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 | 機械学習実践１ | 時系列データ分析 | データベース実習２ | 可視化の技術１ | 応用統計１ |
| 2時限 11:00-12:30 | 機械学習実践１ | 時系列データ分析 | データベース実習２ | 可視化の技術１ | 応用統計１ |
| 3時限 13:30-15:00 | プロジェクト マネジメント概論 |
プロジェクト マネジメント概論 |
データベース実習２ | ストラテジ | リアルジョブ プロジェクト（RJP） |
| 4時限 15:10-16:40 | スタディアワー | スタディアワー | スタディアワー | スタディアワー | リアルジョブ プロジェクト（RJP） |
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) | |
|---|---|---|---|---|
| コンピュータ・ 教養 |
情報リテラシー PCリテラシー コンピュータ基礎 |
– | – | – |
| 統計分析 | 記述統計によるデータ分析 表計算と可視化 |
推測統計学 | 統計的仮説検定 単回帰分析 時系列データ分析 |
統計数理 重回帰分析 |
| Python プログラミング |
Python入門 | アルゴリズム Pythonデータ処理1 |
システム開発入門 | Pythonデータ処理2 |
| 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 |
| AI機械学習 | – | 機械学習とデータ収集 自然言語処理 |
教師無し機械学習 | 教師あり機械学習 音声情報処理 |
| 課題分析解決 | – | – | ビジネス基礎 | – |
| 企業連携実習 | リアルジョブプロジェクト1（RJP1） | リアルジョブプロジェクト2（RJP2） | リアルジョブプロジェクト3（RJP3） 校外学習1 |
リアルジョブプロジェクト4（RJP4） |
2年次
| 4月～(1期) | 6月～(2期) | 9月～(3期) | 11月～(4期) | |
|---|---|---|---|---|
| コンピュータ・ 教養 |
– | – | – | – |
| 統計分析 | ベイズ統計によるモデリング | 多変量解析 | 統計調査とアンケート分析 統計的因果推論 |
ビジネスデータサイエンス |
| Python プログラミング |
Pythonプログラミング技術1 データ収集の技法 |
Pythonプログラミング技術2 特徴量エンジニアリング |
AIプロダクト開発 | – |
| 可視化 | 可視化の技術3 | – | – | データビジュアライゼーション |
| データベース | データベース実習3 | – | – | データベース実習4 |
| AI機械学習 | 機械学習モデル開発 | 機械学習の数理 深層学習入門 画像処理技術 |
深層学習実践 | AI技術輪講 |
| 課題分析解決 | データサイエンス計画概論 | データサイエンスロジック実習 | データプレゼンテーション 卒業課題1 |
卒業課題2 |
| 企業連携実習 | リアルジョブプロジェクト5（RJP5） | リアルジョブプロジェクト6（RJP6） | リアルジョブプロジェクト7（RJP7） 校外学習2 |
リアルジョブプロジェクト8（RJP8） |
