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。

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:
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:
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。

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。

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。

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。

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。