人工知能（AI）の学習のための指針
1. 実践重視： AIツールを実際に使用し、機能に慣れる
2. エラーを恐れない： 実行においては、エラーの発生の可
能性がある．エラーを恐れず，むしろ学習の一部として
捉えるポジティブさが大切．
3. 段階的学習：基礎から応用へと段階的に学習を進め，AI
の可能性を前向きに捉える
2
アウトライン
1. Python プログラミングの基礎
2. 変数，代入
3. オブジェクト，メソッド
4. プログラミングの楽しさと達成
感
5. Python の外部ライブラリの概
要と活用
6. 実データを用いた散布図の作成
7. 人工知能でのプログラミングの
重要性
3
• Python は多くの
人々に利用されてい
るプログラミング言
語の１つ
• 読みやすさ，書きや
すさ，幅広い応用範
囲が特徴
4
Python
Python 言語が広く使用されている理由
文法のシンプルさ
• Python は，直感的で読みやすい文法
• 例えば、print で簡単に出力できる、if や else で条件分岐、for や
while で繰り返し（ループ）
拡張性
• 多岐にわたる分野で利用が可能
• 例えば、関数やクラスを定義するための def や class、継承やオブ
ジェクトの属性名と値を操作するための super や vars などがある。
柔軟性
• シンプルなスクリプトも、高度なプログラムも作成可能
• オブジェクト指向の機能を持ち、__init__ や self のようなキーワード
を使用してクラスを利用できる。
5
trinket
• Trinket はオンラインの Python、HTML 等の学習サイト
• ブラウザで動作
• 有料の機能と無料の機能がある
• 自分が作成した Python プログラムを公開し、他の人に実
行してもらうことが可能（そのとき、書き替えて実行も可
能）
• Python の標準機能を登載、その他、次の外部ライブラリ
がインストール済み
matplotlib.pyplot, numpy, processing, pygal
6
2-1. Python プログラミン
グの基礎
8
変数，代入
• 変数：プログラム内で名前を付けて利用するオブジェ
クトで，値を保存し，後から参照できる
• 代入：「x = 100」のように書くことで，x という名前
の変数に、値 100 が保存される
9
x = 100
例
オブジェクトとメソッド
• オブジェクト：コンピュータでの操作や処理の対象と
なるもの
• メソッド: オブジェクトに属する機能や操作．オブジェ
クトがもつ能力に相当する
• 引数：メソッドが行う操作の詳細に関する情報．メ
ソッド呼び出しのときに、引数を指定できる
t.goto(0,100)
10
t.goto(0,100) t オブジェクト
goto(0,100) メソッド
間を「.」で区切っている
引数
• インデント（字下げ）によるブロックの区切り
（通常「タブ」または「４つの半角スペース」）
• コメント：行の先頭に「#」
• 空白行：プログラムを読みやすくするために挿入可能
Python プログラムの書き方（コーディングス
タイル）
11
例
import turtle
for i in range(4):
turtle.forward(100)
turtle.right(90)
turtle.done()
空白行
空白行
インデント（字下げ）
2-2. 変数，代入
12
変数，代入
• 変数：プログラム内で名前を付けて利用するオブジェ
クトで，値を保存し，後から参照できる
• 代入：「x = 100」のように書くことで，x という名前
の変数に、値 100 が保存される
13
x = 100
例
trinket
• Trinket はオンラインの Python、HTML 等の学習サイト
• ブラウザで動作
• 有料の機能と無料の機能がある
• 自分が作成した Python プログラムを公開し、他の人に実
行してもらうことが可能（そのとき、書き替えて実行も可
能）
• Python の標準機能を登載、その他、次の外部ライブラリ
がインストール済み
matplotlib.pyplot, numpy, processing, pygal
14
演習．変数と代入
16
2-3. オブジェクト，メ
ソッド
22
オブジェクトとメソッド
• オブジェクト：コンピュータでの操作や処理の対象と
なるもの
• メソッド: オブジェクトに属する機能や操作．オブジェ
クトがもつ能力に相当する
• 引数：メソッドが行う操作の詳細に関する情報．メ
ソッド呼び出しのときに、引数を指定できる
t.goto(0,100)
23
t.goto(0,100) t オブジェクト
goto(0,100) メソッド
間を「.」で区切っている
引数
タートルグラフィックス
カーソルを使って絵を描く
• タートルグラフィックスを用いた演習により、プログラム
によって図形を描画する．それを通して、プログラムの動
作を視覚的に理解
• 論理的思考力や課題解決力の向上にもつながる
24
(０, 0)
(０, 100)
(100, 0)
タートルグラフィックスの機能をインポー
トする「import turtle」が必要
タートルグラフィックス入門
主なメソッド
• goto（＜横方向の値＞，<縦方向の値>） 移動
• forward(＜移動量＞) 前進
• backword(＜移動量＞) 後退
• right(＜角度＞) 右回りに回転
• left(＜角度＞) 左回りに回転
25
メソッド
オブジェクト
• メソッドは、オブジェクト
が持つ機能を呼び出すため
のもの
• 「goto」は指定した座標へ
の移動
オブジェクトとメソッド
26
オブジェクトが動く
import turtle
t = turtle.Turtle()
t.goto(0,100)
インポート
オブジェクト生成。t へのセット。
(0, 100) への移動
実行結果
(0, 100)
(0, 0)
最初の位置は
(0, 0)
オブジェクトとメソッド
27
import turtle
t = turtle.Turtle()
t.goto(0,100)
t.goto(100,0)
インポート
オブジェクト生成。t へのセット。
(0, 100) への移動
(100, 0) への移動
実行結果
(100, 0)
(0, 100)
(0, 0)
最初の位置は
(0, 0)
オブジェクトが動く
28
亀（タール）
の最初の位置
は (0, 0)
(プラスの数, 0)
(マイナスの数, 0)
(0, プラスの数)
(0, マイナスの数)
メソッド goto の引数となる
縦方向の値と，横方向の値
演習．タートルグラフィッ
クス
29
import turtle
t = turtle.Turtle()
t.goto(0,100)
t.goto(100,0)
30
ライブラリのインポート
オブジェクト生成。t へのセット。
(0, 100) への移動
(100, 0) への移動
実行結果
(100, 0)
(0, 100)
(0, 0)
最初の位置は
(0, 0)
③ 次のように書き換えて、再実行し、結果が変わる
ことを確認
32
実行、STOP ボタン
書き換え
33
亀の最初の位
置は (0, 0)
(プラスの数, 0)
(マイナスの数, 0)
(0, プラスの数)
(0, マイナスの数)
④ 次を参考に、自分で引数を書き替えたり、プロ
グラム内に「t.goto(<引数>)」を増やして、思い通
りの図形を目指す。
ここまでのまとめ
• 変数：プログラム内で名前を付けて値を保存し参照できる
オブジェクト
• オブジェクト：コンピュータでの操作や処理の対象となる
ものである．
• メソッド：オブジェクトが持つ機能や操作を表すもの．
例: t.goto(100,0)では t はオブジェクト、goto はメソッド。
• 引数：メソッドには，操作の詳細を指定するための引数を
設定できる．
例：t.goto(100,0) では、引数は「100,0」
• Python では，インデントを適切に使用する．
• プログラムの修正や改良を繰り返し行うことで，目的の動
作を実現できる．
34
2-4. プログラミングの楽
しさと達成感
35
36
• ソースコードは，プログラミ
ング言語で書かれたプログラ
ムのもの
• 人間も読み書き，編集できる
• ソースコードにより，プログ
ラムの動作を理解し，必要に
応じて改変できる
ソースコード
演習
図形のバリエーション
37
演習
プログラミングの楽しさと
達成感
40
各自の自発的な演習、自己研鑽の時間
① Pythonでグラフィックスを描く
資料のプログラムを動かし理解を深める
② Pythonの基本を押さえる
オブジェクト、メソッド、引数
③ 発想力、創造力
turtleライブラリを使用して、あなた自身がデザインした図
形を描く。
④ 自主性、自己研鑽力、自分なりに工夫したことを振り返る
説明されなかった機能（他の図形の書き方）などを自主的
に調べ、理解し、自分で試してみる。そして、自分なりに工
夫したことを振り返り、省察することで、さらに実力アップ。
41
2-5. Python の外部ライ
ブラリの概要と活用
45
外部ライブラリとは
• プログラミング言語の標準機能以外の追加機能を
提供するプログラム集．（外部）
• さまざまな目的のために何度も利用できる （ラ
イブラリ）
46
外部ライブラリの利用
• インストール（使えるようにするための操作）が必要
操作コマンド例： pip install numpy
• Trinket では，いくつかの外部ライブラリがインストール済
み
matplotlib.pyplot, numpy, processing, pygal
• 外部ライブラリの利用には，プログラム内でのインポート
が必要
Python では import を使用
例：import numpy as np
47
外部ライブラリ活用のメリット
• プログラム作成の手間を削減
• プログラムの量を削減
• 高度な機能の利用
• 効率的に動作する外部プログラムの利用
外部ライブラリの活用はソフトウェア開発に不可欠．効率的
で高機能なプログラム作成を可能にする．
48
代表的な外部ライブラリ例
• NumPy：数値計算、配列
• Matplotlib.Pyplot：グラフ、図表作成
49
演習．外部ライブラリの活
用例
50
プログラム内でのインポート
• 例：import numpy as np
代表的な外部ライブラリ
• NumPy：数値計算、配列処理
• Matplotlib.Pyplot：グラフ、図表作成
54
ここまでのまとめ
• 外部ライブラリは，プログラミング言語の標準機能以外の
追加機能を提供するプログラム集である．
• 外部ライブラリの利用には，インストールとプログラム内
でのインポートが必要である．
• 外部ライブラリを活用することで，プログラム作成の手間
と量を削減できる．
• 外部ライブラリにより，高度な機能を持ち，効率的に動作
するプログラムを利用できる．
• 外部ライブラリの活用は，効率的で高機能なプログラム開
発に不可欠である．
55
2-6. 実データを用いた散布
図の作成
56
散布図作成プログラムの例
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 5, 4, 5]
plt.plot(x, y, 'o’)
plt.title('Scatter Plot’)
plt.show()
57
インポート
データの準備（xとy）
プロット
グラフのタイトル設定
グラフの表示
• import matplotlib.pyplot as pltmatplotlib.pyplot
matplotlib.pyplot ライブラリを plt という別名でインポートする．
• x = [1, 2, 3, 4, 5]
x座標のデータを含むリストを作成
• y = [2, 4, 5, 4, 5]
y座標のデータを含むリストを作成
• plt.plot(x, y, 'o’)
xとyのデータポイントをプロット。‘o’は丸いマーカー（点）を
指定
• plt.title('Scatter Plot’)
グラフのタイトルを「Scatter Plot」に設定
• plt.show()
作成したグラフを表示
58
プログラムを用いて散布図を作成することのメ
リット
• データ処理の自動化：
大量のデータセットを自動的に処理し、散布図を生成できる．
• 再現性の向上：
同じ散布図を簡単に再現できる．
• カスタマイズの柔軟性：
グラフの細かな部分までカスタマイズできる．
プログラムを用いた散布図作成は、特に研究や大規模データ
分析の場面で有効
59
演習．散布図
60
# Matplotlibを使用して散布図を作成
import matplotlib.pyplot as plt
# データ点のx座標とy座標
x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
y = [2, 4, 5, 4, 5, 6, 7, 8, 7, 9]
plt.plot(x, y, 'rs') # 赤い四角のマーカーでプロット
plt.title('散布図の例’)
plt.show() # グラフを表示
61
アヤメ属 (Iris)
• 多年草
• 世界に 150種. 日本に 9種.
• がく片 Sepal
3個（大型で下に垂れる）
• 花弁 Petal
3個（直立する）
63
花弁
がく片
Iris データセット
【概要】
• 有名なデータセット．
• 3種類のアヤメ（Iris）の花の特徴を記録したもの．
【データの内容】
• 150個のサンプル（各種類50個ずつ）．
• 4つの特徴（がく片の長さと幅、花弁の長さと幅）．
• 3つの種類（品種：setosa、versicolor、virginica）．
64
Iris データセット
65
がく片(Sepal)
の長さと幅
花弁(Petal)
の長さと幅
種類
Iris データセット
１５０サンプルのうち先頭１０
演習５．実データの散布図
66
• Irisデータセットを散布図にする
１つめ：がく片の長さと幅
２つめ：花弁の長さと幅
• Matplotlib ライブラリを使用
• 長さと幅の全体の分布を一目で把握できる
67
がく片の長さと幅
# Matplotlibを使用して散布図を作成
import matplotlib.pyplot as plt
# Irisデータセット
x = [5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4.9, 5.4, 4.8, 4.8, 4.3, 5.8, 5.7, 5.4, 5.1, 5.7, 5.1, 5.4, 5.1, 4.6, 5.1, 4.8, 5.0,
5.0, 5.2, 5.2, 4.7, 4.8, 5.4, 5.2, 5.5, 4.9, 5.0, 5.5, 4.9, 4.4, 5.1, 5.0, 4.5, 4.4, 5.0, 5.1, 4.8, 5.1, 4.6, 5.3, 5.0,
7.0, 6.4, 6.9, 5.5, 6.5, 5.7, 6.3, 4.9, 6.6, 5.2, 5.0, 5.9, 6.0, 6.1, 5.6, 6.7, 5.6, 5.8, 6.2, 5.6, 5.9, 6.1, 6.3, 6.1, 6.4, 6.6, 6.8,
6.7, 6.0, 5.7, 5.5, 5.5, 5.8, 6.0, 5.4, 6.0, 6.7, 6.3, 5.6, 5.5, 5.5, 6.1, 5.8, 5.0, 5.6, 5.7, 5.7, 6.2, 5.1, 5.7,
6.3, 5.8, 7.1, 6.3, 6.5, 7.6, 4.9, 7.3, 6.7, 7.2, 6.5, 6.4, 6.8, 5.7, 5.8, 6.4, 6.5, 7.7, 7.7, 6.0, 6.9, 5.6, 7.7, 6.3, 6.7, 7.2, 6.2,
6.1, 6.4, 7.2, 7.4, 7.9, 6.4, 6.3, 6.1, 7.7, 6.3, 6.4, 6.0, 6.9, 6.7, 6.9, 5.8, 6.8, 6.7, 6.7, 6.3, 6.5, 6.2, 5.9]
y = [3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3.1, 3.7, 3.4, 3.0, 3.0, 4.0, 4.4, 3.9, 3.5, 3.8, 3.8, 3.4, 3.7, 3.6, 3.3, 3.4, 3.0,
3.4, 3.5, 3.4, 3.2, 3.1, 3.4, 4.1, 4.2, 3.1, 3.2, 3.5, 3.6, 3.0, 3.4, 3.5, 2.3, 3.2, 3.5, 3.8, 3.0, 3.8, 3.2, 3.7, 3.3,
3.2, 3.2, 3.1, 2.3, 2.8, 2.8, 3.3, 2.4, 2.9, 2.7, 2.0, 3.0, 2.2, 2.9, 2.9, 3.1, 3.0, 2.7, 2.2, 2.5, 3.2, 2.8, 2.5, 2.8, 2.9, 3.0, 2.8,
3.0, 2.9, 2.6, 2.4, 2.4, 2.7, 2.7, 3.0, 3.4, 3.1, 2.3, 3.0, 2.5, 2.6, 3.0, 2.6, 2.3, 2.7, 3.0, 2.9, 2.9, 2.5, 2.8,
3.3, 2.7, 3.0, 2.9, 3.0, 3.0, 2.5, 2.9, 2.5, 3.6, 3.2, 2.7, 3.0, 2.5, 2.8, 3.2, 3.0, 3.8, 2.6, 2.2, 3.2, 2.8, 2.8, 2.7, 3.3, 3.2, 2.8,
3.0, 2.8, 3.0, 2.8, 3.8, 2.8, 2.8, 2.6, 3.0, 3.4, 3.1, 3.0, 3.1, 3.1, 3.1, 2.7, 3.2, 3.3, 3.0, 2.5, 3.0, 3.4, 3.0]
# すべてのデータポイントを同じ色とマーカーでプロット
plt.plot(x, y, color='blue', marker='o')
plt.xlabel('がく片の長さ (cm)')
plt.ylabel('がく片の幅 (cm)')
plt.title('アヤメのがく片の大きさ')
plt.show() # グラフを表示
68
ここまでのまとめ
• Matplotlib.pyplot はグラフ作成に使用できる外部ライブラ
リ．
• プログラム次第で，異なる散布図の表示も可能．
• 外部ライブラリの活用により，プログラム作成の手間を削
減でき，高度な機能を利用することができる．
71
2-7. 人工知能でのプログラ
ミングの重要性
72
73
機械学習は，コンピュータがデータ
を使用して学習することにより知的
能力を向上させる技術
• 情報の抽出：データの中からパ
ターンや関係性を自動で見つけ出
す能力
• 簡潔さ：人間が設定しなければな
らなかったルールを、自動で生成
できるようになる
• 限界の超越：他の方法では難し
かった課題でも、機械学習を用い
ることで解決策や視点を得られる
可能性がある
機械学習の特徴
機械学習の概要と応用
1. データの準備：
例： Irisデータセットの花弁の長さと幅のデータ
2. 機械学習の活用：
• データを使って，コンピュータに学習させる．
3. 予測能力の獲得：
• 学習の結果，新しいデータに対して予測ができるようになる．
• 例：花弁の長さが5.0cmの花に対して，その幅を1.7cmと予測
4. データ内の規則性やパターンの自動抽出：
• 従来のプログラミングは「花弁の長さがXcmなら幅はYcmであ
る」といったルールを人間が記述する必要があった．
• 機械学習ではこれらの関係性を自動的に学習する．
データから価値ある情報を抽出し，新たな知見を得ることが可能
になる．
74
演習６．データからのパ
ターンの抽出
ページ６１～６４
75
• Irisデータセットを利用
花弁の長さと幅のデータから，パターンを抽出
• 「線形回帰」の技術を使用
• 「花弁の長さが5.0cmの花に対して，その幅を1.7cmと予
測」といった予測も可能になる
76
プログラム
import matplotlib.pyplot as plt
# Irisデータセット（花弁の長さと幅）
x = [1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1.5, 1.5, 1.6, 1.4, 1.1, 1.2, 1.5, 1.3, 1.4, 1.7, 1.5, 1.7, 1.5, 1.0, 1.7, 1.9, 1.6, 1.6, 1.5, 1.4, 1.6, 1.6, 1.5, 1.5, 1.4, 1.5, 1.2, 1.3, 1.5, 1.3, 1.5,
1.3, 1.3, 1.3, 1.6, 1.9, 1.4, 1.6, 1.4, 1.5, 1.4,
4.7, 4.5, 4.9, 4.0, 4.6, 4.5, 4.7, 3.3, 4.6, 3.9, 3.5, 4.2, 4.0, 4.7, 3.6, 4.4, 4.5, 4.1, 4.5, 3.9, 4.8, 4.0, 4.9, 4.7, 4.3, 4.4, 4.8, 5.0, 4.5, 3.5, 3.8, 3.7, 3.9, 5.1, 4.5, 4.5, 4.7, 4.4, 4.1, 4.0,
4.4, 4.6, 4.0, 3.3, 4.2, 4.2, 4.2, 4.3, 3.0, 4.1,
6.0, 5.1, 5.9, 5.6, 5.8, 6.6, 4.5, 6.3, 5.8, 6.1, 5.1, 5.3, 5.5, 5.0, 5.1, 5.3, 5.5, 6.7, 6.9, 5.0, 5.7, 4.9, 6.7, 4.9, 5.7, 6.0, 4.8, 4.9, 5.6, 5.8, 6.1, 6.4, 5.6, 5.1, 5.6, 6.1, 5.6, 5.5, 4.8, 5.4,
5.6, 5.1, 5.1, 5.9, 5.7, 5.2, 5.0, 5.2, 5.4, 5.1]
y = [0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.2, 0.1, 0.2, 0.2, 0.1, 0.1, 0.2, 0.4, 0.4, 0.3, 0.3, 0.3, 0.2, 0.4, 0.2, 0.5, 0.2, 0.2, 0.4, 0.2, 0.2, 0.2, 0.2, 0.4, 0.1, 0.2, 0.2, 0.2, 0.2, 0.1, 0.2, 0.2,
0.3, 0.3, 0.2, 0.6, 0.4, 0.3, 0.2, 0.2, 0.2, 0.2,
1.4, 1.5, 1.5, 1.3, 1.5, 1.3, 1.6, 1.0, 1.3, 1.4, 1.0, 1.5, 1.0, 1.4, 1.3, 1.4, 1.5, 1.0, 1.5, 1.1, 1.8, 1.3, 1.5, 1.2, 1.3, 1.4, 1.4, 1.7, 1.5, 1.0, 1.1, 1.0, 1.2, 1.6, 1.5, 1.6, 1.5, 1.3, 1.3, 1.3,
1.2, 1.4, 1.2, 1.0, 1.3, 1.2, 1.3, 1.3, 1.1, 1.3,
2.5, 1.9, 2.1, 1.8, 2.2, 2.1, 1.7, 1.8, 1.8, 2.5, 2.0, 1.9, 2.1, 2.0, 2.4, 2.3, 1.8, 2.2, 2.3, 1.5, 2.3, 2.0, 2.0, 1.8, 2.1, 1.8, 1.8, 1.8, 2.1, 1.6, 1.9, 2.0, 2.2, 1.5, 1.4, 2.3, 2.4, 1.8, 1.8, 2.1,
2.4, 2.3, 1.9, 2.3, 2.5, 2.3, 1.9, 2.0, 2.3, 1.8]
# 線形回帰の実装
def linear_regression(x, y):
n = len(x)
sum_x = sum(x)
sum_y = sum(y)
sum_xy = sum(xi * yi for xi, yi in zip(x, y))
sum_xx = sum(xi ** 2 for xi in x)
m = (n * sum_xy - sum_x * sum_y) / (n * sum_xx - sum_x ** 2)
b = (sum_y - m * sum_x) / n
return m, b
# 回帰分析
m, b = linear_regression(x, y)
# データポイントのプロット（plt.plot を使用）
plt.plot(x, y, 'bo', markersize=4, alpha=0.7, label='データポイント')
# 回帰直線の描画
min_x, max_x = min(x), max(x)
plt.plot([min_x, max_x], [m*min_x + b, m*max_x + b], color='red')
# グラフの設定
plt.xlabel('花弁の長さ (cm)')
plt.ylabel('花弁の幅 (cm)')
plt.title('アヤメの花弁: 長さと幅の関係')
# グラフの表示
plt.show()
77
プログラミングのさまざまな応用分野
• Web開発
フロントエンド（HTML, CSS, JavaScript），バックエンド
（Python, Django, Flask）
• データ分析
ビッグデータ処理，統計分析，データビジュアライゼーショ
ン
• 人工知能
自然言語処理，コンピュータビジョン，予測モデリング
• ゲーム開発
2Dゲーム，3Dゲーム，モバイルゲーム
• IoT（Internet of Things）
センサーデータの収集と分析，スマートホームシステム
• サイバーセキュリティ
ネットワークセキュリティ，暗号化技術
79
まとめ
• Python の基本的な文法と機能を学んだ
• Trinket を用いて実際にプログラムを実行した
• タートルグラフィックスを使用した
• 散布図（データ可視化）を体験した
• プログラミングの重要性と応用可能性を理解した
80
次のステップへ
• 人工知能のさらなる探求，学び
• 「AI演習」はプログラミングの初心者対象を前提
• AI の動く仕組みの理解（AI はプログラムで動く）
• AI プログラムは，人間が観察可能，編集による調
整可能である
• そのために，プログラミングの入門知識が役立つ
81
