CURRICULUM
ただ分析ができるAI技術者ではなく、テーマに沿って課題定義からデータを分析することができ、最終的に可視化し、人にわかりやすく伝える。そんなビジネス力を持ったデータサイエンティストになる。
当科のカリキュラムは、データサイエンスを手掛ける企業の方が中心となり作成されました。実務に即したカリキュラムで、一線で活躍するデータサイエンティストにも高く評価されて、自信を持って学生に提供できる内容となっています。カリキュラムは「統計」「プログラミング」「可視化」「データベース」「AI機械学習」「課題分析解決」で構成。課題をトータル的に解決し、人に伝えることができる人材育成カリキュラムとなっています。
時間割例
| MON | TUE | WED | THU | FRI | |
|---|---|---|---|---|---|
| 1時限 9:20-10:50 | Python基礎統計５ | Python プログラミング技術１ |
Python基礎統計６ | 機械学習実践３ | リアルジョブプロジェクト(RJP)6 |
| 2時限 11:00-12:30 | Python基礎統計５ | Python プログラミング技術１ |
Python基礎統計６ | 機械学習実践３ | リアルジョブプロジェクト(RJP)6 |
| 3時限 13:30-15:00 | 機械学習の数理 | 分析ロジック実習 | 機械学習の数理 | 分析ロジック実習 | Kaggle等分析活動 |
| 4時限 15:10-16:40 | （サポート学習） スタディアワー |
（サポート学習） スタディアワー |
（サポート学習） スタディアワー |
（サポート学習） スタディアワー |
Kaggle等分析活動 |
2年間の科目配置
1年次
| 4月～(1期) | 6月～(2期) | 9月～(3期) | 11月～(4期) | 1月～(5期) | |
|---|---|---|---|---|---|
| コンピュータ・ 教養 |
PCリテラシー | コンピュータ システム１ |
クラウド コンピューティング入門 |
– | – |
| Python 統計分析 |
Python基礎統計１ | Python基礎統計２ | Python基礎統計３ | 応用統計１ | 統計数理 |
| Python プログラミング |
Python入門 | アルゴリズム | – | – | – |
| 可視化 | Excelによる 集計と可視化 |
– | – | 可視化の技術１ | 可視化の技術２ |
| データベース | データベース入門 | データベース 実習１ |
データベース 実習２ |
データベース 実習３ |
– |
| AI機械学習 | – | Python技術 | 自然言語処理 | 機械学習実践１ | 音声情報処理 |
| 課題分析解決 | – | ビジネス基礎 | 分析コンペティション | プロジェクト マネジメント概論 |
– |
| 企業連携実習 | – | リアルジョブプロジェクト(RJP)1 | リアルジョブプロジェクト(RJP)2 | リアルジョブプロジェクト(RJP)3 | リアルジョブプロジェクト(RJP)4 |
2年次
| 4月～(1期) | 6月～(2期) | 9月～(3期) | 11月～(4期) | 1月～(5期) | |
|---|---|---|---|---|---|
| コンピュータ・ 教養 |
– | – | クラウド コンピューティング応用 | – | – |
| Python 統計分析 |
Python基礎統計４ | Python基礎統計５・６ | 応用統計３ | 応用統計４ | – |
| Python プログラミング |
– | Python プログラミング技術1 |
Python プログラミング技術2 |
– | – |
| 可視化 | 可視化の技術３ | – | データ プレゼンテーション |
データ ビジュアライゼーション |
– |
| データベース | – | – | – | データベース技術 | – |
| AI機械学習 | 画像処理技術 | 機械学習の数理 | 機械学習実践４ | 特徴量 エンジニアリング |
機械学習実践６ |
| 課題分析解決 | 分析計画概論 | 分析ロジック実習 | 分析プロジェクト 企画 |
課題解決実習１ | 課題解決実習２ |
| 企業連携実習 | – | リアルジョブプロジェクト(RJP)5 | リアルジョブプロジェクト(RJP)6 | リアルジョブプロジェクト(RJP)7 | リアルジョブプロジェクト(RJP)8 |
