データサイエンス学科

ようこそデータサイエンス学科へ

 私たちは今、「超スマート社会」という歴史的な節目を迎えようとしています。 情報技術のスペシャリストを育成してきた情報科学部において本学科は、情報技術を基盤に社会やビジネスの仕組みを学びながら、 価値創造マインドや課題解決能力、コミュニケーション能力を兼ね備えた「AI(人工知能)・ICT(情報通信技術)およびビッグデータを使いこなす人」を育成します。
 アプリやプログラミングの基礎学習から、高度な情報処理技術までしっかり学ぶことができ、AIの使い方やPCによる統計処理なども修得します。それに加え、人や社会・ビジネスなどの適用分野に関する知識を身に付けます。社会の課題を具体的に解決できるのは情報技術を基盤にしているからこそ。文理融合の学びで、社会の課題に対して価値創造ができるデータサイエンスのプロフェッショナルを育成します。

データサイエンス学科の特徴

 データサイエンスは、企業や社会の抱える課題や問題に対して、データの収集とその分析により新たな価値を生みだすことを目的としています。また、データサイエンスを学び定量的で論理的な思考を身につけることは、コミュニケーション力やプレゼンテーション能力を高めることにも繋がります。データサイエンスのプロフェショナルを育成するために、当学科は「ITスキル×データ分析力×価値創造力」を養うために、特徴あるカリキュラムを提供します。

1. 情報技術を基盤とした学び

 データの収集・保管・分析・可視化には、情報機器やコンピュータおよびソフトウェアを利用する能力が求められます。また、新たな価値を創造し実装するには、システムやソフトウェアの開発能力が要求されます。システムやソフトウェアの開発のための知識として、IoT、AI(人工知能)、データベース、ネットワーク、セキュリティ、プログラミング、ソフトウェア工学、システム工学などを学びます。
 特に、プログラミングでは、AI・データサイエンスでよく使用されているPythonやRだけでなく、ソフトウェア開発で使用されているCやJavaを使って基礎から学び、効率的なプログラムを作成するためにデータ構造やアルゴリズムについても学修します。情報技術を基盤にした学びは、情報科学部内に設置されたデータサイエンス学科の最大の特徴といえます。

2. 文理融合を目指した学びと入試

 AI・データサイエンスは、工業製品や商品の企画・開発だけではなく、企業の戦略やさまざまなオペレーション、金融、経済、健康、スポーツ、さらには政府や自治体の政策・制度にいたるまで幅広く貢献する可能性を持っています。あたらしい価値の創造には、技術だけではなく、人や社会などのシステムに関する興味と知識が必要になります。そのため専門科目には、経営戦略、ものづくり、マーケティング、ロジスティクス、ファイナンス、教育、発想法に関する科目が開講されています。
 また、データサイエンス学科には、「物理/化学/生物から選択できる理系型入試」と「国語/地理歴史・公民から選択できる文系型入試」があります。高校で理系科目を中心に学んだけど、国語や社会の方が好き、得意という受験生には文系型入試がおススメです。
※出願する入試により内容は異なります。入試制度の詳細は入試ガイド2022をご確認ください。

3. 進路や興味によって幅広く選択できる共通教育の学び

 情報科学部の共通科目は、「総合人間学系」と「総合理学系」から構成されています。「総合人間学系」は、さらに「人文社会科学」、「外国語」、「健康・スポーツ科学」に分類されます。データサイエンス学科の共通科目に関する卒業要件は、「人文社会科学」12単位以上、「外国語」8単位、「健康・スポーツ科学」2単位を含む36単位以上となっています。
 文理融合を目指すデータサイエンス学科では、個人の進路や興味にあわせて人文社会科学を十分に学ぶことができるように設計されています。もちろん、総合理学系に興味がある方は、物理、化学、地学、生物系の科目をうまくミックスすることも可能です。

4. 理論だけでなく実践を意識した学び

 統計の手法や理論を理解するだけではなく、コンピュータとソフトウェアを使って実際にあるデータを分析してその結果を解釈してみる。実践に焦点をあてた学びが、価値創造のマインドを醸成させます。ノートPCを相棒にして、さまざまなデータ分析を楽しみましょう。
 情報科学部は、2019年から枚方市役所と北大阪商工会議所と共催して、産官学地域課題解決「ひらかたアイデアソン・ハッカソンプロジェクト」を運営しています。このイベントはHirathonと呼ばれ、多数の企業や団体から協力を受けています。他学の学生も参加できるオープンなイベントです。チームを編成して、企業や地域が持つ課題に挑戦してみよう。

5. 高校生や社会人に対するAI・データサイエンス教育プログラムの提供

 データサイエンス学科の教員による教育活動の対象は、大学生だけに留まりません。高校生(常翔学園高校1年生)には、AI・DSの概要1コマ、テキストマイニング2コマ、Pythonによるプログラミング4コマからなる「AI・DS講座」を開講しています。社会人にはデータマイニング実践特論、機械学習実践特論、データサイエンスPBL、モノづくりのためのデータサイエンス実践特論、マーケティングのためのデータサイエンス実践特論の5科目から構成されるAIデータサイエンス・リカレント教育プログラム(履修証明プログラム)を提供しています。
 さまざまなニーズに対応した教育プログラムを柔軟に提供できる。そして、様々なプログラムを提供することで、教育の改善が進む。これが、データサイエンス学科の教育スタッフの強みの一つです。

AI・DS講座
常翔学園高等学校

    AI・DS講座Ia
  • AI・DSの基礎(1コマ)
      データサイエンスと情報科学
  • ビッグデータとテキストマイニング(4コマ)
      レビューコメントからわかること
      テキストマイニングとは
    AI・DS講座Ib
  • 機械学習とプログラミング(4コマ)
      ゲームとアルゴリズム
      プログラミングによるアルゴリズムの表現
      OpenCVを使った画像認識
      YOLOを使った物体認識

ひらかたアイデアソン・
ハッカソンプロジェクト

主 催:
 
枚方市役所,北大阪商工会議所,大阪工業大学
協 賛:
 
ソフトバンク株式会社,リコージャパン,富士通Japan
協 力:
 
枚方市役所(観光交流課・減量業務室・
 
農業振興課),枚方宿五六市,枚方宿鍵屋資料館,
    枚方ビオルネ,枚方信用金庫,
 
水都大阪コンソーシアム
趣 旨:
 産官学地域課題解決「ひらかたアイデアソン・ハッカソンプロジェクト」は、一般的に多くの企業が抱えている業務課題や、行政の抱える地域課題をアイデアソン・ハッカソン形式で、企業・行政・大学の力を合わせて解決することを目的として発足した。大学の専門性を活かしてニューノーマル社会における新たな街づくりに向けて学際的に取り組むことで、ビジネスアイデア創出スキルを高めるためのアイデア発想のトレーニングなどの人材育成の一助ともする。
特 徴:
 地域課題の解決に向けて長期間取り組む。
 課題保有者と連携して実際に近い状態で事業化などの可能性について調査する。
 地域課題に取り組むため、有用なアイデアなどについては早期の社会実装(課題の解決)が期待される。

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。

段階的な学びの体系

※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。

人工知能の科目

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。

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。



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。

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言語を学習することで、情報科学の重要な考え方であるオブジェクト指向プログラミングを理解します。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。

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。






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。

Python,R,C,Java

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(12月8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(12月15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22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(1月5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。

Q&A

データサイエンス学科は、どのような学科ですか?他学科と比べてどのような特徴がありますか。

データサイエンス学科は、統計分析と情報技術によって、社会や企業の問題を解決するための新しい価値を創造することを目的としています。
他の4学科が情報技術の創出を目指しているのに対して、当学科は情報技術を活用して実社会の課題に適用することに焦点をあてています。このため教育カリキュラムにおいては、既設4学科で開講されているコンピュータの基礎に関わる科目(デジタル回路、計算機アーキテクチャ、オペレーティングシステムなど)は扱わずに、情報システムの利用や開発に必要な科目(プログラミング、ソフトウェア工学、データベースシステム、情報通信ネットワーク、情報セキュリティの基礎、情報技術者論など)に絞り、その分、「AI(人工知能)」、「統計分析」や「問題解決」に関する科目を充実させています。

文系の生徒です。データサイエンスに興味があります。専門科目の学習は大丈夫でしょうか?

当学科のカリキュラムは、新しい価値を創造するための能力を身に付けることを目標としています。そのため、統計や情報技術を利用できるようになることを目指します。しかしながら、データ分析やシステム最適化の基礎となる数学の教育は気になるところですね。例えば、1年次の前期に開講される数学系の2科目(線形数学I,微積分学I)では、2クラスに分けて少人数で指導するとともに、課題を使いながら着実に理解を深めていきます。
 また、専門科目には統計や情報技術だけではなく、社会システムや企業システム、問題解決に関する科目も開講されています。文理融合を志向した分野であるため、共通教育においても、人文系(言語学,社会学,心理学,経済学など)と理学系(物理,化学,地学,生物など)の科目を学生の興味や進路にあわせてより自由に選択できるように卒業要件が設計されています。高校でのコース(文系・理系など)よりも、データサイエンスや情報技術への関心と授業に対してきちんと取り組む姿勢の方が重要です。

1年次にも実践的な演習や実習はありますか?

実践的にデータサイエンスを学ぶために、さまざまな授業科目において実データおよびPCを使った演習を用意しています。1年次はしっかりと学びの基礎を固めることが重要です。しかし、学んだことを使ってみたり学びのゴールを示唆してくれるような機会はあった方が、確かに学習意欲も湧きますよね。
 そこで、データサイエンス学科では1年次を対象とした『データ分析実践セミナー』を12月に企画しています。このセミナーはPBL形式ですから、答えが定まっていない問題に対してチームを編成して自分たちで解決案を提示します。今回は、日本社会で問題となっている人口減少をテーマとしています。まず、分析方法に関する講習を受け、公開されている都道府県の社会統計データを使ってグループで分析・解釈し、発表会で成果を競います。希望者のみのセミナーですが、参加者の学習意欲が刺激されるものと確信しています。詳細はこちら