卒業生の方へFor Alumni

For Students在学生の方へ

学部紹介Faculty

Data Science Educational Program

数理・データサイエンス
プログラム

データ分析を地域や職場で 活かす力を身に付ける!

長岡大学数理・データサイエンスプログラム

本プログラムは「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(リテラシーレベル)」に認定されました。(認定の有効期限:令和11年3月31日)

<参考資料>

本プログラムにおいて身に付けることのできる能力

  • データが重要視される社会背景とAI活用の事例データ倫理について、具体的な事例を踏まえて説明できる。
  • 与えられたデータについて、具体的な指示の下でデータの集計・分析・最適な可視化ができる。
  • 目的達成に必要なデータを収集し、分析・収集・可視化する手法を考え、具体的な資料にまとめられる。

開設される授業科目

  • 「データサイエンス基礎」(教養科目、2単位、1年次配当)

修了要件

  • 「データサイエンス基礎」2単位を修得すること。

構成する授業の内容

授業に含まれている内容・要素 講義内容
(1)現在進行中の社会変化(第4次産業革命、Society 5.0、データ駆動型社会等)に深く寄与しているものであり、それが自らの生活と密接に結びついている 1-1
  • ビッグデータ、IoT、AI、ロボット  「データサイエンス基礎」(1回目)
  • 第4次産業革命、Society 5.0、データ駆動型社会  「データサイエンス基礎」(1回目)
1-6
  • AI等を活用した新しいビジネスモデル(シェアリングエコノミー、商品のレコメンデーションなど)  「データサイエンス基礎」(8回目)
  • AI最新技術の活用例(深層生成モデル、敵対的生成ネットワーク、強化学習、転移学習など)  「データサイエンス基礎」(8回目)
(2)「社会で活用されているデータ」や「データの活用領域」は非常に広範囲であって、日常生活や社会の課題を解決する有用なツールになり得るもの 1-2
  • 調査データ、実験データ、人の行動ログデータ、機械の稼働ログデータなど  「データサイエンス基礎」(2回目)
  • 1次データ、2次データ、データのメタ化  「データサイエンス基礎」(2回目)
1-3
  • データ・AI活用領域の広がり(生産、消費、文化活動など)  「データサイエンス基礎」(1回目、3回目)
  • 研究開発、調達、製造、物流、販売、マーケティング、サービスなど  「データサイエンス基礎」(1回目、3回目)
(3)様々なデータ利活用の現場におけるデータ利活用事例が示され、様々な適用領域(流通、製造、金融、サービス、インフラ、公共、ヘルスケア等)の知見と組み合わせることで価値を創出するもの 1-4
  • データ解析:予測、グルーピング、パターン発見、最適化、シミュレーション・データ同化など  「データサイエンス基礎」(7回目)
  • データ可視化:複合グラフ、2軸グラフ、多次元の可視化、関係性の可視化、地図上の可視化、挙動・軌跡の可視化、リアルタイム可視化など  「データサイエンス基礎」(3回目、4回目)
1-5
  • データサイエンスのサイクル(課題抽出と定式化、データの取得・管理・加工、探索的データ解析、データ解析と推論、結果の共有・伝達、課題解決に向けた提案)  「データサイエンス基礎」(1回目、3回目)
  • 流通、製造、金融、サービス、インフラ、公共、ヘルスケア等におけるデータ・AI利活用事例紹介  「データサイエンス基礎」(1回目、8回目)
(4)活用に当たっての様々な留意事項(ELSI、個人情報、データ倫理、AI社会原則等)を考慮し、情報セキュリティや情報漏洩等、データを守る上での留意事項への理解をする 3-1
  • 個人情報保護、EU一般データ保護規則(GDPR)、忘れられる権利、オプトアウト  「データサイエンス基礎」(6回目)
  • データ倫理:データのねつ造、改ざん、盗用、プライバシー保護  「データサイエンス基礎」(6回目)
  • データバイアス、アルゴリズムバイアス  「データサイエンス基礎」(6回目)
3-2
  • 情報セキュリティ:機密性、完全性、可用性  「データサイエンス基礎」(6回目、9回目)
  • 匿名加工情報、暗号化、パスワード、悪意ある情報搾取  「データサイエンス基礎」(6回目、9回目)
(5)実データ・実課題(学術データ等を含む)を用いた演習など、社会での実例を題材として、「データを読む、説明する、扱う」といった数理・データサイエンス・AIの基本的な活用法に関するもの 2-1
  • データの種類(量的変数、質的変数) 「データサイエンス基礎」 (2回目)
  • データの分布(ヒストグラム)と代表値(平均値、中央値、最頻値) 「データサイエンス基礎」(2回目、3回目)
  • 代表値の性質の違い(実社会では平均値=最頻値でないことが多い) 「データサイエンス基礎」(9回目)
  • データのばらつき(分散、標準偏差、偏差値)  「データサイエンス基礎」(10回目)
  • 相関と因果(相関係数、擬似相関、交絡)  「データサイエンス基礎」(4回目)
  • 母集団と標本抽出(国勢調査、アンケート調査、全数調査、単純無作為抽出、層別抽出、多段抽出)  「データサイエンス基礎」(2回目)
2-2
  • データ表現(棒グラフ、折線グラフ、散布図、ヒートマップ)  「データサイエンス基礎」(11回目、12回目)
  • データの図表表現(チャート化)  「データサイエンス基礎」(12回目)
2-3
  • データの集計(和、平均)  「データサイエンス基礎」(9回目)
  • データの並び替え、ランキング  「データサイエンス基礎」(9回目、10回目)
  • データ解析ツール(スプレッドシート)  「データサイエンス基礎」(13回目、14回目)
  • 表形式のデータ(csv)  「データサイエンス基礎」(3回目、9回目)

実施 体制

プログラムの改善・進化させるための体制(カリキュラム検討委員会)

  • 本プログラム改善のPDCA管理、進捗管理
  • 適宜、プログラム授業担当教員(3名)と直接連携
  • 教務委員会・FD部会との連携
    履修関連の管理。マンツーマン面談情報・授業アンケート調査を通じた授業改善提案

履修者数・率の向上に向けた計画 ・履修率の目標

令和5年度
(実績)
令和6年度
(予定)
令和7年度
(予定)
令和8年度
(予定)
令和9年度
(予定)
9% 27% 54% 78% 91%

実施計画

令和6(2024)年度からのカリキュラム改善の一環として、「データサイエンス基礎」を卒業要件として1年次必修科目とした(教養科目、1年次配当、2単位)。あわせて、全学的に数理・データサイエンス・AI教育を重視する旨を明示するため、教育課程編成の方針(カリキュラム・ポリシー)も変更した。必修化後も「データサイエンス基礎」では前年度と同内容の教育を予定している。新カリキュラムの年次進行によって、令和9(2027)年度には履修率100%をほぼ達成できる見込みである。

なお、令和5(2023)年度以前の入学者に対しては、4月のオリエンテーション時にゼミナール別で実施する履修確認の集合研修で、ゼミナール教員が「データサイエンス基礎」の履修を促すよう個別指導を徹底する。さらに、毎年春に配布する「履修ガイド」においても、令和7(2025)年度より同授業の意義などを解説して履修につなぐ。

プログラムの自己点検・評価

アクセス
学長メッセージ
年間スケジュール
学部紹介
シラバス
学納金・奨学金
米百俵ドリル ベーシックコース
米百俵ドリル スタンダードコース
米百俵ドリル SP1
長岡大学付属図書館
長岡大学同窓会
学校法人中越学園 中越高等学校
高等教育コンソーシアムにいがた
まちなかキャンパス長岡