AI・データサイエンス
- 2020.06.30
- 日本アイ・ビー・エム株式会社(IBM)による特別講義(「AI概論」)
- 2020.05.11
- 日本アイ・ビー・エム株式会社による特別講座実施
ICT(情報通信技術)の急速な発達により、新しいライフ・スタイルやビジネス・モデルが次々に生まれ、私たちの生活や仕事を変えています。コンピュータの性能向上や誰でも扱える分析ソフトの普及が進み、ビジネスの現場でデータを自在に活用する「データサイエンティスト」が注目を集めています。副専攻「AI・データサイエンス」では、卒業後の様々なビジネス・シーンでデータサイエンスを実践できる知識・スキルを修得します。
対象学部・学科
「AI・データサイエンス」は、こんな人に向いています
専門分野 × AI・データサイエンスの融合
学部・学科の専門性と融合させることで、大きな力を発揮します。経済学科では行政データを分析して公共政策の有効性について考察、経営学科では店舗の売り上げデータを使って販売傾向を分析、国際学科では観光、文化、社会の国際間比較を行うなど、文理融合の学修によって、様々なテーマを検証できるようになります。
卒業後の社会
データに基づく意思決定が求められる昨今では、あらゆる場面でデータサイエンスの知識は不可欠です。日本ではデータ分析の専門家であるデータサイエンティストが25万人も不足すると言われており、今後、ますます重要性が強調されていくでしょう。ここで学んだことを足かがりに、様々なビジネスでの活躍が期待されます。
目指せる進路 | ● 金融機関(銀行・証券・保険など) ● ICT・情報産業 ● 地方自治体(統計課、観光課など) ● 企業の経営企画部門 ● 企業の情報管理部門 ● 企業のマーケティング部門 ● 企業の商品開発部門 ● 大学院進学 など |
カリキュラム
「基本」「データ分析ツール」「専門領域」「実践」の4つの科目群があります。はじめてチャレンジする学生にも学びやすいよう基本から段階的に学びます。この学びを通じて、関連資格の取得の道も拓けます。
区分 | 主な内容 | 科目 |
基本科目 | データがどのようにビジネスや意思決定に利用されているかを理解します。AIやビッグデータ、コンピュータネットワークなどの最新動向も学びます。 | ● データサイエンス総論 ● 情報概論 ● 情報セキュリティ論 ● AI概論 ● 統計学 ● 統計学総論 ● アルゴリズム論 |
データ分析ツール | 主にデータ分析ツールの操作を学びます。ボタンで操作する分析ソフトのほか、より自由な分析ができる統計プログラミング言語の修得も目指します。 | ● マーケティング・リサー ● 観光マーケティング調査 ● プログラミング |
専門領域 | 学部・学科の専門分野との関連からデータ分析を理解します。卒業後の活用を見据え、ビジネスでのデータ活用の実際も学びます。 | ● 経済統計 ● 計量経済学 ● 情報ビジネス論 ● ビジネスデータ解析 ● 社会調査法 |
実践 | 各自の関心に応じてアンケート調査などを実施します。データの取得から分析、報告までの流れを体験し、データサイエンスのサイクルを修得します。 | ● フィールドワーク入門 ● 実地調査入門 ● 社会調査実習 |
目指せる資格 | ● 統計検定 ● 社会調査士 ● Microsoft Office Specialist(Excel) ● ITパスポート ● G検定 ● ビジネス数学検定 ● 数学検定 など |
卒業後の活用を目指した段階的な学び | 入門 | 発展 | 応用 | 卒業後の社会 |
数やグラフの種類を理解し、与えられたデータを使って数値を集計、グラフ化できる。 | データを自ら収集し、統計的分析を適切に使って、関心のあるテーマを考察できる。 | 課題解決の方法を自ら考え、様々な方法を組み合わせながら分析を実行できる。 | 業務知識を身につけ、スキルを磨く。データを使って組織の意思決定に貢献する。 |
AI・データサイエンスで学ぶこと
データサイエンスの実践では、主に「データハンドリング」「可視化・要約」「データ分析」「レポーティング」について、1つずつ基本から学びます。学部・学科で専門知識を深め、ニュースや時事などに関心を向けると、様々な疑問やもっと知りたいことが見つかります。データを使って「なぜ」「どうして」を解き明かしていくと、大学の学びがより生き生きと感じられるでしょう!
【データ取得】
データには、様々な種類があります。分析には、どのようなデータが必要かを理解し、適切な取得方法を計画します。
【前処理】
データはいつも綺麗な状態で取得できるとは限りません。「可視化・要約」や「データ分析」がしやすいよう、データを整える作業を行います。
データには、様々な種類があります。分析には、どのようなデータが必要かを理解し、適切な取得方法を計画します。
【前処理】
データはいつも綺麗な状態で取得できるとは限りません。「可視化・要約」や「データ分析」がしやすいよう、データを整える作業を行います。
【グラフ】
問題意識やデータの種類に応じて、様々な種類のグラフを使い分けます。平均値の位置や散らばりの様子などを観察します。
【クロス集計表】
縦軸と横軸に関心のある項目を置き、それぞれの件数や割合を調べます。縦軸と横軸の項目を掛け合わせて集計を行い、回答の傾向などを調べます。
問題意識やデータの種類に応じて、様々な種類のグラフを使い分けます。平均値の位置や散らばりの様子などを観察します。
【クロス集計表】
縦軸と横軸に関心のある項目を置き、それぞれの件数や割合を調べます。縦軸と横軸の項目を掛け合わせて集計を行い、回答の傾向などを調べます。
【仮説検定】
統計学の検定を利用して仮説を検証します。Aグループの平均値は、Bグループよりも高い(低い)かなどを評価します(t検定)。
【モデリング】
主に数式を使って現実世界の「模型」を作ります。最も簡単なモデルは回帰分析y=a+bxでしょう。モデルがデータにうまく当てはまっているかを考察します。
統計学の検定を利用して仮説を検証します。Aグループの平均値は、Bグループよりも高い(低い)かなどを評価します(t検定)。
【モデリング】
主に数式を使って現実世界の「模型」を作ります。最も簡単なモデルは回帰分析y=a+bxでしょう。モデルがデータにうまく当てはまっているかを考察します。
【報告】
分析の目的や手順、グラフや表をレポートに載せ、報告を行います。分かりやすく報告をまとめることも大切です。
【論理的説得】
導き出した結論は何が新しいか、どこに価値があるかなど、相手に理解してもらう内容をまとめます。データサイエンスの面白さは、ここにあります。
分析の目的や手順、グラフや表をレポートに載せ、報告を行います。分かりやすく報告をまとめることも大切です。
【論理的説得】
導き出した結論は何が新しいか、どこに価値があるかなど、相手に理解してもらう内容をまとめます。データサイエンスの面白さは、ここにあります。