カリキュラム

公開日:2024年12月19日

 

2024年度(案)

年間行程

年間行程は、基礎学習を2024年4月以降順次開講し、フォローアップやレベルアップのための応用学習を行います。共同研究と就業研修(インターンシップ)は、個別に実施内容が異なりますので受け入れ機関と相談の上、実施されます。
修了要件

 

修了要件

修了要件は、それぞれの立場で必要となる科目・項目を確認してください。

必修:◎ 選択:○             
推奨:※ 修了要件対象外: -       

 

※別表: 推奨科目例(電気通信大学の学生または単位互換大学の学生を対象
電気通信大学以外の学生・社会人の方も 科目等履修生 (別途費用が掛かります。)として受講することも可能です。

数理・統計学系(D-1)データ工学系(D-2)
人工知能系(D-3)
経営工学系(D-4)
解析学基礎論
離散情報構造特論
理論計算機科学特論
経営計画
解析学特論
離散最適化基礎論
アルゴリズム基礎論
経営実践特論
応用解析基礎論
連続最適化基礎論
応用アルゴリズム論
経営システム工学特論
数理解析学
計算機構特論
アルゴリズム工学特論
経営情報システム
情報理論基礎
計算機アーキテクチャ基礎論
知的学習システム
実システム創造
情報理論特論
計算機科学特論
知能情報特論
知的財産権特論
情報データ解析論
並列処理論第一
ゲーム理論
先端技術開発特論
数理統計学基礎
並列処理論第二
マルチエージェントシステム特論
ベンチャービジネス特論
データマイニング
ソフトウェア基礎特論
インテリジェントシステム特論
サービス・サイエンス特論
ベイズ的人工知能特論
基盤ソフトウェア特論
人工知能と複雑ネットワーク
ソフトウェア品質学
統計的機械学習特論
システムソフトウェア特論
画像認識システム特論
IT 最前線
データ解析最適化論
実践ソフトウェア開発基礎論
認知科学特論
金融工学特論
幾何学基礎論
実践ソフトウェア開発概論Ⅱ
学習工学特論
会計情報システム
幾何学特論
実践ソフトウェア開発概論Ⅲ
認知プロセス論特論
システム信頼性特論
情報幾何学特論
データ工学原論1
言語認知システム特論
リスクマネジメント論
代数学基礎論
データ工学原論2
知能ロボティクス特論
生産システム特論
代数学特論
システム設計特論2
知覚システム特論
知的生産システム特論
現代代数学
システム設計特論1
知識データ工学特論
データアントレプレナー実践論
データサイエンティスト特論

 

基礎学習Ⅰ

 e-Learning科目(選択)

  受講生であればどなたでも参加できます。希望選択科目です。
  映像資料を視聴して、所定の課題に答えていただきます。

(Ⅰ-1)コンピュータサイエンス特論

データサイエンスで用いられる種々の手法を理解するために必要不可欠な、コンピュータサイエンスの基礎について学習する。最初にコンピュータサイエンスという学門分野について概説した後、アルゴリズムの概念を学習し、最大公約数、因数分解、ベキ乗の計算アルゴリズムについて概観する。次に、合同式、有限体、フェルマーの小定理について学んだ後、RSA公開鍵暗号、電子署名などへの応用について解説する。グラフ理論に関しては、幅優先探索、パスと連結成分、根付き木などについて学習した後、スモール・ワールド現象について触れる。最後に、計算量理論の基礎を学ぶ。具体的には、計算時間の測り方、多項式時間アルゴリズム、計算時間の爆発的増加などの概念について学習した後に、P = NP ? 問題、ビットコイン、量子コンピュータに関する話題を紹介する。

  • 全10回
  • 1. アルゴリズム 1 コンピュータサイエンスとは、アルゴリズムとは、最大公約数の計算、ユークリッドの互除法
  • 2. アルゴリズム 2 因数分解アルゴリズム、ベキ乗の計算、ベキ乗の計算時間、因数分解の難しさ
  • 3. 整数論 1 合同式、合同式の代数、代数の基本的問題
  • 4. 整数論 2 ユークリッドの互除法、最大公約数に関する定理、有限体、フェルマーの小定理
  • 5. 公開鍵暗号 公開鍵暗号、RSA公開鍵暗号、電子署名
  • 6. グラフ理論 1 グラフの定義、パスと連結性、根付き木
  • 7. グラフ理論 2 グラフの幅優先探索、連結成分、複雑ネットワーク解析
  • 8. 計算量理論 1 計算時間の測り方、多項式時間アルゴリズム、計算時間の爆発的増加
  • 9. 計算量理論 2 クリーク問題、クリーク問題の計算量、P = NP ? 問題
  • 10. 計算量理論 3 NP 完全問題、ビットコイン、量子コンピュータ

西野 哲朗

西野 哲朗
1984年、早稲田大学大学院理工学研究科数学専攻博士前期課程修了。’84年、日本アイ・ビー・エム入社。東京基礎研究所研究員。’87年東京電機大学助手。’92年北陸先端科学技術大学院大学助教授。’94年電気通信大学電気通信学部電子情報学科助教授。’99年同情報通信工学科助教授。’06年同教授。’10年改組により情報理工学研究科教授。’20年より同研究科長。電子情報通信学会ソサエティ論文賞(’02年)IBM Faculty Award(’08年)文部科学大臣表彰科学技術賞(’10年)など受賞。主な著作に『P=NP? 問題へのアプローチ』(日本評論社)『量子コンピュータと量子暗号』(岩波書店)『図解雑学・量子コンピュータ』(ナツメ社)など。

 

(Ⅰ-2)プログラミング言語特論

データサイエンスで必要となるプログラミング言語Pythonの基礎を学習し、実習によって習得する。プログラミング言語Pthonの文法を学んだ後、制御スクリプトやオブジェクト指向の考え方と記法へと進む。データ分析に必要なモジュールを解説した後、可視化を行い、最後に総演習を行う。プログラミング言語Pythonを一通り学ぶことで、後期のデータサイエンティト特論の実習に繋がる。

  • 全10回
  • 1. Python 実験環境の構築
  • 2. Python を使ってみよう  インタープリタシェル、変数,文字列,リストなどのデータ構造、各種演算処理
  • 3. スクリプトとしてのPython 1  インタープリタからスクリプトへ、制御構造の書き方とインデント
  • 4. スクリプトとしてのPython 2  関数の書き方と使い方、変数のスコープ
  • 5. オブジェクト指向言語としての Python  クラスの書き方と使い方、インスタンスの生成
  • 6. モジュールの概要と import 1  標準モジュール解説、OSへのインタフェース, 文字列のパターンマッチング, 数学、インターネットへのアクセス, 日付と時刻, データ圧縮、パフォーマンスの計測, 品質管理
  • 7. モジュールの概要と import 2  科学技術計算のためのモジュールnumpy, scipy, matplotlib, pandasの概要紹介、
  • 8. numpy 概要と matplotlib による可視化
  • 9. scipy 概要とデータ解析
  • 10. 総合問題

 

庄野 逸

庄野 逸
1994年、大阪大学 大学院基礎工学研究科 生物工学分野修了。福島研究室にてネオコグニトロン、選択的注意機構モデルの研究に従事 1994 大阪大学 基礎工学部助手 1999 博士(工学)取得(大阪大学) “視覚システムのモデルを用いたパターン認識の研究” 2001 奈良女子大学 大学院人間文化研究科助手 ー城研究室にて最適化アルゴリズム、連想記憶モデルに関する研究に従事 2002 山口大学 工学部助教授 ー木戸研究室にて医用画像研究に従事 2006 山口大学 大学院医学系研究科助教授 2008 電気通信大学 電気通信学部 准教授 2015 電気通信大学 総合情報学部 教授 現在に至る 視覚システム、ニューラルネットワークモデルに基づいたパターン認識、統計力学的アプローチに基づく画像処理、医用画像処理の研究に従事。情報処理学会数理モデル化と問題解決研究会主査、電子情報通信学会医用画像研究会運営委員などを務める。

一般社団法人Pythonエンジニア育成推進協会
一般社団法人Pythonエンジニア育成推進協会 協力科目

  • 寺田 学 同協会 顧問理事 試験問題監修及びコミュニティ支援

 

オンライン講義科目(選択)

  受講生であればどなたでも参加できます。希望選択科目です。
  zoomを利用したオンラインで講義を行ない、Slackで質問を受け付ける形式の講義となります。

(Ⅰ-3)ITリテラシ(ライブ配信)

データを使って仕事をするための基本的なリテラシーを身につけていただきます。

  • ・ssh通信を使ったリモート・サーバへのアクセス
  • ・文字コードと正規表現
  • ・TCP/IPとhtml概論
  • ・GitやGit Hubの利用
  • ・SQL入門

(Ⅰ-4)Python100本ノック(ライブ配信)

一般社団法人データサイエンティスト協会が公開している「データサイエンス100本ノック(構造化データ加工編)」を活用して自習していただきます。質問等をSlackで受け付け、学習を進めます。

(Ⅰ-5)EDAとモデル作成の基礎(ライブ配信)

Pythonを使ってのデータの集計・可視化と機械学習の基礎を学びます。

  • ・pandasによるデータ集計
  • ・データの可視化とデータ構造
  • ・モデルの精度と評価
  • ・判別モデル入門(titanicデータ)
  • ・回帰モデル入門(Jリーグ観客動員数予測)
  • ・ロジスティック回帰、アンサンブル、より高度なモデル手法

 

応用学習Ⅱ

 e-Learning科目(必修)

  映像資料を視聴して、所定の課題に答えていただきます。

(Ⅱ-1)確率・統計

確率・統計は、データサイエンスの3つのスキル領域のサイエンス・スキルの土台となるもので、機械学習やAIを学ぶ上で必須の技術です。他方で、さまざまな現象を数理的にあつかうことの、発想の仕方を身につける場でもあります。
第一部では確率変数について、第二部では統計の基本的な技法を学び、最後に第三部では、これまでに学習したことを土台にして、実際のデータ分析で用いられる手法について、統計の立場から解説します。
必要な基礎を抑えつつ、各部最後の講義ではその後の学習に向けての発展的な内容について紹介します。

第一部:確率変数

  1. 確率の基礎
  2. 連続値の確率変数
  3. 多次元の確率変数
  4. 大数の法則と中心極限定理

第二部:統計的推定と検定

  1. 標本の確率分布
  2. 点推定と区間推定
  3. 統計的仮説検定
  4. 情報理論と統計

第三部:統計的モデリング

  1. 線形回帰分析
  2. ロジスティック回帰分析
  3. 時系列分析
  4. ベイズ統計とモデリン

 

原田 慧

原田 慧
2011年、名古屋大学大学院多元数理科学研究科博士後期課程修了。同年株式会社金融エンジニアリング・グループに入社。コンサルタントとして主に金融機関向けのデータ分析を担当しつつ、技術開発や社内外の人材育成に従事。2015年のKDDCUPでは親会社との合同チームをリードし準優勝。株式会社ディー・エヌ・エーでデータサイエンティストのマネジメントや新規AI案件の開拓に従事。2023年4月より電気通信大学教授。博士(数理学)。Kaggle Master。

 

 

オンライン講義科目(必修)

 zoomを利用したオンラインで講義を行ない、Slackで質問を受け付ける形式の講義となります。

(Ⅱ-2)回帰モデル作成(ライブ配信)

ワシントンDCの不動産物件価格予想問題に取り組む中で、回帰分析に必要な事項を基礎から学びます。グループに分かれて、モデルの精度を競います。講義のほか、実習が中心となります。

(Ⅱ-3)判別モデル作成(ライブ配信)

小売店舗における購買行動データを用いた二値分類モデル(ある商品に関心を示す人/示さない人を判別するモデルを予定)を作っていただきます。本講義に使用するデータはコンソーシアム参画機関であるコニカミノルタ株式会社が独自に取得したもので、マーケティングに直結する実用性の高いデータです。

(Ⅱ-4)デザイン思考(ライブ配信)

既存のものの単なる「改善」ではない、「新しい」モノやコトを作るということはどういうことなのかを学びます。「新しい」モノやコトを作り出すためのマインドセットを、多くの事例や演習で学びます。

(Ⅱ-5)データサイエンティストによるモック(MVP作成(ライブ配信)

本講義では、エンドユーザの迅速なフィードバックを得ることを目的として、Streamlitなどを使うことでデータサイエンティスト単独で簡単に動くモックを作成する方法を紹介します。

オンライン講義科目(選択)

 受講生であればどなたでも参加できます。希望選択科目です。
 zoomを利用したオンラインで講義を行ない、Slackで質問を受け付ける形式の講義となります。

(Ⅱ-6)準備中(ライブ配信)

 

(Ⅱ-7)特別講義(選択)

  受講生であればどなたでも参加できます。希望選択科目です。
  オンデマンド配信または、zoomを利用したオンラインで講義(ライブ配信)を行ない、Slackで質問を受け付ける形式の講義となります。

(1)因果推論(オンデマンド配信)

講義資料を使って、因果推論についての基礎的な知識を学びます。

(2)レコメンドモデル作成(オンデマンド配信)

講義と演習教材によって、レコメンドモデルを作っていただきます。演習で使用するデータの多くはオープンデーターですが、一部、企業様からご提供のデータを使用いたします。

(3)自然言語処理_基礎編(オンデマンド配信)

自然言語処理に取り組む上でのベースとなる、前処理についてご説明した後に応用篇のガイドを行います。スライド資料とノートブックによる演習を使って講義します。

(4)自然言語処理_応用編(オンデマンド配信)

自然言語処理の発展的課題として、LDAによるトピックモデル、Word2Vec、BERTについて学びます。ライド資料とノートブックによる演習を使って講義します。

(5)深層学習の基礎(オンデマンド配信)

進化のスピードの速い、この分野において、長く使える普遍的な考え方を身につけることを目的としています。講義資料と演習によって、理論的背景を数式からコードに書き起こすことで、理解を深めます。

(6)教師なし学習の基礎と演習(オンデマンド配信)

本講座では、EDAと教師あり学習に加えて、分析の幅を広げるうえで有効な「教師なし学習」を扱います。項目としては、クラスタリング、次元圧縮、埋め込み、異常検知の各種手法の紹介と、現場での教師なし学習の適用を想定した演習問題を扱います。

 

対面学習Ⅲ

オンライン講義科目(必修)

  zoomを利用したオンライン講義(ライブ配信)で行います。

(Ⅲ-8)データアントレプレナー実践論

様々な分野の第一線の研究者、技術者、経営者からデータサイエンスを業務で扱うためのビジネス理論を中心に学習します。研究や実業での現実的な実例を学んだ後、受講生各人でデータサイエンスを使ったビジネス・プランを発表してもらいます。

    2023年度(令和5年度):全15回(15コマ)
  • 1.データ活用から変革への取り組み ― 富士通株式会社 富士通研究所 岩倉友哉
  • 2.Kaggleと現場におけるデータサイエンス― パナソニック株式会社 阪田隆司
  • 3.データ解析によるビジネス意思決定 ― 株式会社D4cアカデミー 和田陽一郎
  • 4.フリーランスや起業といったデータサイエンティストの多様な働き方について ― フリーランス 赤間悟
  • 5.顧客価値を引き上げるアナリティクス ― 日本アイ・ビー・エム株式会社 西牧洋一郎
  • 6.ロケーションビッグデータ分析事業の創業事例 ― 株式会社ナイトレイ 石川豊
  • 7-9.日本語Watson APIを体験:人工知能を利用したデザイン思考 ― 国立大学法人電気通信大学 西野哲朗
  • 10.データサイエンス/AI技術の社会実装の実際 ― 日本電気株式会社 デジタルテクノロジー開発研究所 相馬 知也
  • 11.IoT時代のビジネスモデル創造 ― ソニーグループ株式会社社友 島田啓一郎
  • 12.ビックデータ/AI活用の具体事例 ― 株式会社日立製作所 守屋俊夫
  • 13-15.データから価値創造(ピッチコンテスト)― 国立大学法人電気通信大学 斉藤史朗

過去のカリキュラム

・2022年度(令和4年度):全15回(15コマ)
              シラバス
・2021年度(令和3年度):全15回(15コマ)
              シラバス
・2020年度(令和2年度):全15回(15コマ)
              シラバス
・2019年度(令和元年度):全15回(15コマ)
              シラバス
・2018年度(平成30年度):全15回(15コマ)
              シラバス
・2017年度(平成29年度):全15回(15コマ)
              シラバス
・2016年度(平成28年度):全10回(15コマ)
              シラバス
・2015年度(平成27年度):全3回(3コマ)
              シラバス

 

(Ⅲ-9)データサイエンティスト特論

データサイエンスの分析手法を実習で学びます。これまで学んできた様々な分析手法を、グループワークで、企業等に蓄積された実際のビッグデータに適用し、分析結果を出して発表します。最終結果は大学教員や企業でご活躍のデータサイエンティストの方々に審査されます。

過去のカリキュラム(データ提供企業と使用データ)

・2022年度(令和 4年度):逗子市の位置情報解析データ
              シラバス
・2021年度(令和 3年度):Jリーグ所属クラブ:鹿島アントラーズ、FC東京、川崎フロンターレ、名古屋グランパスのマーケティングデータ
              シラバス
・2020年度(令和 2年度):小田急電鉄株式会社の乗降客数データと小田急カードデータ
              シラバス
・2019年度(令和元年度):株式会社ディー・エヌ・エーのモバイル・ゲームデータ
              シラバス
・2018年度(平成30年度):不動産価格データ(オープン・データ)
              シラバス
・2017年度(平成29年度):アスクル株式会社の売り上げデータ
              シラバス
・2016年度(平成28年度):全日本食品株式会社のPOSデータ
              シラバス
・2015年度(平成27年度):全9回(9コマ)
              シラバス

 

(Ⅲ-10)Kaggle講義

「データサイエンス」という言葉に比べれば機械学習モデルの構築は狭い領域ですが、モデル構築一つとっても、データを見て実際に処理してみないとわからないことが多く、教科書にならない独特のノウハウがあります。このようなノウハウの習得には、座学だけではなく、自分でデータを見て、自分でコードを書いた、実践経験の積み重ねが不可欠です。Kaggleなどのコンペに参加することで、そのような職に就く前に擬似的な実践経験を積むことができます。ここでは各回座学1コマ、演習2コマで、コンペ形式の演習を通して、モデル構築の技術を体得していただきます。

2023年度(令和5年度):kaggle講義 全15回(15コマ)
  1-3.機械学習モデリング入門
  4-6.特徴量エンジニアリング
  7-9.時系列データ処理
  10-12.レコメンデーション
  13-15.マルチモーダルデータ処理


過去のカリキュラム

・2022年度(令和4年度):シラバス
・2021年度(令和3年度):シラバス

 

実践学習

(IS)インターンシップ(就業研修)

大学院の学生を対象にしたもので、企業で実施されるインターンシップに参加することで、実践的課題解決の就業体験をします。受け入れ企業やインターンシップの内容決定については、電気通信大学産学官連携センター、共通教育部キャリア教育部会インターンシップ推進室やURAの担当者がお手伝いします。対象とする年次や、インターンシップ履修期間、研究・技術開発課題は、個別の相談に応じて柔軟に設定する予定です。希望する学生は、希望票を提出していただきます。保険加入、企業機密保持、渡航費など、従来のインターンシップ制度と同様に実施します。
参照URL: http://www.uec.ac.jp/career/career/procedure.html

キャリア教育部会インターンシップ推進室の2単位付与されるインターンシップは、博士前期課程1年次を対象として原則夏休みに90時間以上の実習を行います。この報告書や成績評価は、本プログラムの修了要件申請に使用できる場合があります。
参照URL:http://www.uec.ac.jp/career/career/internship.html

(CR)共同研究

大学院の学生を対象としたもので、所属する研究室と企業との共同研究に関わることで、実践的課題解決の手法や効果を体験します。研究室と企業との共同研究課題の設定は、電気通信大学産学官連携センター及び株式会社キャンパスクリエイトのコーディネーターやURAの担当者がお手伝いします。
課題の内容や規模によって、実施形態が異なるので、個別の相談となります。実際の進め方としては、年度初めのガイダンスや、年度途中での相談会などを通じて、具体的な課題を設定します。
電気通信大学は、エレクトロニクス、情報通信、コンピュータ、メカトロニクス、知能ロボット、バイオテクノロジー、レーザーと光技術、新素材などを中心とする先端科学技術の分野で優れた業績を持つ多数の教官、研究者を擁しています。全学では、理工学から人文社会まで300余名の教官がそれぞれの専門分野に関して共同研究に参加する体制をとっています。

本プログラムでは、特に、AI、IoT、ビッグデータ、セキュリティ等の情報通信分野の課題を中心に課題の設定を行います。
参照URL:http://www.crc.uec.ac.jp/institution/