段階的な学びの体系
データサイエンス学科の教育カリキュラムは「IT」、「データ分析」、「価値創造」の３分野から構成され、さらに図のように「AI(人工知能)」、「情報技術」、「ソフトウェア開発・プログラミング」、「統計分析」、「問題解決」の5つが柱になっています。図左のデータサイエンス入門は、５つの柱を包括した学びの基礎となる科目です。データサイエンス学科では、基礎から段階的に学びを進めて、価値創造演習、情報ゼミナール、卒業研究へと繋がっていきます。価値創造演習は、PBL(Project Based Learning)科目であり価値創造マインドを高めることを目的としています。この演習では「ひらかたアイデアソン・ハッカソンプロジェクト」(Hirathon)に参加して課題解決に挑戦します。
※上の図は、全ての開講科目を網羅しているわけではありません。全ての開講科目は「教育内容」のカリキュラムを参照してください。
-
授業科目の紹介
データサイエンスの入門科目
データサイエンス入門:
データの正しい見方やデータの相関係数から単回帰分析の基本までを、演習を含めて学びます。Excel を使った計算もします。少しだけ確率変数や確率密度関数の話題も学びます。
コンピュータの入門科目
コンピュータ入門:コンピュータで様々な計算や処理を行うための基礎を学びます。例えばコンピュータの構成や動作原理、そしてどの様にして２進数で計算するのか、数値や文字をどの様に表現して処理するのかを学び、今後の専門科目への導入につながります。
コンピュータリテラシー:情報科学部での教育のために用意されたテキストを使用してワープロ, 表計算, プレゼン, メールソフトの使い方を習います。単にパソコンに慣れるだけではなく、レポートで使われる図、表、グラフ、数式の作成方法やデータ分析について学びます。そして、ものづくりや心理学で扱われる習熟効果をテーマとした実験のレポートの執筆とそのプレゼンまでを実習します。数理系の基礎科目
線形数学Ⅰ:線形代数は自然科学や社会科学に広い応用をもち、コンピュータシミュレーションやAIなどでも必要になります。線形数学Iでは線形代数の基礎として、行列、行列式、連立１次方程式の解法や逆行列の性質等について、OctaveやPythonといったコンピュータ言語も利用しながら、多くの例題とともに学んでいきます。
微積分学Ⅰ:数学IIIの微分や積分内容も演習しながら学習した上で、データサイエンス学科で必要となる基本的な微積分の手法を、少人数クラス体制で丁寧に学びます。
微分方程式:人口の推移や伝染病の流行などの世の中の現象をモデル化(数式化)すると、微分方程式で記述できる場合が多く存在します。授業では、微分方程式を用いたモデル化の方法とその基本的な解き方について、少人数クラス体制で学びます。また、応用として物理の問題についても扱います。データマイニングの科目
データマイニング:数値データから統計解析・多変量解析を用いて新しい知見を発見します。新しい知見を発見するためには分析結果を上手に解釈することが重要です。そのため、授業ではRを用いながら統計解析・多変量解析の手法を学ぶと同時に、受講者の身近にある商品やサービスに関するマーケティングを題材に分析します。例えば、清涼飲料水に関するアンケートデータや売上データを対象に分析して解釈してみます。
テキストマイニング:テキスト（文章）データを対象に分析して新しい知見を発見します。インターネット上には膨大な量のテキストデータがあります。授業ではそのなかから受講生の身近にある商品やサービスに関して、TwitterやECサイトのクチコミを収集・分析して解釈してみます。経営システム系の科目
経営システム論Ⅰ:価値創造力を身に付ける科目群における基礎に位置付けられます。経営をシステムとして捉えることを学ぶとともに、経営資源である人・もの・かね・情報に関する入門的知識を身に付けます。また、ビジネスゲームを導入することによって経営に対する理解を深めます。
マーケティング論:マーケティングに関する基礎的な項目と最近の問題を取り上げ、その基本的な考え方を理解することを目的としています。具体的には、環境分析、内部分析より、セグメンテーション、ターゲティング、そしてポジショニングといった市場の見方、さらにはマーケティングの具体的な戦略となるマーケティング・ミックスの考え方について解説しています。
工業経営論:モノづくりでは製品を作る固有技術も大切ですが、それをマネジメントする管理技術も併せて重要です。 生産マネジメント、品質管理の説明を通じて、計画、管理、データに基づいたモノづくり経営について学びます。
オペレーションズ・リサーチ:オペレーションズ・リサーチ(Operations Research)は、経営科学やORとも呼ばれています。数理的な思考に基づく意思決定の支援は、勘や経験よりも良い結果が得られます。効率の良いシステムの設計やオペレーションの最適化を図るための技法を身に付けます。
数理ファイナンス:数理ファイナンスでは、直接的な株の取引きのような現物取引だけでなく、 現物取引に連関した金融派生商品としての先物取引やオプション取引などを、 確率的な離散二項モデルを中心にして学びます。
企業会計論:企業の活動は、貸借対照表、損益計算書といった財務諸表によって公表されます。 このデータを活用して財務諸表分析をおこなうことが可能です。 企業会計論では、この分析方法について、実際の財務諸表のデータも活用しておこないます。人工知能の科目
人工知能:人間が行っている知的活動を計算機上に実現しようとする人工知能の概要を学びます。人工知能は計算機の可能性を追求する計算機科学の大きな牽引役のひとつであり、その概要を理解することは意義が深いです。まず人工知能の基本的な知識及び実例について述べ、次に問題を解決するための探索アルゴリズムについて述べます。更にニューラルネットワーク、深層学習による問題解決手法について解説します。
パターン認識:パターン認識とは、実世界の音声や画像の情報などの与えられたパターンがどのカテゴリに属するか、またはどのような属性を持っているかを認識する技術です。パターン認識の手法である最尤推定、サポート・ベクター・マシン、k最近傍法、ベイズ推定、深層学習等について学びます。
機械学習:与えられたデータを解析することによりデータの規則性を発見する手法として、近年の人工知能の発展に大きく貢献している技術が機械学習です。本講義では、機械学習の基本的な考え方からスタートし、教師あり学習と教師なし学習を中心に解説します。また、半教師あり学習、強化学習などを含む新しい手法についても紹介します。情報系の科目
IoT概論:データサイエンスでは様々なデータを処理して様々な発見を目指しますが、そのデータを集める方法について学びます。小さなコンピュータとインターネットを用いたIoTシステムは家電の進化や長時間の観測、多地点での計測などに利用されています。このシステムの構造や実現方法、さらに構成要素であるセンサと通信の基礎について学びます。-
ビジュアルプログラミング論:データ分析した結果を可視化することは、データサイエンティストにとっては必須です。この科目では、Pythonと各種可視化ツール(ライブラリ)を活用し、可視化を行います。また、機械学習、スクレイピング、自然言語処理、画像処理などについても学びます。
-
統計解析の科目
確率・統計:データサイエンス入門のステップアップ科目で、事象の確率から確率変数による確率分布を中心に確率論を学びます。 また、統計に関しては統計的推測と仮説検定の概論を中心に学びます。 演習では Excel や R を使った処理も行いつつ、データ分析をするための基礎力を養います。
統計解析:データサイエンス入門のアドバンスド科目で、平均における信頼区間の推定やカイ２乗検定、t検定やF検定など 統計的推測や仮説検定におけるデータ分析の基本手法を中心に学びます。 演習では R を使った処理を毎回行い、R を使った課題をこなすことで、統計検定２級レベルまでの応用力を養います。
多変量解析:多変量解析は、複数種類のデータに対して、データ間の関係性を表したりデータが持つ特徴を総合的に要約したりするための統計的な手法です。本科目では、重回帰分析、主成分分析、因子分析、クラスター分析について学び、統計ソフトウェアを用いた演習を行います。
実験計画法:実験計画法とは、データ分析のための信頼性の高いデータを効率的に得るために、どのように 実験をデザインすればよいかをまとめたものとなります。この科目では、実験計画法と結びつ きの強い分析手法である分散分析について学び、統計ソフトウェアを用いた演習を行います。プログラミングの科目(C言語)
C演習Ⅰ:Ｃ言語を用いてプログラミングの基礎を身に付けます。Ｃ言語の基本的な文法と問題を解くための手順（アルゴリズム）を学習することで、自分の力で簡単なプログラムが作成できるようになることを目指します。例えば、「複数のデータを正負により分類し、それぞれの平均値を算出する」程度のプログラムを作成します。また受講生は各自、授業中に出される課題を解いていくことで、自分で考える能力も養います。これらによって他のプログラミングの授業への橋渡しをします。
C演習Ⅱ:Ｃ演習Ｉの発展・応用であり、データ構造とアルゴリズムを意識したプログラミング能力を身に付けることを目指します。同じような処理でもデータ構造が異なるとプログラムは大きく異なります。これを理解し、適切なデータ構造を適用するにはデータがどの様に処理されるかを熟知することが重要です。本科目ではこれを目指して、単にＣ言語を用いたプログラミング能力の習得ではなく、アルゴリズムについてより深く考えながらプログラミングできる能力の習得を目指します。プログラミングの科目(Java言語他)
Java演習:Java言語は、公開されてから約30年経っていますが、今でも人気のプログラム言語です。Java言語を学習することで、オブジェクト指向プログラミングの3大要素である「カプセル化」「継承」「多態性(ポリモーフィズム)」を理解します。特に、AndroidではJava言語によってアプリケーションを開発するため、卒業研究などでアプリケーション開発が可能となります。
プログラミング基礎:コンピュータ上で動作するソフトウエア(プログラム)を作成することがプログラミングであり、このためには物事を順序良く考えることが必要です。この科目では、同時期に履修し実際にプログラムを作成する演習科目であるＣ演習Ｉで学ぶ内容を机上で整理しながら学習を勧めます。これにより単に動作を理解するだけではなく、１つの問題を視点や考え方を変えてプログラムを検討することで問題の理解を深めて、様々に応用が可能なプログラミング技術やアルゴリズムの組み立て方の習得を目指します。実践演習系の科目
データサイエンス実践演習Ⅰ:講義科目に対する理解を深めるとともに、レポートを執筆する能力を身に付けることを目標にした演習です。４つのテーマをオムニバス形式で学修します。テーマは、次の通りです。①IoTシステムによるデータの収集と集計を試みます。②ゲームを使って企業経営に挑戦します。③数理モデルによるシステムの最適化を学びます。④行動時間に関するデータと健康状態の関係を分析します。
データサイエンス実践演習Ⅱ:統計解析やデータマイニングなどの科目で学んだ手法について、少人数のグループワークにおいて現実のデータに適用することで理解を深めることを目標にした演習です。以下２つのテーマのオムニバス形式で学習します。テーマ１：批判的データサイエンス実際の取得可能なデータを用いて、毎回集中的に R を用いたデータ分析を行い、その分析結果をグループ発表することで、データサイエンティストとして、より実践的なプロセス（変換、可視化、モデル）のサイクルを体験し、統計検定準１級レベルに向けた実践力を養います。テーマ２：POSデータ分析実際のコンビニエンスストアPOSデータを用いて、Pythonを用いたデータ分析を行い、商品の販売促進施策について分析から提案するまでを体験し、ビジネスにおけるデータサイエンスの実践力を養います。
データサイエンス実践演習Ⅲ:人工知能や機械学習では、単に原理を理解しているだけではなく、実際にこれらの仕組みをデザインして問題解決を図る能力を高める必要があります。そこで、チームを編成して、設定された現実的なテーマに対する解決法を検討し、その結果に基づき人工知能や機械学習のプログラムを開発します。
価値創造演習:現実の企業や社会問題に対して、これまでの科目で学んできたデータサイエンスの知識やスキルを駆使して、少人数のグループで取り組みます。データサイエンスによる新たな知見を創出することを通して、データ分析による提言や施策等の効果検証などの問題解決を図ることを目標にした総合的な演習です。 学生主体の３つの特徴があります。- 自由なテーマ設定：ソーシャル・イノベーション・チャレンジのテーマとしても取り組むことができます。
- 自由なアプローチ：特定のデータサイエンスの知識やスキルに限定しません。
- 自由な活動：毎週決まった時間と場所で授業を受けるのではなく、各グループで活動する時間と場所を決め、進捗を管理します。
-
-
修得するプログラミング言語及び利用するソフトウェア
実践的なデータサイエンスの学びのために、さまざまな科目でPCとソフトウェアを利用する機会が用意されています。図下のようにワープロソフトを使用してレポートを作成したり、表計算ソフトを使って初歩の分析をしたり、成果をプレゼンテーションする科目が多数あります。人工知能に関連する科目だけではなく数学系の科目でもプログラミング言語であるPythonを利用します。統計分析の科目では、R言語を使った分析を修得します。実在するデータを基に分析して、その結果を解釈してみることが大切です。さらに、C演習やJava演習では、プログラミングを体系的に学びます。しかし、入学前のPCに関する知識や習熟は重要ではありません。１年次の前期に、PC操作方法を学ぶコンピュータリテラシーと構造や動作原理の基礎を学ぶコンピュータ入門が用意されているからです。PCとソフトウェアを使いこなすだけでなく、プログラミング能力を身に付けることもできるカリキュラムは、データサイエンス学科の魅力の一つです。 -
-
第1回データ分析実践セミナー(PBL)
データサイエンス学科の1年次を対象としたデータ分析実践セミナーをはじめました。オープンデータをもとにして日本の人口減少について分析し、対策を検討します。受講を希望した19名の学生と学科の全教員が参加し4週間で授業時間8コマ相当のPBL(課題解決型学習)型セミナーです。当学科の1年次のカリキュラムは、データサイエンスの概要を学び、情報技術とデータ分析の分野の基礎を固めることを目標としています。基礎を固めたうえで知識や技能を積み上げていく学びの体系は大切ですが、データサイエンスで「何ができるか」「どのように社会に役立てられるか」を体験する機会が学修への動機づけに繋がることも事実です。そして、今回のセミナーのように実践的な学びを通じて、低年次から価値創造マインドを涵養することが重要だと考えています。1年次向けのセミナーなので、前期に開講された「データサイエンス入門」および「コンピュータリテラシー」で学んだExcelによるデータの可視化について、復習を兼ねたレクチャーを受けたうえで、グループワークに移っていくことがこのセミナーの特徴です。◆ 第1週(11月9日実施)
-
-
-
セミナーの開催に先だって、学科長からセミナーの目的とその意義および教育カリキュラムとの関係について説明しました。その後、設定課題である「人口減少」について、現在の状況や地域への影響、その原因についてのガイダンスを行いました。そして、グループに分かれて分析対象および比較対象とする都道府県を決めて、人口減少の議論のためにデータを可視化する分担について話し合いました。
データ分析のためにExcelを使った平均値や中央値、四分位数などのデータの傾向を表現するための計算方法を配布資料に沿って実習しました。さらに、データの可視化にむけたヒストグラムや箱ひげ図といったグラフの作成に取り組みました。最後に、実際に描かれたグラフの捉え方について解説しました。
◆ 第2週(11月16日実施)
-
第2週では、まず、人口減少の議論の手助けのために仮説を立て検証する方法を説明しました。問題自体を分解することや対象を分けて比較することを学び、その後に、各グループで市区町村における人口の増加や減少の原因についての仮説を立案しました。次に、仮説の因果関係に関する指標の整理方法や分析手順を解説しました。この解説を参考にして、仮説を検証する方法をグループで検討しました。今回のグループワークには、グループを担当する指導教員によるアドバイスも行いました。最後は、これから検証作業をうまく進めていくためのタスクを設定し、その担当や期日などを含んだプロジェクト進行に関する計画をグループごとに立てました。
-
-
◆ 第3週(12月7日実施)
-
-
-
第３週目は次回の成果発表のプレゼンテーションに向けて、発表スライドの作成方法を説明しました。これまでのセミナーで学んだことに加えて、プレゼンテーションにおける概要部分の重要性や、論理展開の方法、見やすい図表のレイアウト、効果的なグラフの作成方法についての注意事項など実践的なポイントを解説しました。その後は、グループワークとして、各指導教員によるアドバイスをもとに、分析成果のまとめ方についてグループで検討しました。次回の成果発表会(コンペティション形式)が楽しみです。
◆ 第4週(12月21日実施)
-
最終週は、各グループの提案に関してコンペティション形式の成果発表会を開催しました。発表者と受講生や審査員（教員）との間で活発な議論が行われました。発表会終了後、他の人の発表を聞いて選択肢を増やすことを目標に他チームの発表で参考になった点などを各チームで議論して整理しました。最後に表彰式において最優秀賞、優秀賞、特別賞、奨励賞が選出され、表彰状と副賞が授与されました。4週間お疲れ様でした。
-
-
-
-
第2回データ分析実践セミナー(PBL)
2021年度に引き続き、データサイエンス学科の1年次を対象としたデータ分析実践セミナーを行いました。オープンデータをもとにして日本の人口減少について分析し、対策を検討します。受講を希望した17名の学生と学科の全教員が参加し4週間で授業時間8コマ相当のPBL(課題解決型学習)型セミナーです。
◆ 11月9日から12月21日実施
-
-
第3回データ分析実践セミナー(PBL)
2023年度もデータサイエンス学科の1年次を対象としたデータ分析実践セミナーを開催しました。オープンデータをもとにして日本の人口減少について分析し、対策を検討する4週間で授業時間8コマ相当のPBL(課題解決型学習)型セミナーです。データサイエンス学科だけではなく他学科の学生を含め18名の希望者とデータサイエンス学科の全教員が参加しました。受講者からは「自らで原因などを考え、データに起こして比較することで仮説に信憑性を持たせることができ、データサイエンスを体感できたような気がした。」や「コミュニケーションをして異なる意見をまとめることにあまり慣れていなかったので、今回のセミナーはいい体験になった。」などの感想が聞かれました。◆ 11月8日から12月6日実施
-
講義一覧
専⾨科⽬
データサイエンス学科では、興味深い専門領域の多彩な学びに触れることができます。数ある専門科目の中から8科目をピックアップして紹介しましょう。
| 科目名 | その中身は... |
|---|---|
| 機械学習 | 機械学習とは与えられたデータを解析することによりデータの規則性を発見する手法であり、機械学習の基本的な考え方、手法を学びます。 |
| データマイニング | データマイニングとは機械学習、パターン認識の技術を用いて、多くのデータから知識を抽出する技術です。データマイニングの目的や意義と具体的な手法について学びます。 |
| 人工知能 | 人間が行っている知的活動を計算機上に実現しようとする人工知能の概要について学びます。 |
| システム工学 | 具体的な事例を多用しつつ、複雑なシステムを取り扱うためのシステムズアプローチ、システム計画、モデリング、最適化、高信頼化の技法等を学びます。 |
| ロジスティックス | 現代社会に不可欠なロジスティクスについて、基礎的な概念を紹介し、小売業、製造業、流通業といった業種別のロジスティクスの特徴を明らかにし、管理のための効果的な手法について学びます。 |
| マーケティング論 | 市場機会を発見する3C分析やSWOT分析、マーケティング・ミックス(4P)、ブランド戦略などを紹介し、売れる仕組みづくりについて理解することを目的とします。 |
|
データサイエンス
実践演習I,II,III
|
IoT、統計解析、データマイニング、機械学習などの知識や技術について、演習を通して確認するとともに、応用的な課題の解決から、より深い理解を得ます。 |
| 価値創造演習 | 複数の分野にまたがる知識を適用して、具体的な問題解決を図ることで価値創造のための実践力を高め、より深い理解を得ます。 |
カリキュラム
| 専門科目 | 1年次 | 2年次 | 3年次 | 4年次 |
|---|---|---|---|---|
| 数理科学 | 線形数学Ⅰ 微積分学Ⅰ 微分方程式 |
情報数学 グラフ理論 確率・統計 |
線形数学Ⅱ 微積分学Ⅱ 数理計画法 |
|
| 専門基礎 | コンピュータ入門 プログラミング基礎 テクニカルライティング 情報処理基礎 コンピュータリテラシー データサイエンス入門 IoT概論 教育心理 |
情報通信ネットワーク データ構造とアルゴリズム 統計解析 |
実験計画法 多変量解析 |
|
| 基幹科目 | データベースシステム システム工学 経営システム論Ⅰ データマイニング テキストマイニング ビジュアルプログラミング論 ソフトウェア工学 パターン認識 機械学習 発想法と問題解決 |
オペレーションズ・リサーチ 情報技術者論 情報ゼミナール 情報セキュリティの基礎 人工知能 |
||
| 応用科目 | 情報科学実践演習(国際PBL) 教育技法 工業経営論 |
モデリングとシミュレーション 経営システム論Ⅱ マーケティング論 数理ファイナンス ロジスティックス 企業会計論 教育工学 情報科教育法 投資意思決定論 経営戦略論 |
||
| 演習科目 | C演習Ⅰ | C演習Ⅱ Java演習 データサイエンス実践演習Ⅰ |
データサイエンス実践演習Ⅱ データサイエンス実践演習Ⅲ 価値創造演習a 価値創造演習b |
|
| 卒業研究 | 卒業研究 |
共通科⽬
総合人間学系
| 1年次 | 2年次 | 3年次 | 4年次 | |
|---|---|---|---|---|
| 人文社会科学 | 倫理学基礎 人類の歴史◎ 言語学基礎 人間発達と人権 |
哲学基礎◎ 社会学基礎 情報社会論◎ 応用倫理学◎ 日本の歴史 文学基礎◎ 観る文学 日本国憲法 法学基礎 経済学基礎◎ 現代経済論 心理学基礎 |
情報法学◎ | |
| 外国語 | 英語表現Ⅰａ・Ⅰｂ 口語英語Ⅰａ・Ⅰｂ 日本語Ⅰ・Ⅱ（外国人留学生対象） |
英語表現Ⅱａ・Ⅱｂ 口語英語Ⅱａ・Ⅱｂ 英語による情報技術Ⅰａ・Ⅰｂ |
英語の語法 英語による情報技術Ⅱ |
|
| 海外語学研修 | ||||
| 健康・スポーツ科学 | 基礎スポーツ科学ａ・ｂ | 健康科学 スポーツ科学実習 |
||
総合理学系
| 1年次 | 2年次 | 3年次 | 4年次 | |
|---|---|---|---|---|
| 科学技術史 | 科学史 | |||
| 物理 | 物理学基礎◎ 力学 電磁気学 |
物理現象の数理 現代物理学入門◎ |
||
| 化学 | 化学基礎 環境情報科学 |
|||
| 地学 | 地球科学基礎 地球環境◎ |
|||
| 生物 | 生命科学基礎 情報生命科学◎ |
|||
| 総合 | 視る自然科学 |
◎を示した科目は、選択必修科目です。
キャリア科目
| 1年次 | 2年次 | 3年次 | 4年次 | |
|---|---|---|---|---|
| キャリア科目 | 基礎ゼミナール キャリアステップ OIT概論 |
キャリアデザインⅠ キャリアデザインⅡ グローバルテクノロジ論 |
-
担当教員一覧
共通教育担当教員は、便宜上４つの学科のいずれかに属しています（IC:情報知能学科、IN:ネットワークデザイン学科、IS:情報システム学科、IM:情報メディア学科)。いずれの教員も学部全体の教育を担当しています。職階 教員 研究室 教授 雨宮 徹 倫理学研究室 IS 教授 井上 裕美子 運動生理学研究室 IN 教授 木村 哲士 基礎物理学研究室 IC 教授 田岡 育恵 英語学・語法研究室 IM 教授 藤井 研一 計測およびシミュレーション物理研究室 IC 教授 矢野 浩二朗 VR・メタバース教育研究室 IN 教授 横川 美和 地球環境研究室 IN 准教授 アンドリュー メロウ 英語・語彙習得研究室 IM 准教授 黒川 尚彦 英語学・語用論研究室 IS 准教授 古樋 直己 科学技術英語研究室 IM 准教授 横山 恵理 日本文学研究室 IS 講師 久米 大祐 応用生理学研究室 IN 講師 中西 淳 計量言語学・語彙研究室 IM
Contactお問い合わせ
情報科学部事務室枚方キャンパス1号館1階
Tel:072-866-5301
Fax:072-866-8302
受付時間：平日9:00〜17:00
夏期・冬期休業期間中のお問い合わせには、回答にお時間を頂く場合があります。