1.教育プログラムの名称

• サレジオ高専数理・データサイエンス・AI教育プログラム（リテラシー）

2.身につけることができる能力

• デジタル人材として必要な基礎的な知識・技能を身につける。
• データを取り扱うに当たり必要となる倫理観やセキュリティ知識を持ち合わせる。
• 情報が社会に与える影響を理解し、人間中心の適切な判断ができるようになる。

3.教育プログラムの修了要件、授業の方法及び内容

一般科目である1年時必修科目「情報倫理（2単位）」および3年時必修科目「確率統計学（2単位）」を取得することで本プログラムを履修したことになります。

4.実施体制

• プログラムの運営責任者：教学マネジメント本部
• プログラムの改善・進化：教務部会
• プログラムの自己点検・評価：自己点検・評価委員会

5.授業含まれている内容・要素

「情報倫理」および「確率統計学」は、数理・データサイエンス教育強化拠点コンソーシアムにおける「数理・データサイエンス・AI（リテラシーレベル）のモデルカリキュラム」の導入、基礎、心得に相当する科目です。モデルカリキュラムで示される内容と授業科目、各回の講義テーマとの対応関係を下表に示します。

認定制度の審査項目	モデルカリキュラム	授業項目
現在進行中の社会変化（第4次産業革命、Society 5.0、データ駆動型社会等）に深く寄与しているものであり、それが自らの生活と密接に結びついている	1-1 社会で起きている変化 1-6 データ・AI利活用の最新動向	「情報倫理」
「社会で活用されているデータ」や「データの活用領域」は非常に広範囲であって、日常生活や社会の課題を解決する有用なツールになり得るもの	1-2 社会で活用されているデータ 1-3 データ・AIの活用領域	「情報倫理」
様々なデータ利活用の現場におけるデータ利活用事例が示され、様々な適用領域（流通、製造、金融、サービス、インフラ、公共、ヘルスケア等）の知見と組み合わせることで価値を創出するもの	1-4 データ・AI利活用のための技術 1-5 データ・AI利活用の現場	「情報倫理」
活用に当たっての様々な留意事項（ELSI、個人情報、データ倫理、AI社会原則等）を考慮し、情報セキュリティや情報漏洩等、データを守る上での留意事項への理解をする	3-1 データ・AI利活用における留意事項 3-2 データを守る上での留意事項	「情報倫理」
実データ・実課題（学術データ等を含む）を用いた演習など、社会での実例を課題として、「データを読む、説明する、扱う」といった数理・データサイエンス・AIの基本的な活用法に関するもの	2-1 データを読む 2-2 データを説明する 2-3 データを扱う	「確率統計」

6.教育改善・質保証（自己点検・評価）

• 自己点検・評価 [PDF 176KB]

7.本校の申請内容

• 数理・データサイエンス・AI教育プログラム申請書[PDF 1,277KB]

1.教育プログラムの名称

• サレジオ高専MDASH応用基礎プログラム

2.身につけることができる能力

統計学や微分積分・線形代数などの数理的な基礎力、基本的なプログラミング技能やアルゴリズム・データ構造などの理解と実装、AIを構成している情報科学と自らの専門分野への活用まで網羅的に身に付けることができる。さらに実践的なプログラム作成やチーム開発を通して、データサイエンティストとして必要な「開発能力」、「コミュニケーション能力」、「文書作成能力」および「プレゼンテーション能力」を修得できる。

3.教育プログラムの修了要件、授業の方法及び内容

情報工学科における以下に示す所定の科目（すべて必修）を履修した学生が本教育プログラムの修了者として認定される。

Ⅰ．データ表現とアルゴリズム

確率統計学（2単位）、 線形代数1（2単位）、 解析学1（2単位）、 アルゴリズム論1（2単位）、 アルゴリズム論2（2単位）、 プログラミング基礎1（2単位）、 プログラミング基礎2（2単位）

Ⅱ．AI・データサイエンス基礎

情報社会論（1単位）、 情報倫理（2単位）、 人工知能（2単位）、 情報工学実験3（2単位）

Ⅲ．AI・データサイエンス実践

プログラミング基礎3（2単位）、 プログラミング応用1（1単位）、 プログラミング応用2（1単位）

4.実施体制

• プログラムの運営責任者：校長　小島 知博
• プログラムの改善・進化：教務部会
• プログラムの自己点検・評価：教務部会

5.授業含まれている内容・要素

「3．教育プログラムの修了要件、授業の方法及び内容」において示された科目群は、「数理・データサイエンス・AI（応用基礎）のモデルカリキュラム」に相当する科目です。モデルカリキュラムで示される内容と授業科目、各回の講義テーマとの対応関係を下表に示します。

授業に含まれている内容・要素	モデルカリキュラム	講義内容
(1) データサイエンスとして、統計学を始め様々なデータ処理に関する知識である「数学基礎（統計数理、線形代数、微分積分）」に加え、AIを実現するための手段として「アルゴリズム」、「データ表現」、「プログラミング基礎」の概念や知識の習得を目指す。	1-6 基礎数学 1-7 アルゴリズム 2-2 データ表現 2-7 プログラミング基礎	順列、組合せ、集合、ベン図、確率分布、代表値、分散、標準偏差「確率統計学」（1～7回目、13～14回目） ベクトルと行列、行列の演算、行列の和とスカラー倍、行列の積「線形代数1」（1回目） 1変数関数の微分法、積分法「解析学1」（3回目、12～14回目） アルゴリズムの表現（フローチャート）」「アルゴリズム論1」（2～4回目）「プログラミング基礎1」（3回目） 並び替え（ソート）、探索（サーチ）「アルゴリズム論2」（2回目、9回目）「プログラミング基礎2」（2～4回目） コンピュータで扱うデータ（数値、文章、画像、音声、動画など）「アルゴリズム論1」（14回目） 配列、木構造（ツリー）、グラフ「アルゴリズム論2」（9～14回目） 文字型、整数型、浮動小数点型「プログラミング基礎1」（2回目） 変数、代入、四則演算、論理演算「プログラミング基礎1」（7回目） 関数、引数、戻り値「プログラミング基礎2」（5～7回目）
(2) AIの歴史から多岐に渡る技術種類や応用分野、更には研究やビジネスの現場において実際にAIを活用する際の構築から運用までの一連の流れを知識として習得するAI基礎的なものに加え、「データサイエンス基礎」、「機械学習の基礎と展望」、及び「深層学習の基礎と展望」から構成される。	1-1．データ駆動型社会とデータサイエンス 1-2．分析設計 2-1．ビッグデータとデータエンジニアリング 3-1．AIの歴史と応用分野 3-2．AIと社会 3-3．機械学習の基礎と展望 3-4．深層学習の基礎と展望 3-9．AIの構築と運用	データ駆動型社会、Society 5.0「情報社会論」（2～3回目） データサイエンス活用事例（仮説検証、知識発見、原因究明、計画策定、判断支援、活動代替など）「情報倫理」（29回目） データ分析の進め方、仮説検証サイクル「情報工学実験3」（1回目） ICT（情報通信技術）の進展、ビッグデータ「情報社会論」（4～10回目）、「人工知能」（1回目） ビッグデータ活用事例「情報倫理」（29回目） AIの歴史、推論、散策、トイプロブレム、エキスパートシステム「人工知能」（1～3回目） AI技術の活用領域の広がり（教育、芸術、流通、製造、金融、インフラ、公共、ヘルスケアなど）「情報社会論」（4～10回目）「情報倫理」（29回目） AI倫理、AIの社会的受容性「情報社会論」（11回目）「情報倫理」（27～29回目）「人工知能」（1回目） プライバシー保護、個人情報の扱い「情報社会論」（11回目）「情報倫理」（5回目） 実世界で進む機械学習の応用と発展（需要予測、異常検知、商品推薦など）「情報倫理」（29回目） 機械学習、教師あり学習、教師なし学習、強化学習「人工知能」（9回目） 実世界で進む深層学習の応用と革新（画像認識、自然言語処理、音声生成など）「情報倫理」（29回目） ニューラルネットワークの原理「人工知能」（9回目、12～14回目） AIの学習と推論、評価、再学習「情報倫理」（27～29回目）「人工知能」（1回目）
(3) 本認定制度が育成目標として掲げる「データを人や社会にかかわる課題の解決に活用できる人材」に関する理解や認識の向上に資する実践の場を通じた学習体験を行う学修項目群。応用基礎コアのなかでも特に重要な学修項目群であり、「データエンジニアリング基礎」、及び「データ・AI活用 企画・実施・評価」から構成される。	Ⅲ．AI・データサイエンス実践	順次、分岐、反復の構造を持つプログラムの作成「プログラミング基礎3」（1～30回目） AIの社会実装、ビジネス/業務への組み込み 「プログラミング応用1」（1～15回目）「プログラミング応用2」（1～15回目）

6.教育改善・質保証（自己点検・評価）

• MDASH 応用基礎 自己点検評価 [PDF 330KB]

7.本校の申請内容

• 数理・データサイエンス・AI教育プログラム認定制度【応用基礎レベル】令和7年度申請用 [PDF 585KB]