東京電機大学のAI・データサイエンス

AIは、機械に学習させ、認識や判断、行動につなげる技術を扱います。データサイエンスは、データを集め、整理・分析し、役立つパターンや情報を見つける分野です。機械学習やデータマイニングは両方に関わるため、境界は明確に分かれていません。学ぶ際は、プログラミングに加えて、確率・統計などの数学が重要な土台になります。 東京電機大学では、文部科学省のリテラシーレベル認定を受けた数理・データサイエンス・AI教育プログラムがあります。対象科目は、2025年度以前の入学者向けが「情報リテラシー（数理・データサイエンス入門）」、2026年度以降の入学者向けが「数理・データサイエンス入門」と示されています。 専門的な学びは学科・学系によって異なります。埼玉鳩山キャンパスの理工学部・情報システムデザイン学系では、1年次に情報学の基礎を学び、2年次からコースを選ぶ構成です。2027年度向け研究室資料には、人工知能、機械学習、データマイニングなどの研究が掲載されています。東京千住キャンパスのシステムデザイン工学部・情報システム工学科では、確率・統計、ベイズ統計学、データサイエンス、機械学習などを含むカリキュラムと、データ科学・機械学習の研究分野が示されています。比較するときは、AIという名称だけでなく、数学・プログラミングの基礎から、関心のある応用や研究へどうつながるかを確認しましょう。

AIとデータサイエンスは、完全に分かれた学びではありません。東京電機大学の公開カリキュラムでは、AI関連に人工知能や機械学習、データサイエンス関連に確率・統計やデータ解析、データベースなどが置かれています。どちらにも微分積分・線形代数などの数学と、プログラミングが関わります。 役割を分けて見ると、数学は専門科目を理解する土台、統計はデータを評価・分析するための入口です。プログラミングは処理方法を実装する手段です。データの扱いには、データベースの設計やSQLによる検索も含まれます。情報システムでは、ネットワーク、OS、セキュリティなど、システムを構築するための内容も学びます。科目名に「AI」があるかだけでなく、これらがどの順序で配置されているかを確認しましょう。 基礎から学べる設計かどうかも重要です。大学は2026年度から、埼玉鳩山・東京千住の両キャンパスで共通の教養教育カリキュラムを導入し、数学の理解度に応じたクラス分けや、数学・情報科目でのデータサイエンス基礎を行うと公表しています。ただし、科目や必修・選択の区分は学科・学系、カリキュラム年度によって異なります。志望年度の授業科目配当表とシラバスで確認してください。

理工学部では、数学・自然科学・情報処理などの基礎科目を主に1年次に配置しています。また、演習や実験、ゼミなどを学年に応じて体系的に学ぶ構成です。履修科目の指導や習熟度別クラスも導入されています。 情報システム工学科では、入学後すぐにプログラミングを学びます。初心者に対しては、教員と大学院生が指導すると明記されています。最初にJavaを学び、その後、用途に応じてC言語、R言語、Pythonなどへ進みます。 入学前は、AIの専門知識よりも、まず高校の基礎を確認しましょう。理工学部では特に数学と英語、情報システム工学科では数学Ⅰ・Ⅱ・A・B・Cの十分な理解に加え、数学Ⅲと、基礎を付さない「物理」または「化学」の学習が望ましいとされています。入学後に不明点があれば、埼玉鳩山・東京千住の各キャンパスにある学習サポートセンターで、質問や学習方法の相談、予約制の個別指導などを利用できます。

カリキュラムを比べるときは、「AI」という科目名の有無だけで判断しないことが大切です。微分積分、線形代数、確率・統計、アルゴリズム、プログラミングなどの基礎から、専門科目へどう進むかを確認しましょう。 例えば、確率・統計を数学的な基礎として学び、Pythonなどを使ったデータ分析につなげる構成が示されています。一方、情報メディア分野では、データ構造やオブジェクト指向プログラミングのほか、機械学習の演習、自然言語処理、数理最適化などの科目が示されており、画像・音響・推薦システムなどへの応用を重視しています。 比較するポイントは、数学理論をどこまで扱うか、ソフトウェアを使う演習があるか、応用先が自分の関心と合うかです。必修・選択、配当年次、講義・演習の別も学科・学系によって異なるため、志望年度の科目配置とシラバスで確認してください。

AI・データサイエンス関連の学びは、講義だけではありません。数学や統計を学び、プログラミングやデータ分析の演習につなげる科目があります。例えば「確率・統計」では、数式に加えてPython、R、Matlabなどを使い、データを分析しながら理解を深めます。 実験・実習では、データ分析やデータベース構築などの課題に取り組みます。5～10名程度のチームで企画から制作までを体験するプロジェクト科目も示されています。ほかにも、機械学習の演習、PBL、総合演習、卒業研究などがあります。 カリキュラムを見るときは、科目名だけでなく、基礎科目が演習やプロジェクト、卒業研究へどうつながるかを確認しましょう。授業形態や履修条件は学科・学系によって異なるため、最新のカリキュラムとシラバスで確かめることが大切です。

AIやデータサイエンスを選ぶときは、精度や実装だけでなく、データや判断の偏り、公平性、人や社会への影響、悪用の可能性をどう検討するかも確認しましょう。これは特定の学科に関する事実ではなく、責任あるAIを考えるための一般的な確認点です。 東京電機大学では、システムデザイン工学部の教育課程方針に、情報倫理や技術者倫理の関連科目を配置すると示されています。情報システム工学科でも、情報技術と人間・社会の関係を考える方針が確認できます。また、2025年度の情報メディア系カリキュラム資料には、心理・倫理・法やガバナンスを扱う科目名が掲載されています。 ただし、これらの資料だけでは、AIの偏り、公平性、悪用を現在の授業でどこまで扱うか、その科目が必修かまでは判断できません。志望先を比べる際は、最新のシラバスで授業内容、対象学年、必修・選択の区分を確認してください。

進路は「AIかデータサイエンスか」という名称だけでなく、取り組みたい問いで比べましょう。データから傾向や規則性を見つけ、評価・分析したいならデータサイエンス寄りです。学習・認識・推論する仕組みを考えたいならAI寄りです。ただし、両者は機械学習、確率・統計、プログラミングなどで重なります。 初心者は、最初からAIを使えるかではなく、基礎を段階的に学べるかを確認してください。埼玉鳩山キャンパスの理工学部は、1年次に専門基礎などを学び、2年次に主コースと副コースを選ぶ仕組みです。東京千住キャンパスの情報システム工学科では、プログラミングを段階的に学び、確率・統計、データベース、機械学習、ネットワークなどへ進む構成が示されています。2026年度からの全学共通教養教育では、数学の理解度別クラスとデータサイエンスの基礎科目も示されていますが、最新の実施状況を確認しましょう。 AIを早く選ぶことが、直ちに狭い専門化になるとは限りません。2027年版研究室ガイドでは、埼玉鳩山で画像認識や生命情報、東京千住でロボットや情報セキュリティなどへのAI活用が示されています。大切なのは、AIそのものを研究したいのか、別の分野を解く方法として使いたいのかを分けて考えることです。なお、このガイドは研究テーマの広がりを示す将来時点の資料であり、現在の授業内容そのものではありません。