| 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 | 蔡 東生（DongSheng Cai） |
| コード Couse Code | NUC267_N25A |
| 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 |
| 学位 Degree | BSc |
| 開講情報 Terms / Location | 2025 UG Nisshin Term2 |
授業の概要 Course Overview
Mission Statementとの関係性 / Connection to our Mission Statement
Al (Artificial Intelligence)は今後の情報化社会を支える革新的な技術です。本講義ではAl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 Al (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 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.
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、データ分析入門、アルゴリズムとはプログラミングの基礎ー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)データ分析ライブラリを用いたプログラミングの実習●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）
機械学習の基礎1ー教師あり学習（分類、回帰、時系列分析）教師あり学習のプログラミングの実習（基礎）●使用するケース
Alを活用した医療診断（オリジナルケース）第4日（Day4）
機械学習の応用lー教師あり学習（分類、回帰、時系列分析）教師あり学習のプログラミングの実習（応用）●使用するケース
Alを活用した売上予測（オリジナルケース）第5日（Day5）
機械学習の基礎2: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）教師なし学習のプログラミングの実習（基礎）●使用するケース
Al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）
機械学習の応用2: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）教師なし学習のプログラミングの実習（応用）●使用するケース
Al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）
深層学習の基礎ー強化学習について学ぶ強化学習のプログラミングの実習を通してAlの構築を行う
●使用するケース
Al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
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
授業内容を十分理解しているかどうか、テストします。
・ファイナルレポートを課す可能性があります
レポートを作成することにより、授業内容をより深く学びます。
*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 | 10 % |
| 授業内での挙手発言 Class Contribution | 60 % |
| クラス貢献度合計 Class Contribution Total | 70 % |
| 予習レポート Preparation Report | 10 % |
| 小テスト Quizzes / Tests | 20 % |
| 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 % |
定期試験 Final Exam
なし（全てケース授業/Fully Case Method）評価の留意事項 Notes on Evaluation Criteria
・予習レポート予習レポートは、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
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
授業内容を十分理解しているかどうか、テストします。
・ファイナルレポートを課す可能性があります
レポートを作成することにより、授業内容をより深く学びます。
教科書 Textbook
- 赤石雅典「Pythonで儲かるAlをつくる」日経BP （2022）978-4296106967
- 赤石雅典「Pythonプログラミングとデータ分析」日経BP （2022）978-4296201129
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．Al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
(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．Al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
特になし
担当教員のプロフィール About the Instructor
東京大学工学部航空学科卒業後、スタンフォード大学にて博士号（航空宇宙工学）を取得。神戸大学を経て、1992年より筑波大学に勤務し、現在は名古屋商科大学に所属。専門はAI駆動型科学計算、量子コンピューティング、数理解析、宇宙物理実験。また、メタバースやバーチャルリアリティ（VR）を活用した科学データの可視化に取り組み、脳科学、感情モデリング、ヒューマン・ロボットインタラクションの研究も行っている。
NASA、ESA、JAXAとの共同研究経験が豊富で、宇宙空間プラズマシミュレーションや量子機械学習の分野で国際的な業績を上げている。近年は、量子最適化アルゴリズムの開発、ディープラーニング、コンピュータグラフィックスの教育にも力を注いでいる。
これまでにベストティーチャー賞（筑波大学、東京大学）、フランス国立科学研究センター（CNRS）可視化賞、Oscar Buneman Award など、多くの教育・研究関連の受賞歴を持つ。複数の言語（英語、中国語）に精通し、国際的な研究・教育活動を展開している。
これまでの担当授業：線形代数、数値解析とシミュレーション、深層学習、コンピュータグラフィックス など。
NASA、ESA、JAXAとの共同研究経験が豊富で、宇宙空間プラズマシミュレーションや量子機械学習の分野で国際的な業績を上げている。近年は、量子最適化アルゴリズムの開発、ディープラーニング、コンピュータグラフィックスの教育にも力を注いでいる。
これまでにベストティーチャー賞（筑波大学、東京大学）、フランス国立科学研究センター（CNRS）可視化賞、Oscar Buneman Award など、多くの教育・研究関連の受賞歴を持つ。複数の言語（英語、中国語）に精通し、国際的な研究・教育活動を展開している。
これまでの担当授業：線形代数、数値解析とシミュレーション、深層学習、コンピュータグラフィックス など。
After graduating from the Department of Aeronautics at the University of Tokyo, he earned a Ph.D. in Aeronautics and Astronautics from Stanford University. Following his tenure at Kobe University, he joined the University of Tsukuba in 1992 and is currently affiliated with Nagoya University of Commerce and Business. His research specialties include AI-driven scientific computing, quantum computing, mathematical analysis, and space physics experiments. Additionally, he is engaged in the visualization of scientific data using the Metaverse and Virtual Reality (VR), as well as research in brain sciences, emotion modeling, and human-robot interaction.
He has extensive experience in collaborative research with NASA, ESA, and JAXA, and has made significant international contributions in the fields of space plasma simulations and quantum machine learning. In recent years, he has also focused on developing quantum optimization algorithms and teaching deep learning and computer graphics.
He has received numerous awards in education and research, including the Best Teacher Award (University of Tsukuba, University of Tokyo), the Visualization Prize from the French National Center for Scientific Research (CNRS), and the Oscar Buneman Award. He is proficient in multiple languages, including English and Chinese, and actively engages in international research and educational activities.
Courses previously taught: Linear Algebra, Numerical Analysis and Simulation, Deep Learning, Computer Graphics, among others.
（実務経験 Work experience）
筑波大学
(1992 - 2025)
- 高性能計算、量子機械学習、宇宙プラズマシミュレーションの研究を主導。
- 3D大域的粒子シミュレーション（PIC）の開発を実施。
- VRを活用した複雑な数学・物理現象の可視化に取り組む。
神戸大学
(1989 - 1992)
- 西日本の初期インターネットインフラの構築に携わる。
- スペースシャトルのプラズマ環境シミュレーションを実施。
スタンフォード大学 / NASAマーシャル宇宙飛行センター
NASAフェローシップ (1985 - 1989)
- スペースシャトル（STS-9, STS-45）でのSEPACビーム実験のデータ解析を担当。
- 超低周波（ELF）プラズマ振動の理論研究を実施。
---
海外での研究・共同プロジェクト
- NASA、ESA、JAXAとの共同研究に従事し、宇宙プラズマ・量子コンピューティング分野で国際的な成果を上げる。
- NASA MMS（磁気圏マルチスケールミッション）の磁場トポロジー研究を主導。
- 量子最適化アルゴリズムの開発、ロボット感情モデリングのAI開発にも取り組む。
(1992 - 2025)
- 高性能計算、量子機械学習、宇宙プラズマシミュレーションの研究を主導。
- 3D大域的粒子シミュレーション（PIC）の開発を実施。
- VRを活用した複雑な数学・物理現象の可視化に取り組む。
神戸大学
(1989 - 1992)
- 西日本の初期インターネットインフラの構築に携わる。
- スペースシャトルのプラズマ環境シミュレーションを実施。
スタンフォード大学 / NASAマーシャル宇宙飛行センター
NASAフェローシップ (1985 - 1989)
- スペースシャトル（STS-9, STS-45）でのSEPACビーム実験のデータ解析を担当。
- 超低周波（ELF）プラズマ振動の理論研究を実施。
---
海外での研究・共同プロジェクト
- NASA、ESA、JAXAとの共同研究に従事し、宇宙プラズマ・量子コンピューティング分野で国際的な成果を上げる。
- NASA MMS（磁気圏マルチスケールミッション）の磁場トポロジー研究を主導。
- 量子最適化アルゴリズムの開発、ロボット感情モデリングのAI開発にも取り組む。
University of Tsukuba
(1992 - 2025)
Led research in high-performance computing, quantum machine learning, and space plasma simulations.
Developed 3D global Particle-in-Cell (PIC) simulation codes.
Engaged in visualization of complex mathematical and physical phenomena using VR.
Kobe University
(1989 - 1992)
Contributed to the development of early internet infrastructure in western Japan.
Conducted space plasma environment simulations for the Space Shuttle.
Stanford University / NASA Marshall Space Flight Center
NASA Fellowship (1985 - 1989)
Responsible for data analysis of the SEPAC Beam Experiment on Spacelab-1 (STS-9, STS-45) aboard the Space Shuttle.
Conducted theoretical research on extremely low-frequency (ELF) plasma oscillations.
International Research & Collaborative Projects
Engaged in collaborative research with NASA, ESA, and JAXA, achieving significant international contributions in the fields of space plasma simulations and quantum computing.
Led magnetic field topology research for NASA's Magnetospheric Multiscale (MMS) Mission.
Worked on the development of quantum optimization algorithms and AI-driven emotion modeling for robotic applications.