書籍概要

［改訂新版］はじめてのAIリテラシー

著者: 岡嶋裕史，吉田雅裕　著
発売日: 2024年9月17日
更新日: 2024年9月17日

概要

政府は「AI戦略2019」でリテラシー教育として文理を問わず，全ての大学・高専生約50万人を対象に，初級レベルの数理・データサイエンス・AIを課程にて習得する方針を打ち出しました。これを踏まえ，2020年4月に「数理・データサイエンス・AI（リテラシーレベル）モデルカリキュラム」が策定され，各大学・高専で履修が進められています。このモデルカリキュラムが2024年2月に改訂されました。

本書は「数理・データサイエンス・AI（リテラシーレベル）」（通称MDASH）の2024年2月改訂に対応しています。MDASHの「導入」「基礎」「心得」「選択（オプション）」モデルカリキュラムに準拠した内容です。14章の構成で，半期15回の講義で進められるよう工夫されています。AIのしくみやデータ分析，プログラミングやデータ活用など，AIリテラシーを幅広く学べます。

こんな方におすすめ

AIリテラシーを学びたい方
テキスト採用をお考えの先生

サポート

ダウンロード

（2024年8月21日更新）

サンプルファイルのダウンロード

本書で利用するサンプルファイルのダウンロードは，以下のリンクをクリックしてください。

ダウンロード: ai_literacy_sample.zip

サンプルファイルはZIP形式で圧縮されています。ZIP形式の圧縮ファイルは，XP以降のWindowsでは通常のフォルダと同じように操作できます。

ダウンロードしたZIPをダブルクリックすると中を見ることができます。

右クリックして「すべて展開」を選び，任意のフォルダに展開してお使いください。

ZIP形式の圧縮ファイルの詳しい操作方法については，Windowsの解説書などをご参照ください。ダウンロードしたai_literacy_sample.zipの中には講ごとに分かれたフォルダがあり，その中に本書で利用するサンプルファイルが入っています。

サンプルファイルの内容については本文P.12を参照してください。

実習で利用するプログラムのソースリスト

本書の解説中，実習で利用するプログラムのソースリストや実行結果は下記のリンクからアクセスできます。

Boston Housingデータセットのダウンロード: boston_clean.xlsx

［改訂新版］はじめてのAIリテラシー

概要

こんな方におすすめ

目次

第1講 AIリテラシーとは

1-1 AIの定義

1-2 なぜAIが必要とされているのか

1-3 生成AI

1-4 この本ではどこまで学ぶか

第2講 社会でどのような変化が起きているか

2-1 ビッグデータ，IoT，5Gなどの登場/h4> ビッグデータとは ビッグデータの定義 オープンデータの活動 機械判別可能なデータの作成・表記方法 IoTとビッグデータ 5GはIoTを促進 コラム AIの性能はどんどん上がる？

2-2 第4次産業革命，Society5.0

2-3 データ駆動型社会

第3講 社会でどのようなデータが活用されているか

3-1 人の動線をめぐるデータ

3-2 多くの機器のログとオープンデータ

3-3 1次データ，2次データ，メタデータ

3-4 非構造化データの増大

第4講 データ・AIを何に使えるか

4-1 データ・AIの活用領域の広がり

4-2 具体的にどう使えばいいのか

4-3 シェアリングエコノミー，エビデンスベース社会，ナッジ

第5講 データ・AIの技術

5-1 データ解析とは何をしているのか

5-2 可視化の手法にはどういったものがあるのか

5-3 非構造化データの処理とは

5-4 AIの技術とは

第6講 データを読み，説明し，扱う

6-1データの種類を知る

6-2 基本統計量でデータの特徴をつかむ

6-3 もととなるデータを集める

6-4 集めたデータを集計する

6-5 誤読しないデータの読み方，データの比較方法

第7講 データ・AIを扱うときに注意すること

7-1 データ活用の負の側面

7-2 GDPR，忘れられる権利，ELSI，オプトイン・オプトアウト

7-3 データの正義について

第8講 データ・AIにまつわるセキュリティ

8-1 情報セキュリティの基礎

8-2 情報のCIA

8-3 暗号化と匿名加工情報

8-4 生成AIが生み出す新たなリスク

第9講 統計と数学のきほん

9-1 AIに必要な数学

9-2 AIに必要な集合・場合の数

9-3 AIに必要な確率・統計

第10講 アルゴリズムとは何か

10-1 AIとアルゴリズム

10-2 組み合せ爆発を攻略するAIのアルゴリズム

10-3 探索問題

10-4 二部マッチング問題

第11講 データの構造とプログラミング

11-1 ソフトウェアのプログラミング

11-2 プログラミングの歴史

11-3 データの構造

11-4 プログラミング環境の構築

11-5 変数

11-6 条件分岐

11-7 繰り返し

第12講 データを上手に扱うには

12-1 ビッグデータの収集

12-2 データベース

12-3 データ加工

12-4 データクレンジング

第13講 時系列データと文章データの分析

13-1 時系列データ分析

13-2 時系列データの変動要因

13-3 時系列データ分析演習（二酸化炭素排出量の予測）

13-4 文章データ分析

13-5 文章データ分析演習（スパムメールフィルタの作成）

第14講 データ活用実践（教師あり学習と教師なし学習）

14-1 AIの学習方式

14-2 教師あり学習の出力

14-3 教示なし学習の出力

14-4 過学習と汎化

14-5 データ活用実践1－教師あり学習，分類

14-6 データ活用実践2－教師あり学習，回帰

14-7 データ活用実践3－教師なし学習，連関分析

サポート

ダウンロード

第1講　AIリテラシーとは

1-1　AIの定義

1-2　なぜAIが必要とされているのか

1-3　生成AI

1-4　この本ではどこまで学ぶか

第2講　社会でどのような変化が起きているか

2-1　ビッグデータ，IoT，5Gなどの登場/h4>

ビッグデータとは

ビッグデータの定義

オープンデータの活動

機械判別可能なデータの作成・表記方法

IoTとビッグデータ

5GはIoTを促進

コラム　AIの性能はどんどん上がる？

2-2　第4次産業革命，Society5.0

2-3　データ駆動型社会

第3講　社会でどのようなデータが活用されているか

3-1　人の動線をめぐるデータ

3-2　多くの機器のログとオープンデータ

3-3　1次データ，2次データ，メタデータ

3-4　非構造化データの増大

第4講　データ・AIを何に使えるか

4-1　データ・AIの活用領域の広がり

4-2　具体的にどう使えばいいのか

4-3　シェアリングエコノミー，エビデンスベース社会，ナッジ

第5講　データ・AIの技術

5-1　データ解析とは何をしているのか

5-2　可視化の手法にはどういったものがあるのか

5-3　非構造化データの処理とは

5-4　AIの技術とは

第6講　データを読み，説明し，扱う

6-2　基本統計量でデータの特徴をつかむ

6-3　もととなるデータを集める

6-4　集めたデータを集計する

6-5　誤読しないデータの読み方，データの比較方法

第7講　データ・AIを扱うときに注意すること

7-1　データ活用の負の側面

7-2　GDPR，忘れられる権利，ELSI，オプトイン・オプトアウト

7-3　データの正義について

第8講　データ・AIにまつわるセキュリティ

8-1　情報セキュリティの基礎

8-2　情報のCIA

8-3　暗号化と匿名加工情報

8-4　生成AIが生み出す新たなリスク

第9講　統計と数学のきほん

9-1　AIに必要な数学

9-2　AIに必要な集合・場合の数

9-3　AIに必要な確率・統計

第10講　アルゴリズムとは何か

10-1　AIとアルゴリズム

10-2　組み合せ爆発を攻略するAIのアルゴリズム

10-3　探索問題

10-4　二部マッチング問題

第11講　データの構造とプログラミング

11-1　ソフトウェアのプログラミング

11-2　プログラミングの歴史

11-3　データの構造

11-4　プログラミング環境の構築

11-5　変数

11-6　条件分岐

11-7　繰り返し

第12講　データを上手に扱うには

12-1　ビッグデータの収集

12-2　データベース

12-3　データ加工

12-4　データクレンジング

第13講　時系列データと文章データの分析

13-1　時系列データ分析

13-2　時系列データの変動要因

13-3　時系列データ分析演習（二酸化炭素排出量の予測）

13-4　文章データ分析

13-5　文章データ分析演習（スパムメールフィルタの作成）

第14講　データ活用実践（教師あり学習と教師なし学習）

14-1　AIの学習方式

14-2　教師あり学習の出力

14-3　教示なし学習の出力

14-4　過学習と汎化

14-5　データ活用実践1－教師あり学習，分類

14-6　データ活用実践2－教師あり学習，回帰

14-7　データ活用実践3－教師なし学習，連関分析