Siデータサイエンス教育プログラム
2022年度、Siデータサイエンス教育プログラムが始まるこのプログラムは、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(リテラシーレベル)認定制度」に対応する予定です。
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。
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。
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、リアルタイム翻訳などが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。

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、リアルタイム翻訳などが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。
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?情報倫理を身につけることが、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のSiDS関連科目群の履修を通して、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。
Siデータサイエンス教育プログラム対象
2022 年度入学者 全学部全学科
本プログラムに対応する科目を、各学部?学科で用意しています。それらの科目を履修し、単位を取得した学生には、本プログラムを修了したことが認められます。
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


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 | 情報表現実習(基礎) | 2 | 〇 | 10単位以上
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 | 2 | 〇 | 6単位
修得 |
情報分析演習 | 2 | 〇 | |||
ネットワーク情報総論1 | 2 | 〇 | |||
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
?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。
| 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 |
経済データ入門演習
現代社会と統計1 現代社会と統計2 |
国際経済とデータ分析 |
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)
|
|
|
|
|
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)
|
|
|
|
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 | |
アルゴリズム基礎
|
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 | |
データ構造とプログラミング基礎
|
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) |
|
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Ⅱ ビジネス数理基礎Ⅲ |
管理会計論
ビジネス数理入門 |
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
ビジネス数理基礎Ⅱ |
統計学
ビジネス数理入門 |
テキスト解析 | 情報の科学と技術
| |
画像解析 | データヴィジュアライゼーション | |
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
| |
データ活用実践(教師なし学習)
|
|
|
その他 | ビジネスモデルシミュレーション
情報ネットワーク |
情報ネットワーク |
|
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 |
|
|
ネットワーク情報学科 |
統計および数理基礎 | 数理リテラシー
線形代数 基礎解析 データ解析1 |
アルゴリズム基礎
|
プログラミングと数理
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
|
プログラミングと数理
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 基礎演習S |
時系列データ解析 | データマイニング |
テキスト解析 | 基礎演習S
特殊講義(人工知能入門) データマイニング |
画像解析 | 特殊講義(人工知能入門)
|
データハンドリング | デジタルデータ基礎
基礎演習S 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) | 特殊講義(人工知能入門)
データマイニング |
データ活用実践(教師なし学習)
|
特殊講義(人工知能入門)
データマイニング |
|
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)
|
|
|
|
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 |
|
|
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3a?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 |
|
データ分析入門
|
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) |
|
データ分析入門 |
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