| 授業名 | AIのためのプログラミング |
|---|---|
| Course Title | Computer Programming for Artificial Intelligence |
| 担当教員 Instructor Name | 笹沼 克信（Katsunobu Sasanuma） |
| コード Couse Code | NUC009_N23B |
| 授業形態 Class Type | 講義 Regular course |
| 授業形式 Class Format | On Campus |
| 単位 Credits | 2 |
| 言語 Language | JP |
| 科目区分 Course Category | 共通専門教育科目400系 / Specialized Subject 400 |
| 学位 Degree | BSc |
| 開講情報 Terms / Location | 2023 UG Nisshin Term4 |
授業の概要 Course Overview
Misson Statementとの関係性 / Connection to our Mission Statement
AI（Artificial Intelligence）は今後の情報化社会を支える革新的な技術となりうる可能性を秘めています。本講義ではAIのコア技術である機械学習の教育を通じて、情報化社会の動向を理解し新たなビジネスを創出するイノベーティブなリーダーの育成を目指します。
This course teaches fundamental knowledge of AI (Artificial Intelligence), which will be a key technology in information society. The course also aims to educate innovative leaders who can contribute to the creation of new business.
授業の目的（意義） / Importance of this course
本講義ではアクティブラーニングを通して機械学習の基礎を学びます。学生は自分のPCを使ってエディタでPythonを用いたプログラムを作成し、動作を確認していきます。また、グループでプログラムを作成し、仲間と共同で問題解決する力を養います。
Students master programming skills and learn fundamental machine learning techniques through active learning in this course. Students build and run their own Python programs. Students also cooperate with their classmates and discuss their ideas in groups to develop Python programs.
到達目標 / Achievement Goal
本科目を学ぶことで、学生はプログラミングの基本的な文法、制御、データ構造などを身に付けることができます。また、実習を通して自分一人で、またチームメイトと共同で初歩的な機械学習のプログラムを作成する力を身に付けます。
Students taking this course will learn the fundamentals of programming and will acquire skills to develop computer programs with machine learning algorithms alone or with a help of their teammates.
本授業の該当ラーニングゴール Learning Goals
*本学の教育ミッションを具現化する形で設定されています。
LG1 Critical Thinking
LG4 Effective Communication
LG5 Business Perspectives (BSc)
LG4 Effective Communication
LG5 Business Perspectives (BSc)
受講後得られる具体的スキルや知識 Learning Outcomes
学生はこの授業を通して、Pythonを用いた簡単な機械学習プログラムを作成できるようになり、またプログラミングについての広範な基礎知識を身に付けることが期待されています。
Upon successful completion of this course, students are expected to be able to build simpler Python programs with machine learning algorithms. They are also expected to acquire the fundamentals of programming.
SDGsとの関連性 Relevance to Sustainable Development Goals
Goal 4 質の高い教育をみんなに（Quality Education）
教育手法 Teaching Method
| 教育手法 Teaching Method | % of Course Time | |
|---|---|---|
| インプット型 Traditional | 40 % | |
| 参加者中心型 Participant-Centered Learning | ケースメソッド Case Method | 60 % |
| フィールドメソッド Field Method | 0 % | 合計 Total | 100 % |
事前学修と事後学修の内容、レポート、課題に対するフィードバック方法 Pre- and Post-Course Learning, Report, Feedback methods
・授業を理解し議論に参加するために、各講義で自分のPCを用いてプログラムの動作を確認します：各自ノートPCを必ず持参してください。
・基礎的な知識を学ぶために予習が必須です。（準備にかかる時間の目安は2－3時間程度です。）
・予習レポート、挙手発言、クラス内演習、ミニテスト等で評価を行います。フィードバックはオフィスアワー、クラス内、提出物へのコメント等で対応します。
・中央情報センター（図書館）の蔵書を積極的に活用してください。
・シラバス及びケースは講義の進捗状況を見て、適宜変更する可能性があります。
・基礎的な知識を学ぶために予習が必須です。（準備にかかる時間の目安は2－3時間程度です。）
・予習レポート、挙手発言、クラス内演習、ミニテスト等で評価を行います。フィードバックはオフィスアワー、クラス内、提出物へのコメント等で対応します。
・中央情報センター（図書館）の蔵書を積極的に活用してください。
・シラバス及びケースは講義の進捗状況を見て、適宜変更する可能性があります。
授業スケジュール Course Schedule
第1日（Day1）
Google Colabの使い方、Python入門（変数、データ型、演算、条件分岐、関数、メソッド、リスト、タプル、集合、辞書、ループ処理、関数定義、他）●使用するケース
Pythonプログラミング基本演習（オリジナルケース）第2日（Day2）
データ分析ライブラリ入門（NumPy、pandas、Matplotlib）●使用するケース
Pythonデータ分析ライブラリ基本演習（オリジナルケース）第3日（Day3）
教師あり学習（分類、回帰、時系列分析）●使用するケース
AIを活用した医療診断（オリジナルケース）第4日（Day4）
ミニテスト１教師あり学習の続き（分類、回帰、時系列分析）
●使用するケース
AIを活用した売上予測（オリジナルケース）第5日（Day5）
教師なし学習（アソシエーション分析、クラスタリング、次元圧縮）●使用するケース
AIを活用した卸売り店の顧客分析（オリジナルケース）第6日（Day6）
教師なし学習の続き（アソシエーション分析、クラスタリング、次元圧縮）●使用するケース
AIを活用した商品推薦システム（オリジナルケース）第7日（Day7）
ミニテスト２ディスカッション
●使用するケース
AI面接：コンピュータが人間を採用する（オリジナルケース）成績評価方法 Evaluation Criteria
*成績は下記該当項目を基に決定されます。
*クラス貢献度合計はコールドコールと授業内での挙手発言の合算値です。
予習レポートは、正解か不正解かよりも自分の考えを述べているかどうかを重視して評価します。コピペで作成されたレポートは零点とします。
・挙手発言及びクラス内演習（成績の60％を占めます）
発言回数よりも発言内容を重視します。演習によって、授業内容を十分理解していることを確認します。
・ミニテスト（成績の30％を占めます）
授業内容を十分理解しているかどうか、テストします。
*クラス貢献度合計はコールドコールと授業内での挙手発言の合算値です。
| 講師用内規準拠 Method of Assessment | Weights |
|---|---|
| コールドコール Cold Call | 0 % |
| 授業内での挙手発言 Class Contribution | 60 % |
| クラス貢献度合計 Class Contribution Total | 60 % |
| 予習レポート Preparation Report | 10 % |
| 小テスト Quizzes / Tests | 30 % |
| シミュレーション成績 Simulation | 0 % |
| ケース試験 Case Exam | 0 % |
| 最終レポート Final Report | 0 % |
| 期末試験 Final Exam | 0 % |
| 参加者による相互評価 Peer Assessment | 0 % |
| 合計 Total | 100 % |
評価の留意事項 Notes on Evaluation Criteria
・予習レポート（成績の10％を占めます）予習レポートは、正解か不正解かよりも自分の考えを述べているかどうかを重視して評価します。コピペで作成されたレポートは零点とします。
・挙手発言及びクラス内演習（成績の60％を占めます）
発言回数よりも発言内容を重視します。演習によって、授業内容を十分理解していることを確認します。
・ミニテスト（成績の30％を占めます）
授業内容を十分理解しているかどうか、テストします。
教科書 Textbook
- 赤石 雅典「Pythonで儲かるAIをつくる」日経BP（2020）978-4296106967
参考文献・資料 Additional Readings and Resource
(1) 国本大悟、他 スッキリわかるPython入門 インプレス (2019) ISBN-13: 978-4295006329
(2) 山田祥寛 独習Python 翔泳社 (2020) ISBN-13: 978-4798163642
(3) 金城俊哉 Pythonプログラミング逆引き大全 400の極意 秀和システム (2021) ISBN-13: 978-4798063669
(4) 柴田望洋 新・明解Python入門 SBクリエイティブ (2019) ISBN-13: 978-4815601522
(5) 河本薫 データ分析・AIを実務に活かす データドリブン思考 ダイヤモンド社 (2022) ISBN-13: 978-4478115114
(2) 山田祥寛 独習Python 翔泳社 (2020) ISBN-13: 978-4798163642
(3) 金城俊哉 Pythonプログラミング逆引き大全 400の極意 秀和システム (2021) ISBN-13: 978-4798063669
(4) 柴田望洋 新・明解Python入門 SBクリエイティブ (2019) ISBN-13: 978-4815601522
(5) 河本薫 データ分析・AIを実務に活かす データドリブン思考 ダイヤモンド社 (2022) ISBN-13: 978-4478115114
授業調査に対するコメント Comment on Course Evaluation
昨年の授業調査では、授業内容が面白く学びが多かったというフィードバックをいただきました。今年も生徒が楽しめる授業を提供したいと思っています。
担当教員のプロフィール About the Instructor
東京大学教養学部基礎科学科卒業後、東京大学大学院理学系研究科相関理化学修了（物性物理学専攻）。東芝研究開発センター（研究員）、アルメック（コンサルタント）を経てハーバード大学とマサチューセッツ工科大学において修士課程（公共政策及びオペレーションズリサーチ専攻）を修了した後、カーネギーメロン大学においてPh.D.取得（オペレーションズマネージメント専攻）。その後ニューヨーク州立大学ストーニーブルック校アシスタントプロフェッサーを経て、現職。現在、名古屋商科大学経営学部教授、及び東北大学大学院経済学研究科客員教授。専門は確率モデル、待ち行列理論、在庫管理、交通システム、データアナリティクス等。これまでオペレーションズリサーチ、オペレーションズマネージメント、ビジネスアナリティクス等の各授業を担当し、研究成果は国際学会及び国際ジャーナルに発表されている。
Katsunobu Sasanuma is a professor at NUCB, Nagoya University of Commerce and Business. He also holds a visiting professor position at the Graduate School of Economics and Management at Tohoku University. Prior to joining the faculty at NUCB, Dr. Sasanuma was an assistant professor at College of Business at Stony Brook University, State University of New York.
His research areas include stochastic modeling, queueing theory, inventory management, transportation systems, and data analytics. He possesses an interdisciplinary background with a decade of accumulated consulting, business, and engineering experience including an R&D work at Toshiba focusing on LEDs and laser diodes. He has taught classes in Operations Research/Operations Management/Business Analytics. His work has been presented at various conferences and has appeared in professional journals.
BA and MS, University of Tokyo (1990 and 1992, resp.)
MPA, Harvard University (2005)
MS in Operations Research and Technlogy&Policy, MIT (2009)
PhD in Public Policy and Management (Operations Management), Carnegie Mellon University (2015)
Refereed Articles
- (2024) Acquisition of Knowledge and Meta-Skills through the Case Method in Politics and Law Classrooms: New Empirical Insight from Japan. Journal of Political Science Education
- (2024) Evaluating the Effectiveness of Recommendation Engines on Customer Experience Across Product Categories. International Journal of Technology and Human Interaction (IJTHI) 1548-3908
- (2022) A marginal analysis framework to incorporate the externality effect of ordering perishables. Operations Research Perspectives (Elsevier) 9(100230): 2214-7160
- (2022) Controlling arrival and service rates to reduce sensitivity of queueing systems with customer abandonment. Results in Control and Optimization (Elsevier) 6(100089): 2666-7207
- (2022) An opaque selling scheme to reduce shortage and wastage in perishable inventory systems. Operations Research Perspectives (Elsevier) 9(100220): 2214-7160
Refereed Proceedings
- (2024). Analytical approach to solving continuous-time hidden Markov models. The 2024 Fall National Conference of Operations Research Society of Japan .Operations Research Society of Japan. 1. 2. Nanzan University