文部科学省「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)」認定プログラム、新潟大学「データサイエンスリテラシー」ページは2023年4月以降次のURLにて情報公開を行います(変更申請準備中)。
10秒後に自動的にジャンプします。ジャンプしない場合は、以下のURLをクリックしてください。
新潟大学BDA研究センター人材育成ユニット データサイエンスリテラシー
https://www.irp.niigata-u.ac.jp/~suurids/ds_advanced.html
本学のデータサイエンスリテラシーは、文部科学省「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)」に認定されています。(認定の有効期限:令和9年3月31日まで)
データサイエンスリテラシーとは
新潟大学のデータサイエンスリテラシー(以下、本プログラム)とは、2019年に政府から発表された「AI戦略2019」において提示されている目標 「文理を問わず、一定規模の大学・高専生(約25万人/年)が、自らの専門分野への数理・データサイエンス・AIの応用基礎力を習得」に基づき、本学の学生に数理・データサイエンス・AIの応用基礎を教育する目的で開設した教育プログラムです。
本プログラム及び本プログラム対象科目は、それらの学習内容を本ページにて学内外の方に広く発信するとともに、毎年、各科目の自己点検・評価を行いその結果を公開します。さらに、自己点検・評価の結果をふまえて各科目と本プログラムの改善(授業内容・方法、教育効果、シラバスの記載内容の改善、全学的な履修者数・履修率向上など)を行うことで、社会の変化と学修者に合わせた教育プログラムへの一層の充実を図ります。
実施体制
担当組織 | 役割 |
---|---|
教育・学生支援機構コモンリテラシーセンター 数理・データサイエンス部門長 |
本プログラムの運営責任者 |
教育・学生支援機構コモンリテラシーセンター 数理・データサイエンス部門 |
本プログラムの改善・進化 |
大学における情報活用及び数理・データサイエンス 教育に関するワーキング・グループ |
本プログラムの点検・評価 |
本プログラム対象科目
本プログラムは、本学で開講されている科目から、数理・データサイエンス・AIのスキルセットに関連した100以上の科目が対象となっています。 対象科目は毎年度見直しを行っています。修了要件
本プログラムの学修成果(学生が身に着けられる能力等)
プログラム修得内容
データ表現とアルゴリズム
データサイエンスとして、統計学を始め様々なデータ処理に関する知識である「数学基礎(統計数理、線形代数、微分積分)」に加え、AIを実現するための手段として「アルゴリズム」、「データ表現」、「プログラミング基礎」の概念や知識の習得を目指す。 本プログラムにおいては、主に統計科目群、数学科目群、情報処理演習科目群、プログラミング基礎科目群の履修からなる。
AI・データサイエンス基礎
AIの歴史から多岐に渡る技術種類や応用分野、更には研究やビジネスの現場において実際にAIを活用する際の構築から運用までの一連の流れを知識として習得するAI基礎的なものに加え、 「データサイエンス基礎」、「機械学習の基礎と展望」、及び「深層学習の基礎と展望」から構成される。 様々な業界におけるビッグデータの活用による課題解決の事例、および自治体におけるオープンデータ利活用事例について学ぶ。また、構造化データ、被構造化データと半構造化データの特性、社会で活用されるデータの形式と収集・利用方法を学習する。さらに、「問題設定→データ収集→データ分析→施策実施・評価」のサイクルを繰り返すことで、日常生活や社会で生じる様々な課題が解決できることを理解する。 本プログラムにおいては、主にデータサイエンス入門科目群の履修からなる。
AI・データサイエンス実践
「データを人や社会にかかわる課題の解決に活用できる人材」に関する理解や認識の向上に資する実践の場を通じた学習体験を行う。 応用基礎コアのなかでも特に重要な学修項目群であり、「データエンジニアリング基礎」、及び「データ・AI活用 企画・実施・評価」から構成される。 本プログラムにおいては、「データサイエンス総論II」「データサイエンス概説」(いずれかが修了要件必修)の履修からなる。
選択項目・その他
選択項目は、「数学発展」、「AI応用基礎」、「データサイエンス応用基礎」及び「データエンジニアリング応用基礎」といった学修項目によって構成される。
本プログラムにおいては、情報概論科目群と、自由選択(4単位分)による学習者自身の目標に合わせた履修からなる。
データの種類にあわせたデータ表現、度数分布表、ヒストグラムや箱ひげ図の作成と中央値、四分位範囲などの代表値、それらグラフによるデータ表現の扱い方、読み方を学習する。
また、リレーショナル・データベース、データ整形などのデータ処理、相関係数などによる統計的分析、機械学習について学ぶ。
その他は、スキルセットに該当があり上記のいずれにもあてはまらない学修項目である。
モデルカリキュラムとの対応
数理・データサイエンス・AI教育拠点コンソーシアムのモデルカリキュラム(応用基礎レベル)と本プログラムの対応
モデルカリキュラム | 学修内容 | 実施科目 |
---|---|---|
Ⅰ.データ表現とアルゴリズム | ||
1-6. 数学基礎 | データ・AI利活用に必要な確率統計、線形代数、微分積分の基礎を学ぶ | 統計科目群、数学科目群 |
1-7. アルゴリズム | データ・AI利活用に必要なアルゴリズムの基礎を学ぶ | 情報処理演習科目群、 プログラミング基礎科目群 |
2-2. データ表現 | コンピュータでデータを扱うためのデータ表現の基礎を学ぶ | 情報処理演習科目群、 プログラミング基礎科目群 |
2-7. プログラミング基礎 | データ・AI利活用に必要なプログラミングの基礎を学ぶ | 情報処理演習科目群、 プログラミング基礎科目群 |
Ⅱ.AI・データサイエンス基礎 | ||
1-1. データ駆動型社会とデータサイエンス | データ駆動型社会とデータサイエンスの関連性について学ぶ | データサイエンス総論I, データサイエンス概説 |
1-2. 分析設計 | データ分析の進め方およびデータ分析の設計方法を学ぶ | データサイエンス総論I, データサイエンス概説 |
2-1. ビッグデータとデータエンジニアリング | ICT(情報通信技術)の進展とビッグデータについて学ぶ | データサイエンス総論I, データサイエンス概説 |
3-1. AIの歴史と応用分野 | AIの歴史と活用領域の広がりについて学ぶ | データサイエンス総論I, データサイエンス概説 |
3-2. AIと社会 | AIが社会に受け入れられるために考慮すべき論点について学ぶ | データサイエンス総論I, データサイエンス概説 |
3-3. 機械学習の基礎と展望 | 機械学習の基本的な概念と手法について学ぶ | データサイエンス総論I, データサイエンス概説 |
3-4. 深層学習の基礎と展望 | 実世界で進む深層学習の応用と革新について学ぶ | データサイエンス総論I, データサイエンス概説 |
3-9. AI の構築と運用 | AIの構築と運用について学ぶ | データサイエンス総論I, データサイエンス概説 |
Ⅲ.AI・データサイエンス実践 | ||
各大学・高専の教育目的、分野の特性に応じた適切なテーマ設定、社会での実例(実課題および実データ)を題材とした演習、学生自身が実際に手を動かしてAIを体験 | データサイエンス総論II, データサイエンス概説 |
|
選択項目 | ||
Ⅳ.数学発展 | 発展的な統計数理、線形代数、微分積分の内容からなる | 医学情報学 など |
Ⅴ.AI応用基礎 | 発展的な機械学習、深層学習、応用内容からなる | 人工知能 など |
Ⅵ.データサイエンス応用基礎 | データ分析、データ可視化、分析評価、数値シミュレーション、最適化の内容からなる | 知能情報システム概論 など |
自己点検・評価報告書の公開
本プログラムでは、履修者数の向上と不断の改善・進化にむけて、自己評価・点検を行っています。
【令和3年度】
データサイエンスリテラシーに関する問い合わせ
新潟大学教育・学生支援機構コモンリテラシーセンター
数理・データサイエンス部門
部門メールアドレス( )へご質問ください。