの前処理と暫定的な分析
[実施形態] オンデマンド型
[概要] 設定した目標における分析を行うための前処理をし、出来るところまで分析を行う。
[キーワード] データ前処理、特徴量エンジニアリング、データの収集、加⼯、分割/統合、機械学習を用いた予測など
|
|
|
12.
|
第6週
[タイトル] ミニプロジェクト(3) - 分析目標の軌道修正と特徴量生成
[実施形態] 同時双方向型
[概要] 暫定的な分析に対してフィードバックを受けて、目標を再設定する。また、そのために必要な特徴量を生成する。
[キーワード] データ分析の進め方、仮説検証サイクル、分析⽬的の設定、データの収集、加⼯、分割/統合など
|
|
|
13.
|
第7週
[タイトル] ミニプロジェクト(4) - 分析と発表資料作成
[実施形態] オンデマンド型
[概要] ミニプロジェクトの発表のために分析と資料作成を行う。
[キーワード] 特徴量エンジニアリング、機械学習を用いた予測、データビジュアライゼーション、発表のストーリー構築など
|
|
|
14.
|
第7週
[タイトル] ミニプロジェクト(5) - 発表と相互評価
[実施形態] 同時双方向型
[概要]最終発表の相互評価を行う
[キーワード] ストーリーテリング、図表の説明
|
|
|
|
|
留意事項
|
|
・各週、同時双方向型のオンライン授業とオンデマンド型のオンライン授業を1コマずつ実施する。同時双方向型授業では出席をとるので、必ず授業時間に出席すること。また、オンデマンド型授業の課題を実施する時間を確保し、〆切までに必ず課題を提出すること。
・オンライン授業(同時双方向型)の受講に必要な情報は、MUSCATの「講義連絡」で1週間前までに連絡をするので確認すること。
・実習は各自のPCを利用するため、PCを利用できる環境（スマートフォンやタブレットのみは不可）を用意すること。また本授業ではグループでのディスカッションを行うため、マイクやスピーカーを用意して会話で議論が出来るように準備すること。
・授業資料の配付、課題の提出、ミーティングツールにはMicrosoft Teamsを利用する予定である。事前に本シラバス参考URLの「武蔵野大学オンライン授業受講ガイド」などで利用方法を確認しておくこと。
・演習で利用するツールや「DataRobot」は、大学でライセンスを購入しているため、個人での購入は不要である。
・正当な理由なしに3日以上欠席した場合、成績評価は「Ｘ（出席不足）」となる。なお、欠席した週の課題は〆切までに提出することで、採点の対象となる。ただし、グループワークを無断欠席するなど、グループメンバーに迷惑をかける行為をした場合は、成績評価は原則「D」となる。
・「授業計画」に記載の内容は、受講生の興味・関心・習熟に合わせて、変更や順序調整をする可能性がある。実際の課題内容に関しては担当講師の指示に従うこと。
・本科目は、副専攻(AI活用エキスパートコース)の習得を目指す学生は、履修を解除するとコースから離脱することになるので注意すること。
・成績評価に関して詳しくは以下の説明を参照すること。
https://www.musashino-u.ac.jp/student-life/learning/results.html
|
|
|
教科書
（購入必要）
|
|
|
|
参考図書
（任意購入）
|
|
| |
|
1.
|
|
|
|
|
|
|
書籍名
|
『DataRobotではじめるビジネスAI入門 ［DataRobot Japan 公式ガイドブック］』
|
|
|
|
|
|
|
著者
|
シバタアキラ，中山晴之，小島繁樹，川越雄介，香西 哲弥 著，シバタアキラ 監修
|
|
|
|
|
|
|
出版社
|
翔泳社
|
ISBN(13桁)
|
9784798166872
|
|
|
|
|
|
|
参考図書に関する履修学生への連絡事項
|
|
|
|
|
その他
（配布教材等により購入不要）
|
|
|
|
|
参考URL
|
|
| |
|
1.
|
|
|
|
|
webサイト名
|
副専攻「AI活用エキスパートコース」
|
|
|
|
URL
|
|
|
|
|
参考URLに関する履修学生への連絡事項
|
|
|
|
2.
|
|
|
|
|
webサイト名
|
MU情報ツールボックス
|
|
|
|
URL
|
|
|
|
|
参考URLに関する履修学生への連絡事項
|
|
|
|
3.
|
|
|
|
|
webサイト名
|
Aidemy for School
|
|
|
|
URL
|
|
|
|
|
参考URLに関する履修学生への連絡事項
|
授業でのオンデマンド学習に利用します．ライセンスは大学で用意するので，購入の必要はありません．どのようなことを学ぶことが出来るのかについての参考として下さい．
|
|
|
4.
|
|
|
|
|
webサイト名
|
DataRobot
|
|
|
|
URL
|
|
|
|
|
参考URLに関する履修学生への連絡事項
|
授業での分析に利用します．ライセンスは大学で用意するので，購入の必要はありません．どのようなものを使うのかについての参考として下さい．
|
|
|
5.
|
|
|
|
|
webサイト名
|
AIマップβ2.0
|
|
|
|
URL
|
|
|
|
|
参考URLに関する履修学生への連絡事項
|
|
|
|
|
実務経験のある教員等による授業科目
（実践的教育を行う授業科目）
|
|
|
|
|
備考
|
|
|