データサイエンス学修プログラム

本学では令和3年度から「徳島大学　データサイエンス学修プログラム」を開始しています。このプログラムはすべての学生が身に着けるべき基礎的な能力を養うことを目的に、全学部学生を対象として実施されています。さらに令和5年度より、リテラシーレベルの内容と専門教育との橋渡しとなることを目指した「データサイエンス学修プログラム（応用基礎レベル）」を開始しています。

各プログラムの詳細は以下のリンクをご参照ください。

• データサイエンス学修プログラム（リテラシーレベル）
• データサイエンス学修プログラム（応用基礎レベル）

データサイエンス学修プログラム（リテラシーレベル）

学生の数理・データサイエンス・AIへの関心を高めるとともに、数理・データサイエンス・AIを適切に理解し、それを活用する基礎的な能力を育成することを目的とするプログラムです。

本プログラムは令和4年8月24日付で、文部科学省による「数理・データサイエンス・ＡＩ教育プログラム（リテラシーレベル）」に認定されています。

【参考】文部科学省「数理・データサイエンス・AI教育プログラム（リテラシーレベル・応用基礎レベル）」の認定・選定結果について
【参考】数理・データサイエンス・AI教育プログラム認定制度（リテラシーレベル）申請書

※認定の有効期限: 令和9年3月31日まで



実施体制

委員会等	役割
副学長・教育担当理事	運営責任者
データサイエンス教育検討ワーキンググループ（2024年度からはデータサイエンス教育検討専門委員会）	プログラムの改善・進化
教養教育院 教養教育プログラム評価委員会	プログラムの自己点検・評価

本プログラムで身に付けることのできる能力

本プログラムは数理・データサイエンス・AI教育強化拠点コンソーシアムが作成した「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」に対応した教育内容を提供します。これにより、学生が数理・データサイエンス・AIへの関心を高め、「学ぶ楽しさ」や「学ぶことの意義」を実感できるプログラムとなっています。

プログラムを通して下記の能力を身に付けることが期待されます。

1. 社会のさまざまな領域で、データに基づくサービスが浸透していることを理解する。
2. 専門研究で、データサイエンスやAIを応用する可能性を考え られるようになる。
3. 自身でデータを考察する基本技術を身につける。
4. データの利活用においては、個人情報などに留意すべきであることを理解する。

修了要件

教養教育科目から、情報科学科目の授業題目「情報科学入門」(2単位)と、創成科学科目群イノベーション科目の授業題目「データサイエンスへの誘い」(2単位)の2つをもって構成し、計4単位を修得することを要件とする。いずれの授業題目も本教育プログラムの必修科目とする。

授業科目

授業科目名	概要	主な学習内容
情報科学入門	現代の情報化社会において必須となるデータサイエンスならびに情報処理に関する知識、スキルを身につけることを目的とした科目です。座学のみならず、情報機器を利用した実習により、文書作成、計算、データ処理などアプリケーションソフトの活用スキルを習得することを目指します。	情報の捉え方、情報セキュリティ、コンピュータの仕組みと特徴、データの記述、データの可視化、プログラミング
データサイエンスへの誘い	データとはなにか、またデータの種類などについての形式的な考察を出発点とし、データをコンピュータで精査あるいは整形するための技術、さらにはデータの概要を数値やグラフで要約する方法、そしてデータから新たな知見あるいは予測を引き出すための理論と手法を、講義または演習を通して習得する科目です。	データサイエンス、統計学、コンピュータサイエンス、AI

モデルカリキュラムとの対応

モデルカリキュラム（リテラシーレベル）と本プログラムを構成する授業の内容との対応。

授業に含まれている内容・要素	講義内容	対応する授業科目
（１）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 ※モデルカリキュラム導入1-1、1-6が該当	第４次産業革命、Society5.0、データ駆動型社会（情報科学入門） ビッグデータ、IoT、AI、データを起点としたものの見方、現場におけるデータサイエンスのサイクル、探索的にデータを解析する事例（データサイエンスへの誘い）	情報科学入門 データサイエンスへの誘い
（２）「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 ※モデルカリキュラム導入1-2、1-3が該当	調査データ、実験データ、構造化データ、非構造化データ、データのオープン化 データ・AI活用の広がり、研究開発、マーケッティング、知識発見	データサイエンスへの誘い
（３）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 ※モデルカリキュラム導入1-4、1-5が該当	データ解析の事例と技術 今のAIでできること・できないこと	データサイエンスへの誘い
（４）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 ※モデルカリキュラム心得3-1、3-2が該当	ELSI、データ倫理、データバイアス（情報科学入門） データ・AI活用における負の事例（データサイエンスへの誘い）	情報科学入門 データサイエンスへの誘い
（５）実データ・実課題（学術データ等を含む）を用いた演習など、社会での実例を題材として、「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 ※モデルカリキュラム基礎2-1、2-2、2-3が該当	データの種類、データの分布、代表値の性質の違い、データのばらつき、観測データに含まれる誤差の扱い、相関と因果、母集団と標本抽出、クロス集計、統計情報の正しい理解 データ表現、データの比較、不適切なグラフ表現、優れた可視化事例の紹介 データの集計・並び替え、解析ツール、表形式のデータ（データサイエンスへの誘い） データの集計・並び替え、解析ツール、表形式のデータ（情報科学入門）	情報科学入門 データサイエンスへの誘い

プログラムの自己点検・評価

• 2023年度版
• 2022年度版
• 2021年度版

データサイエンス学修プログラム（応用基礎レベル）

学生が数理・データサイエンス・AIへの関心を高めるとともに、専門研究でのデータサイエンス・AIの応用の可能性を発見することを目指したプログラムです。

本プログラムは令和6年8月27日付で、文部科学省による「数理・データサイエンス・ＡＩ教育プログラム（応用基礎レベル）」に認定されています。

【参考】文部科学省「数理・データサイエンス・AI教育プログラム（リテラシーレベル・応用基礎レベル）」の認定・選定結果について
【参考】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）申請書

※認定の有効期限: 令和11年3月31日まで



実施体制

委員会等	役割
副学長・教育担当理事	運営責任者
「徳島大学大学教育委員会」及び「データサイエンス教育検討ワーキンググループ」	プログラムの改善・進化
データサイエンス教育検討ワーキンググループ	プログラムの自己点検・評価

本プログラムで身に付けることのできる能力

本プログラムは数理・データサイエンス・AI教育強化拠点コンソーシアムが作成した「数理・データサイエンス・AI（応用基礎レベル）モデルカリキュラム」に対応した教育内容を提供します。これにより、学生が数理・データサイエンス・AIへの関心を高め、「学ぶ楽しさ」や「学ぶことの意義」を実感できるプログラムとなっています。加えて専門研究でのデータサイエンス・AIの応用の可能性を発見することを目指します。

プログラムを通して下記の能力を身に付けることが期待されます。

1. 社会のさまざまな領域で、データに基づくサービスやAI技術が浸透していることを理解する。また、その背景において統計学を始めとした数理的思考が重大であることを意識できるようになる。
2. 専門研究で、データサイエンスやAIを応用する可能性を考えられるようになる。
3. 自身でデータを考察する基本技術、実践的な知識を身につける。
4. データの利活用においては、個人情報やAIとの付き合い方などに留意すべきであることを理解する。

授業科目

授業科目名	概要	主な学習内容
情報科学入門	現代の情報化社会において必須となるデータサイエンスならびに情報処理に関する知識、スキルを身につけることを目的とした科目です。座学のみならず、情報機器を利用した実習により、文書作成、計算、データ処理などアプリケーションソフトの活用スキルを習得することを目指します。	情報の捉え方、情報セキュリティ、コンピュータの仕組みと特徴、データの記述、データの可視化、プログラミング
AI総合演習	AI技術を支える機械学習や深層学習の原理原則を理解することを第一の目標とし、またAIに関する実践的な能力を演習により習得することを目標とする科目です。	AI（人工知能）、データサイエンス、機械学習、深層学習
医学統計学	統計学における数理的思考を学ぶとともに、統計学が医学においてどのような形で使われているかを理解し、最新統計学を学ぶための基礎を身に付けることを目的とする科目です。	確率分布、統計量、記述統計、推論統計、仮説検定、医療統計
医学統計学演習	統計解析が自分でできるように、フリーソフトウエアであるRの使用方法を学び、仮想データを用いて前期で学んだ統計解析方法を実際に行うことを目的とする科目です。	統計解析、医用統計解析、R、確率分布、仮説検定、回帰と分類、機械学習、人工知能
データサイエンスへの誘い	データサイエンスの基礎となる数理・統計、データ分析の手法に関する基礎知識と応用力を身につけることを目標とする科目です。	統計学、AI（人工知能）、データサイエンス
歯科衛生統計	疫学とEBMの概念を理解し、臨床や地域保健の場で得られた情報を客観的に分析して評価する能力を修得する科目です。	疫学、分析法、歯科衛生統計
情報処理基礎論（2024年度からは「データ分析入門」）	講義と実習を通じて、統計学に関する基礎的な知識を学び、データ分析のための実践的な技能を身につけることを目標とする科目です。	数理・データサイエンス・AI、統計学、データリテラシー、論理的思考力、社会調査士

修了要件

本プログラムの修了要件は、全学共通（A区分）と学部・学科によって修了要件が相違する履修区分（B区分）があります。いずれかの区分を修了することで、本プログラムの修了要件を満たすことができます。



全学共通

修了要件

【A区分】教養教育「基礎科目群・情報科学」および「教養科目群・自然と技術」それぞれで指定された2科目（「情報科学入門」および「AI総合演習」(各2単位)）、合計4単位を履修する。

モデルカリキュラムとの対応

モデルカリキュラム（応用基礎レベル）と本プログラムを構成する授業の内容との対応。

授業に含まれている内容・要素	講義内容	対応する授業科目
（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もの ※モデルカリキュラム データサイエンス基礎1-6, 1-7、データエンジニアリング基礎2-2, 2-7が該当	代表値(平均値、中央値、最頻値)、分散、標準偏差 相関係数、相関関係と因果関係 ベクトルと行列 並び替え（ソート）、探索（サーチ） ソートアルゴリズム、バブルソート、選択ソート、挿入ソート コンピュータで扱うデータ(数値、文章、画像、音声、動画など) 構造化データ、非構造化データ 画像の符号化、画素(ピクセル)、 色の3要素(RGB) 文字型、整数型、浮動小数点型 変数、代入、四則演算、論理演算 関数、引数、戻り値	情報科学入門
（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」から構成されるもの ※モデルカリキュラム データサイエンス基礎1-1, 1-2、データエンジニアリング基礎2-1、AI基礎3-1, 3-2, 3-3, 3-4, 3-9が該当	データ駆動型社会、Society 5.0 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) データ分析の進め方、仮説検証サイクル 様々なデータ分析手法 (回帰、分類、クラスタリングなど) 様々なデータ可視化手法(比較、構成、分布、変化など) ICT(情報通信技術)の進展、ビッグデータ ビッグデータの収集と蓄積、クラウドサービス ビッグデータ活用事例 AIの歴史、推論、探索、トイプロブレム、エキスパートシステム 汎用AI/特化型AI(強いAI/弱いAI) フレーム問題、シンボルグラウンディング問題 人間の知的活動とAI技術(学習、認識、予測・判断、知識・言語、身体・運動) AI技術の活用領域の広がり (流通、製造、金融、インフラ、公共、ヘルスケアなど) 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) 機械学習、教師あり学習、教師なし学習、強化学習 学習データと検証データ ホールドアウト法、交差検証法 過学習、バイアス 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) ニューラルネットワークの原理 ディープニューラルネットワーク(DNN) AIの学習と推論、評価、再学習 AIの社会実装、ビジネス/業務への組み込み	AI総合演習

医学部・保健学科

修了要件

【A区分】教養教育「基礎科目群・情報科学」および「教養科目群・自然と技術」それぞれで指定された2科目（「情報科学入門」および「AI総合演習」(各2単位)）、合計4単位を履修する。

加えて、医学統計学の活用についてより深く学ぶことのできる科目として、医学部保健学科専門教育科目（「医学統計学」、「医学統計学演習」(各1単位)）を選択科目として指定する。

モデルカリキュラムとの対応

モデルカリキュラム（応用基礎レベル）と本プログラムを構成する授業の内容との対応。

授業に含まれている内容・要素	講義内容	対応する授業科目
（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もの ※モデルカリキュラム データサイエンス基礎1-6, 1-7、データエンジニアリング基礎2-2, 2-7が該当	順列、組合せ、集合、ベン図、条件付き確率 代表値(平均値、中央値、最頻値)、分散、標準偏差 相関係数、相関関係と因果関係 確率分布、正規分布、独立同一分布 ベクトルと行列 ベクトルの演算、ベクトルの和とスカラー倍、内積 行列の演算、行列の和とスカラー倍、行列の積 並び替え（ソート）、探索（サーチ） ソートアルゴリズム、バブルソート、選択ソート、挿入ソート コンピュータで扱うデータ(数値、文章、画像、音声、動画など) 構造化データ、非構造化データ 画像の符号化、画素(ピクセル)、 色の3要素(RGB) 文字型、整数型、浮動小数点型 変数、代入、四則演算、論理演算 関数、引数、戻り値	情報科学入門 医学統計学 医学統計学演習
（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」から構成されるもの ※モデルカリキュラム データサイエンス基礎1-1, 1-2、データエンジニアリング基礎2-1、AI基礎3-1, 3-2, 3-3, 3-4, 3-9が該当	データ駆動型社会、Society 5.0 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) データ分析の進め方、仮説検証サイクル 様々なデータ分析手法 (回帰、分類、クラスタリングなど) 様々なデータ可視化手法(比較、構成、分布、変化など) ICT(情報通信技術)の進展、ビッグデータ ビッグデータの収集と蓄積、クラウドサービス ビッグデータ活用事例 AIの歴史、推論、探索、トイプロブレム、エキスパートシステム 汎用AI/特化型AI(強いAI/弱いAI) フレーム問題、シンボルグラウンディング問題 人間の知的活動とAI技術(学習、認識、予測・判断、知識・言語、身体・運動) AI技術の活用領域の広がり (流通、製造、金融、インフラ、公共、ヘルスケアなど) AI倫理、AIの社会的受容性 プライバシー保護、個人情報の取り扱い AIに関する原則/ガイドライン AIの公平性、AIの信頼性、AIの説明可能性 AIと知的財産権 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) 機械学習、教師あり学習、教師なし学習、強化学習 学習データと検証データ ホールドアウト法、交差検証法 過学習、バイアス 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) ニューラルネットワークの原理 ディープニューラルネットワーク(DNN) AIの学習と推論、評価、再学習 AIの社会実装、ビジネス/業務への組み込み	AI総合演習 医学統計学 医学統計学演習

歯学部・口腔保健学科

修了要件

【A区分】教養教育「基礎科目群・情報科学」および「教養科目群・自然と技術」それぞれで指定された2科目（「情報科学入門」および「AI総合演習」(各2単位)）、合計4単位を履修する。

【B区分】教養教育「基礎科目群・情報科学」および「創成科学科目群・イノベーション科目」それぞれで指定された2科目（「情報科学入門」および「データサイエンスへの誘い」(各2単位)）と、専門科目1科目（「歯科衛生統計」(1単位)）の合計5単位を取得すること。

モデルカリキュラムとの対応

モデルカリキュラム（応用基礎レベル）と本プログラムを構成する授業の内容との対応。

授業に含まれている内容・要素	講義内容	対応する授業科目
（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もの ※モデルカリキュラム データサイエンス基礎1-6, 1-7、データエンジニアリング基礎2-2, 2-7が該当	代表値(平均値、中央値、最頻値)、分散、標準偏差 相関係数、相関関係と因果関係 ベクトルと行列 並び替え（ソート）、探索（サーチ） ソートアルゴリズム、バブルソート、選択ソート、挿入ソート コンピュータで扱うデータ(数値、文章、画像、音声、動画など) 構造化データ、非構造化データ 画像の符号化、画素(ピクセル)、 色の3要素(RGB) 文字型、整数型、浮動小数点型 変数、代入、四則演算、論理演算 関数、引数、戻り値	情報科学入門
（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」から構成されるもの ※モデルカリキュラム データサイエンス基礎1-1, 1-2、データエンジニアリング基礎2-1、AI基礎3-1, 3-2, 3-3, 3-4, 3-9が該当	データ駆動型社会、Society 5.0 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) データ分析の進め方、仮説検証サイクル 様々なデータ分析手法 (回帰、分類、クラスタリングなど) 様々なデータ可視化手法(比較、構成、分布、変化など) 分析目的に応じた適切な調査(標本調査、標本誤差) ICT(情報通信技術)の進展、ビッグデータ ビッグデータの収集と蓄積、クラウドサービス ビッグデータ活用事例 人の行動ログデータ、機械の稼働ログデータ ソーシャルメディアデータ AIの歴史、推論、探索、トイプロブレム、エキスパートシステム 汎用AI/特化型AI(強いAI/弱いAI) フレーム問題、シンボルグラウンディング問題 人間の知的活動とAI技術(学習、認識、予測・判断、知識・言語、身体・運動) AI技術の活用領域の広がり (流通、製造、金融、インフラ、公共、ヘルスケアなど) AI倫理、AIの社会的受容性 プライバシー保護、個人情報の取り扱い AIに関する原則/ガイドライン AIの公平性、AIの信頼性、AIの説明可能性 AIと知的財産権 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) 機械学習、教師あり学習、教師なし学習、強化学習 学習データと検証データ ホールドアウト法、交差検証法 過学習、バイアス 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) ニューラルネットワークの原理 ディープニューラルネットワーク(DNN) AIの学習と推論、評価、再学習 AIの社会実装、ビジネス/業務への組み込み	データサイエンスへの誘い AI総合演習

総合科学部

修了要件

【A区分】教養教育「基礎科目群・情報科学」および「教養科目群・自然と技術」それぞれで指定された2科目（「情報科学入門」および「AI総合演習」（各2単位））、合計4単位を履修する。

【B区分】教養教育「基礎科目群・情報科学」で指定された1科目（「情報科学入門」(2単位)）と、学部専門科目（「情報処理基礎論」（2単位））の合計4単位を履修する。

モデルカリキュラムとの対応

モデルカリキュラム（応用基礎レベル）と本プログラムを構成する授業の内容との対応。

授業に含まれている内容・要素	講義内容	対応する授業科目
（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もの ※モデルカリキュラム データサイエンス基礎1-6, 1-7、データエンジニアリング基礎2-2, 2-7が該当	代表値(平均値、中央値、最頻値)、分散、標準偏差 相関係数、相関関係と因果関係 名義尺度、順序尺度、間隔尺度、比例尺度 確率分布、正規分布 ベクトルと行列 指数関数、対数関数、関数の傾きと微分の関係、積分と面積の関係 アルゴリズムの表現 並び替え（ソート）、探索（サーチ） ソートアルゴリズム、バブルソート、選択ソート、挿入ソート コンピュータで扱うデータ(数値、文章、画像、音声、動画など) 構造化データ、非構造化データ 画像の符号化、画素(ピクセル)、 色の3要素(RGB) 文字型、整数型、浮動小数点型 変数、代入、四則演算、論理演算 関数、引数、戻り値	情報科学入門 情報処理基礎論
（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」から構成されるもの ※モデルカリキュラム データサイエンス基礎1-1, 1-2、データエンジニアリング基礎2-1、AI基礎3-1, 3-2, 3-3, 3-4, 3-9が該当	データ駆動型社会、Society 5.0 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) データ分析の進め方、仮説検証サイクル 様々なデータ分析手法 (回帰、分類、クラスタリングなど) 様々なデータ可視化手法(比較、構成、分布、変化など) ICT(情報通信技術)の進展、ビッグデータ ビッグデータの収集と蓄積、クラウドサービス ビッグデータ活用事例 AIの歴史、推論、探索、トイプロブレム、エキスパートシステム 汎用AI/特化型AI(強いAI/弱いAI) フレーム問題、シンボルグラウンディング問題 人間の知的活動とAI技術(学習、認識、予測・判断、知識・言語、身体・運動) AI技術の活用領域の広がり (流通、製造、金融、インフラ、公共、ヘルスケアなど) AI倫理、AIの社会的受容性 プライバシー保護、個人情報の取り扱い AIに関する原則/ガイドライン AIの公平性、AIの信頼性、AIの説明可能性 AIと知的財産権 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) 機械学習、教師あり学習、教師なし学習、強化学習 学習データと検証データ ホールドアウト法、交差検証法 過学習、バイアス 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) ニューラルネットワークの原理 ディープニューラルネットワーク(DNN) AIの学習と推論、評価、再学習 AIの社会実装、ビジネス/業務への組み込み	AI総合演習 情報科学入門

プログラムの自己点検・評価

• 2023年度版
• 自己点検・評価体制規則