分野 | 情報・データサイエンス

  • Learning

実践入門!AI・データサイエンス~基礎と展開~

AI・データサイエンス分野のアプローチを用いた課題解決・現象理解にむけて、当該分野を学ぶ意義、基礎的な数理・プログラミング技術、各分野の基礎的なアプローチ・考え方、実社会での展開事例を学び、理解する。

Content/学習内容

  • 数理・データサイエンス・AIによるアプローチの社会的・工学的意義

    数理・データサイエンス・AIによるアプローチの社会的・工学的意義について説明し、この講義を通じて修得することを目標としている基礎的な数理・データサイエンス・AIによるアプローチの有用性を理解する。

    Videos

    /学習動画

    • 1-1 数理・データサイエンス.A|アプローチ/教育とは?

      日本において数理・データサイエンス・A|によるアプローチを適切に扱えるデジタル人材の育成が急務であり、大学教育でも広く取り組まれている。本講義は、そうした背景を踏まえながら、数理・データサイエンス・A|によるアプローチの基礎を教えるものである。

    • 1-2 実践的インパクト評価とは?

      この講義では、エビデンスに基づいた政策立案の有効性について、具体的な事例とともに紹介します。

    • 1-3 社会課題解決にむけたデータサイエンスによる取り組みの例

      STEM教育におけるジェンダーギャップを題材に、データサイエンスによる社会課題解決に向けた取組み例を紹介します。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • 実践的展開に向けたプログラミングの基礎

    コンピュータにさまざまな処理を実行させるプログラムの作成に必要な基礎知識を学ぶ

    Videos

    /学習動画

    • 2-1 データ型・変数と演算

      プログラミングの基礎である変数とデータ型(文字列型、リスト、タプル、辞書)について学ぶ。

    • 2-2 繰り返し・分岐

      プログラムに書かれた命令を実行する順番を決める仕組みである制御構造についてを学ぶ。

    • 2-3 関数

      複数行のプログラムをまとめて実行するための”関数”について学ぶ。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • 実践的展開に向けた数理の基礎

    ベクトルとはなにか、行列とはなにかを示し、簡単な演算、積などについて、学ぶ。また、実際にデータ分析でベクトルや行列により扱うデータの例やその計算例を学ぶ。

    Videos

    /学習動画

    • 3-1 ベクトルと行列の基礎

      ベクトルや行列の定義、ベクトルの内積や直交性について学びます。

    • 3-2 ベクトル・行列の簡単な演算

      行列の四則演算や内積、ノルムについて学びます。

    • 3-3 ベクトル・行列をどう使うか

      行列は、実際の社会では、デジタル画像や文書データ、音響信号などの分析の際に利用されています。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • データサイエンス入門・実践①

    データをグラフにして観察する(可視化する)基礎的な方法を学びます。可視化したグラフを読み取る方法も学びます。

    Videos

    /学習動画

    • 4-1 データの可視化—比較・変化—

      棒グラフ、箱ひげ図、ヒートマップ、折れ線グラフによってデータを可視化し、比較を行ったり、変化を理解する方法を学びます。

    • 4-2 データの可視化-分布・相関—

      円グラフ、帯グラフ、ヒストグラム、散布図によってデータを可視化し、分布を行ったり、相関を理解する方法を学びます。

    • 4-3 ビッグデータとオープンデータ

      データの種類によってさまざまな可視化方法があることやオープンデータの種類が近年増えていることを学びます。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • 深層学習・AI入門 Part A

    機械学習・深層学習とは何かについて説明した後、教師なし学習の基礎と実践するためのプログラミング例を説明します。

    Videos

    /学習動画

    • 5-1. 機械学習・深層学習とは?

      機械学習・深層学習は何をしているのか、どんなことに適用できるのか、どのようなタイプのモデルがあるのかについて、説明します。

    • 5-2 教師なし学習とは?

      教師なし学習の代表例として、クラスタリングや確率密度推定について説明します。

    • 5-3 教師なし学習の実践入門

      教師なし学習の実践入門として、pythonを用いた計算例を紹介します。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • 深層学習・AI入門 Part B

    教師あり学習の基礎として、モデルの種類や必要なデータについて説明した後、具体モデルとして、SVMとNNモデルについて、pythonの計算コードを示しながら、説明します。

    Videos

    /学習動画

    • 6-1 教師あり学習の基礎

      教師あり学習モデルを構築するには、正解データをインプットする必要があります。また、過学習を避けるためには交差検証や正則化を行うことも有効です。

    • 6-2 教師あり学習のモデルの具体(機械学習)

      教師あり学習の具体モデルとして、サポートベクトルマシンについて、Pythonコードを示しながら、説明します。

    • 6-3 教師あり学習のモデルの具体(深層学習)

      教師あり学習の具体モデルとして、ニューラルネットワークモデルについて、Pythonコードを示しながら、説明します。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • 実践的インパクト評価

    深層学習のパートの続きとして、まず、生成AIについて説明します。その後、実践的インパクト評価の導入として、基本的な考え方や評価の進め方について説明します。

    Videos

    /学習動画

    • 7-1 生成Alとは?

      筑波大学の生成AIの活用ガイドラインを軸に、生成AIを使う上での留意点や理解しておくべきことについて、説明します。

    • 7-2 インパクト評価とは

      インパクト評価には、モニタリングと評価というプロセスがあります。プログラムがアウトカムに与える影響(因果効果)を考える上で、反事実について考える必要があります。

    • 7-3 インパクト評価の進め方

      インパクト評価には準備のステップとして、変化の理論の構築、評価設問の特定、指標の選択、コストの評価という四つのステップがあります。特に、変化の理論の構築として、因果チェーンを作成することで、プログラムの開始から終了までの因果関係を描き出すことができます。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • データサイエンス入門・実践②

    インパクト評価を行うにあたって、必要となる統計の基礎について、説明します。

    Videos

    /学習動画

    • 8-1 標本と統計的推論

      データサイエンスの基礎として、標本と統計的推論について説明します。

    • 8-2 仮設検定

      仮設検定は、政策に影響があるかを判定する統計的手法であり、適切なステップを踏みながら、判定を行います。

    • 8-3 回帰分析

      回帰分析について、パラメータ推定方法や説明変数間の共線性について説明した上で、計算例を示しながら、回帰分析のやり方や結果の見方を説明します。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • 因果推論による施策の定量評価

    因果推論とはなにか、因果効果識別の基本的考え方について説明した上で、具体的な評価方法について簡単なアプローチを中心に説明します。

    Videos

    /学習動画

    • 9-1 因果推論(インパクト評価)の基本的考え方

      因果効果識別の基本的考え方について、反事実に着目しながら、説明します。交絡のため、因果関係を識別するための手法が必要になります。

    • 9-2 因果推論による評価①(重回帰分析、層化、マッチング)

      因果推論による政策評価において、比較的簡便な手法である重回帰分析、層化、マッチングによる評価方法を計算例を示しながら、説明します。

    • 9-3 差の差分析による評価

      因果推論による政策評価において、時系列データがある場合に有効な評価手法である差の差分析について、計算例を示しながら、説明します。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

  • AI・データサイエンスの実社会における展開事例

    AI・データサイエンスアプローチを実社会にむけて展開した二つの事例を紹介する。また、講義の振り返りを行い、改めて、この講義を通じて、修得してほしいことについて、説明する。

    Videos

    /学習動画

    • 10-1 振り返りと課題

      この講義を通じて、理解を深めてほしかった内容や今後履修者がさらに修得していってほしい内容について、説明する。

    • 10-2 飛田幹男/2 0 1 1年東北沖地震は終わっていない

      余効変動データをデータサイエンスで分析することで、不思議な地殻変動のメカニズムの解明と未来予測を行った事例を紹介します。

    • 10-3 浦田淳司/熊本地震復旧期における滞在人口分布の時空間分析

      災害復旧期の推定滞在人口データに、平常目的および復旧目的両方の行動(人口変化)が表れていることをデータサイエンスアプローチにより明らかにした事例を紹介します。

    Lecturers

    /講師

    • 浦田淳司

      筑波大学

    • 飛田幹男

      筑波大学

Staff/スタッフ

    浦田淳司
    筑波大学
    飛田幹男
    筑波大学

Competency/コンピテンシー

科目の目標

AI・データサイエンス分野の実践的展開に向けた基礎を習得し、簡単なAI・データサイエンス分野のアプローチを用いた分析ができるようになることを目標にする。

履修者の到達目標

AI・データサイエンス分野の実践的展開に向けた基礎を習得し、簡単なAI・データサイエンス分野のアプローチを用いた分析ができるようになる。

Contact/お問合せ先

浦田研究室:https://uratalab.net/contact/

Related Contents/関連コンテンツ

コンテンツ

Introduction to Human Resource Analytics
  • Learning
無料
On Air
AIZU ONLINE JUDGE~プログラミング学習/プログラミング問題オンライン採点システム~
  • Learning
無料
On Air
【基礎A】デジタル社会のデータリテラシー
  • Learning
有料
On Air
ビッグデータ時代の人工知能学と情報社会のあり方(学術俯瞰講義)
  • Learning
無料
On Air