Siデータサイエンス教育プログラム
このプログラムは、本学が標榜する「社会知性(Socio-Intelligence)の開発」の一翼を担うものであり、その目的は、近年急速に進みつつあるビッグデータとAI(人工知能)が駆動する情報化社会を生き抜く力を身につけ、社会の諸課題を解決する手段の1つを養うことです。今後、「専修大学が創り育てる知」のあり方の一つとなります。また、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)※全学部」および「数理?データサイエンス?AI教育プログラム認定制度(応用基礎レベル)※ネットワーク情報学部のみ」に認定されています。
※役職は、収録当時のものです
Siデータサイエンス教育プログラムの目的
?データサイエンスとは情報化が進んだ現代においては、日々の社会活動の中で、ソーシャルメディアでのつぶやきのデータ、人々の位置データ、日々の購買データなど膨大なデータ(ビッグデータ)が集められ、蓄積されていきます。そういったビッグデータから、統計的手法やAIなどを駆使して、これまでは分からなかった有用な知見を引き出すことに成功しつつあり、それによって社会的課題を解決することができるようになってきました。このようなことがデータサイエンスです。
?データサイエンスを学ぼう
ソーシャルメディアで次になにが話題になりそうかとか、人々の購買データから次に何が売れそうかといった具体的な事例を考えると、ビッグデータの分析がいかに役立つかがイメージしやすいと思います。そういったビッグデータから有用な知見を引き出すには、データ分析や統計学が必要ですが、文系を選んできた皆さんにとって、やや遠い世界のものと考えている人もいるかもしれません。しかし、社会的問題を解決する上で、今や必須の能力になりつつあります。また、ビッグデータは、扱う側だけでなく提供する側だけでもこれまで以上の情報倫理が必要になってきています。皆さんが、将来、どのような仕事に就くにしても、進化したデジタルなどによる生活その他の変革を意味するDX(デジタルトランスフォメーション)の進む未来において、不可欠な能力となるでしょう。
?文系の学問とデータサイエンスの融合

AIの発展に伴い、従来は人だけができるとされてきた知的、感性的な領域も自動化されつつあります。例えば、難しいと考えられてきた囲碁でもAIがプロ棋士を破りました。また、言語といった代表的な文系の分野にも情報処理は及んでおり、リアルタイム翻訳や画像認識なども皆様の身の回りにも浸透しつつあります。こういった領域では、特に文系からのアプローチの重要性が大きくなってきています。文系の学問とデータサイエンスの融合が新しい時代を開きます!それが専修大学の目指すデータサイエンス(Siデータサイエンス)です。
?本教育プログラムの目的
ビッグデータやAIによって駆動される現代の情報化社会の変化について理解し、基礎的な情報処理?データ分析能力?情報倫理を身に付けることが、本教育プログラムの第一の目的です。その上で、各学部教育および全学部教育を通して、データサイエンスの知見も駆使できる人材を育成することを目指します。
修了認定対象となるSiデータサイエンス教育プログラム受講者
基礎リテラシーレベル 全学部全学科(2022年度以降入学者)
応用基礎レベル 全学部全学科(2023年度以降入学者)
※ネットワーク情報学部ネットワーク情報学科は、2019年度以降入学者
各学部?学科で用意している本プログラムに対応する科目を履修し、単位を修得した学生には、本プログラムを修了したことが認められます。
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)/(応用基礎レベル)」に認定されました。※詳細はこちらをご覧ください。

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)」申請様式
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(応用基礎レベル)」申請様式
実施体制
本プログラムの実施体制を下表に示します。
委員会等 | 役割 |
専修大学数理?データサイエンス?AI教育運営委員会 | プログラムの運営責任者 |
専修大学数理?データサイエンス?AI教育運営委員会 | プログラムの改善?進化 |
専修大学 自己点検?評価委員会 数理?データサイエンス?AI教育関係自己点検?評価実施委員会 |
プログラムの自己点検?評価 |
開講科目と修了要件
?Siデータサイエンス教育プログラム
※応用発展レベルの科目のうち、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(応用基礎レベル)」の修了要件は、ページ下部の「応用基礎レベルの開講科目(修了要件)」をご覧ください。
?基礎リテラシーレベルの開講科目(修了要件)
多くの学部?学科では、基礎的なデータ分析の手法や統計学について、転換?導入科目の一つである「情報入門1、情報入門2」で学びます。(専門科目で学ぶ学部?学科もあります。詳細は、次表を参照してください)
また、この科目の単位を修得することで、「Siデータサイエンス教育プログラム(基礎リテラシーレベル)」の修了資格が得られます。(修了証明書をbet36体育在线,bet36体育投注6年度に発行予定)
〇必修 ◎選択必修
※学部の必修?選択必修とは異なります。
学部 | 学科 | 科目 | 単位数 | 必修? 選択必修 |
修了要件 |
経済 | 現代経済 | 情報入門1 情報入門2 |
各2 | 〇 | 4単位 修得 |
生活環境経済 | |||||
国際経済 | |||||
法 | 法律 | ||||
政治 | |||||
経営 | 経営 | 情報処理入門 情報リテラシ基礎演習 情報システム入門 統計入門 |
各2 |
〇 | 8単位 修得 |
ビジネスデザイン | |||||
商 | マーケティング | 情報基礎Ⅰ 情報基礎Ⅱ |
各2 | 〇 | 4単位 修得 |
会計 | |||||
文 | 日本文学文化 | 情報入門1 情報入門2 |
各2 | 〇 | 4単位 修得 |
英語英米文 | |||||
哲 | |||||
歴史 | |||||
環境地理 | |||||
ジャーナリズム (2023年度以降入学者) | |||||
ジャーナリズム (2022年度入学者) |
情報表現実習(基礎) | 2 | 〇 | 10単位 修得 | |
スポーツ医科学情報 | 2 | ◎※1 | |||
現代社会とスポーツ | 2 | ||||
心理情報とメンタルマネジメント | 2 | ◎※2 | |||
ライフステージと健康情報 | 2 | ||||
コンディショニングのための情報分析 | 2 | ||||
パブリックメディア論 | 2 | 〇 | |||
情報表現実習(応用) | 2 | 〇 | |||
ネットワーク情報 | ネットワーク情報 | 情報分析基礎 | 各2 |
〇 |
6単位 修得 |
情報分析演習 | |||||
ネットワーク情報総論1 | |||||
人間科 | 心理 | 情報入門1 情報入門2 |
各2 | 〇 | 4単位 修得 |
社会 | |||||
国際 コミュニケーション |
日本語 | 日本語情報処理1 日本語情報処理2 |
各2 | 〇 | 4単位 修得 |
異文化 コミュニケーション |
情報入門1 情報入門2 |
各2 | 〇 | 4単位 修得 |
※2 3科目の中から1科目(2単位)選択必修
※3 シラバスはこちらをご覧ください
基礎リテラシーレベルの内容をさらに深く?広く展開して学ぶための科目を用意しています。
各学部?学科に定められた科目の単位を修得することで、「Siデータサイエンス教育プログラム(応用基礎レベル)」の修了資格が得られます。
〇必修 ◎選択必修 △選択
※学部の必修?選択必修とは異なります。
現代経済学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
生活環境経済学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
国際経済学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
統計学基礎 | 2 | 〇 | 2単位 | 8単位 |
情報入門2 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
生活環境経済学科
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
経済データ入門演習 | 2 | ◎ | 2単位 | 8単位 |
現代社会と統計1 | 2 | ◎ | ||
情報入門2 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
国際経済学科
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
データ分析入門 | 2 | ◎ | 2単位 | 8単位 |
国際経済とデータ分析 | 2 | ◎ | ||
現代社会と統計1 | 2 | ◎ | ||
情報入門2 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
法律学科?政治学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
データ分析入門 | 2 | 〇 | 2単位 | 8単位 |
情報入門2 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
経営学科?ビジネスデザイン学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
統計入門 | 2 | 〇 | 2単位 | 10単位 |
情報システム入門 | 2 | |||
〇 | 2単位 | |||
プログラミング基礎 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
マーケティング学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
会計学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
ビジネス数理基礎 II | 2 | 〇 | 2単位 | 8単位 |
情報基礎II |
2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
会計学科
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
ビジネス数理入門 | 2 | 〇 | 2単位 | 8単位 |
情報基礎II |
2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
日本文学文化学科?英語英米文学科?哲学科?歴史学科?環境地理学科?ジャーナリズム学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
データ分析入門 | 2 | 〇 | 2単位 | 8単位 |
情報入門2 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
ネットワーク情報学科
科目 | 単位数 | 必修? 選択必修 |
修了要件 | |
情報分析基礎 | 2 | 〇 | 2単位 以上 |
12単位 |
数理リテラシー | 2 | △ | ||
基礎解析 | 2 | △ | ||
線形代数 | 2 | △ | ||
データ解析1 | 2 | △ | ||
プログラミングと数理 | 2 | ◎ | 2単位 以上 | |
基礎演習S | 4 | ◎ | ||
特殊講義 (人工知能入門) |
2 | 〇 | 2単位 | |
応用演習 (データサイエンス) |
4 | ◎ | 2単位 以上 | |
データサイエンス演習1 | 2 | ◎ | ||
データサイエンス演習2 | 2 | ◎ | ||
特殊演習 (データ?AI活用) ※2023年度新規開講 |
2 | ◎ |
心理学科?社会学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
数理科学3a | 2 | 〇 | 2単位 | 8単位 |
情報入門2 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用) |
2 | 〇 | 2単位 |
日本語学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
異文化コミュニケーション学科
*1 ネットワーク情報学部専門科目(学部間相互履修制度により履修可能)
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
日本語情報処理1 | 2 | 〇 | 2単位 | 8単位 |
日本語情報処理2 |
2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
異文化コミュニケーション学科
科目 | 単位数 | 必修? 選択必修 | 修了要件 | |
データ分析入門 | 2 | 〇 | 2単位 | 8単位 |
情報入門2 | 2 | 〇 | 2単位 | |
特殊講義 (人工知能入門)*1 |
2 | 〇 | 2単位 | |
特殊演習 (データ?AI活用)*1 |
2 | 〇 | 2単位 |
?SiDS関連科目
基礎リテラシーレベルの履修を前提とし て、 各学部教育および全学部教育 においてSiDS関連科目を学ぶことができます。将来的には、文系の学問とデータサイエンスの融合から新しい知の創出を目指します。以下の具体的な例をみるとイメージしやすいでしょう。
★経営学部の例
(1)タクシー乗降件数に関する統計情報や独自に収集したデータを多角的に分析し、スマートモビリティが支える未来の生活について提言する。
(2)定性分析と定量分析を組み合わせて、飲食店の“雰囲気”の正体を解明する。
(3)オリジナルのPOP広告を使った実験を通じて、シーンごとの有効な広告表現を探究する。
★商学部マーケティング学科の例
RTDコーヒーは、香りが消費者の商品選択の要因となり、実際の食品の併買行動に関与しているかを検証する。RTD:Ready To Drink(買ってすぐ飲める)
★文学部の例
(1)相馬永胤英文日記を用いたテキスト分析で、相馬留学当時のニューヨークでの生活風景を可視化する。
(2)葬儀業界誌の記事中の英文テキストや画像の計量分析を行い、アメリカ人の生死観の研究に役立てる。
(3)テキスト?データの数量化によって客観的指標と主観的評価の関係を調べ、自動採点手法を開発する。
★ネットワーク情報学部の例
AIで自分の理想にチャレンジ! 骨格認識AIを使い、スポーツ?Web会議?日常をスマート化する。
★人間科学部の例
<心理学科>
(1)ラットから象までさまざまな動物の動きを解析し、動物の心理を明らかにする。
(2)経験サンプリング法を用い、その時その場の状況、思考や感情、そして行動をリアルタイムで計測し、日常に潜む抑うつや不安などの要因を探る。
<社会学科>
(1)アンケート調査のデータから、どういう人の結婚時期が遅くなりやすいかを統計的に分析し、結婚に対する人びとの価値観の多様性を明らかにする。
(2)インタビュー調査をテキストマイニングの方法を用いて分析し、ファンがアイドルに求める要素を明らかにする。
★国際コミュニケーション学部日本語学科の例
(1) 言葉を大量に集めたビッグデータである「コーパス」の分析によって、過去100年の間に日本語の書き言葉がどのように変化したかを解明する。
(2)言語調査?アンケート調査やコーパスから収集した言語データを統計的に分析し、データが語ることを正確に読み解く「目」を養う。
また、SiDS関連科目は、以下の表をご覧ください。
学修項目
|
現代経済学科 | 生活環境経済学科 | 国際経済学科 |
統計および数理基礎 | 統計学1?統計学2 経済統計論1?経済統計論2 経済数学基礎 経済数学1?経済数学2 |
現代社会と統計2 | 現代社会と統計2 |
アルゴリズム基礎 | |||
データ構造とプログラミング基礎 |
|||
時系列データ解析 | |||
テキスト解析 | |||
画像解析 | |||
データハンドリング | |||
データ活用実践(教師あり学習) | |||
データ活用実践(教師なし学習) |
学修項目
|
法律学科 | 政治学科 |
統計および数理基礎 | ||
アルゴリズム基礎 | ||
データ構造とプログラミング基礎 | ||
時系列データ解析 | ||
テキスト解析 | ||
画像解析 | ||
データハンドリング | ||
データ活用実践(教師あり学習) | ||
データ活用実践(教師なし学習) |
学修項目
|
経営学科 | ビジネスデザイン学科 |
統計および数理基礎 | 経営数学基礎演習(微分積分A) 経営数学基礎演習(微分積分B) 経営数学基礎演習(線形代数A) 経営数学基礎演習(線形代数B) マーケティング?リサーチ オペレーションズ?リサーチB シミュレーション論 | |
アルゴリズム基礎 |
プログラミング応用 Webプログラミング | |
データ構造とプログラミング基礎 | プログラミング応用 Webプログラミング | |
時系列データ解析 | ファイナンスと統計 | |
テキスト解析 | 経営データ解析演習 | |
画像解析 | ||
データハンドリング | 経営数学基礎演習(微分積分B) 経営情報論B マーケティング?リサーチ | |
データ活用実践(教師あり学習) | 経営データ解析演習 ファイナンスと統計 マーケティングとソリューションA マーケティングとソリューションB ビジネス研究D(AI?機械学習) ビジネス研究D(AI?深層学習) | |
データ活用実践(教師なし学習) | 経営データ解析演習 ビジネス研究D(AI?機械学習) ビジネス研究D(AI?深層学習) | |
その他 | ビジネス研究D(データの可視化) |
学修項目
|
マーケティング学科 | 会計学科 |
統計および数理基礎 | モデルとデータ分析A モデルとデータ分析B マーケティングリサーチ ビジネス数理基礎Ⅰ ビジネス数理基礎Ⅲ |
管理会計論 特殊講義(ビジネス数理応用) |
アルゴリズム基礎 | プログラミングA プログラミングB | |
データ構造とプログラミング基礎 | プログラミングA プログラミングB | |
時系列データ解析 | 統計学 | |
テキスト解析 | 情報の科学と技術 データヴィジュアライゼーション | |
画像解析 | 情報の科学と技術 | |
データハンドリング | モデルとデータ分析A モデルとデータ分析B マーケティング情報 マーケティングリサーチ 情報システム |
財務情報分析論 業績評価会計論 情報システム |
データ活用実践(教師あり学習) | 情報の科学と技術 データヴィジュアライゼーション | |
データ活用実践(教師なし学習) | 情報の科学と技術 データヴィジュアライゼーション | |
その他 | 情報社会と情報倫理 ビジネスモデルシミュレーション 情報ネットワーク | |
学修項目
|
日本文学文化学科 | 英語英米文学科 | 哲学科 | 歴史学科 | 環境地理学科 | ジャーナリズム学科 |
統計および数理基礎 | ||||||
アルゴリズム基礎 | ||||||
データ構造とプログラミング基礎 | ||||||
時系列データ解析 | ||||||
テキスト解析 | ||||||
画像解析 | リモートセンシング実習1 リモートセンシング実習2 |
|||||
データハンドリング | ||||||
データ活用実践(教師あり学習) | ||||||
データ活用実践(教師なし学習) | ||||||
その他 | 空間情報学1 空間情報学2 地理情報システム1 地理情報システム2 |
学修項目
|
ネットワーク情報学科 |
統計および数理基礎 | |
アルゴリズム基礎 | アルゴリズムとデータ構造1 |
データ構造とプログラミング基礎 | アルゴリズムとデータ構造1 Webプログラミング デジタルデータ基礎 コンピュータとネットワーク |
時系列データ解析 | データマイニング |
テキスト解析 | データマイニング |
画像解析 | |
データハンドリング | デジタルデータ基礎 データベース データマイニング |
データ活用実践(教師あり学習) | データマイニング |
データ活用実践(教師なし学習) | データマイニング |
学修項目
|
心理学科 | 社会学科 |
統計および数理基礎 | ||
アルゴリズム基礎 | ||
データ構造とプログラミング基礎 | ||
時系列データ解析 | ||
テキスト解析 | ||
画像解析 | ||
データハンドリング | ||
データ活用実践(教師あり学習) | ||
データ活用実践(教師なし学習) |
学修項目
|
日本語学科 | 異文化コミュニケーション学科 |
統計および数理基礎 | ||
アルゴリズム基礎 | ||
データ構造とプログラミング基礎 | ||
時系列データ解析 | ||
テキスト解析 | ||
画像解析 | ||
データハンドリング | ||
データ活用実践(教師あり学習) | ||
データ活用実践(教師なし学習) | ||
その他 | 日本語統計?情報処理 コーパス日本語学1 コーパス日本語学2 |
学修項目
|
教養科目 | 転換?導入科目 |
統計および数理基礎 | 数理科学1a?数理科学1b 数理科学2a?数理科学2b 数理科学3b |
|
アルゴリズム基礎 | ||
データ構造とプログラミング基礎 | ||
時系列データ解析 | ||
テキスト解析 | ||
画像解析 | ||
データハンドリング | ||
データ活用実践(教師あり学習) | ||
データ活用実践(教師なし学習) |
※シラバスはこちらをご覧ください

生田データサイエンスヒルズ
緑豊かな生田キャンパスを中心に展開されるデータサイエンス研究の拠点づくりを推進