|
専門教育課程 情報工学科
| 授業科目区分 |
科目名 |
単位数 |
科目コード |
開講時期 |
履修方法 |
専門教育課程
専門科目
専門 |
データサイエンス
Data Science
|
2 |
E532-01 |
2022年度
５期（前学期）
|
修学規程第4条を参照 |
| 授業科目の学習・教育目標 |
| キーワード |
学習・教育目標 |
| 1.科学計算
2.数値解析
3.データ可視化
4.機械学習
5.データマイニング
|
（１）コンピュータでの科学計算方法を修得する
（２）コンピュータでの数値解析方法を修得する
（３）データの可視化方法を修得する
（４）機械学習の概要を理解してプログラムで実装する方法を修得する
（５）データマイニングの概要を理解して他者に説明できる能力を修得する |
| 授業の概要および学習上の助言 |
| データサイエンスではデータをコンピュータで巧みに扱う方法について学ぶ。データサイエンスを学ぶために、線形代数学と
統計学について復習をしておくことを勧める。また、受講前にコンピュータに20GiB以上の空き容量を確保しておく。 |
| 教科書および参考書・リザーブドブック |
| 教科書：指定なし
参考書：指定なし
ﾘｻﾞｰﾌﾞﾄﾞﾌﾞｯｸ：指定なし |
| 履修に必要な予備知識や技能 |
| （１）線形代数学の知識
（２）統計学の知識
（３）Pythonでの基礎的なプログラミング能力 |
| 学生が達成すべき行動目標 |
| No. |
学科教育目標
（記号表記） |
|
| ① |
D,J,L,M,N |
コンピュータを用いて基本的な科学計算ができる |
| ② |
D,J,L,M,N |
コンピュータを用いて基本的な数値解析ができる |
| ③ |
J,N |
データの可視化方法について説明できる |
| ④ |
J,L,M,N |
機械学習の概要を理解してプログラムで実装できる |
| ⑤ |
J,L,M,N |
データマイニングの概要を理解して説明できる |
| ⑥ |
|
|
| 達成度評価 |
|
|
評価方法 |
| 総合評価割合 |
0 |
40 |
60 |
0 |
0 |
0 |
0 |
100 |
| 指標と評価割合 |
総合評価割合 |
0 |
40 |
60 |
0 |
0 |
0 |
0 |
100 |
| 総合力指標 |
0 |
20 |
10 |
0 |
0 |
0 |
0 |
30 |
| 0 |
10 |
20 |
0 |
0 |
0 |
0 |
30 |
| 0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
| 0 |
0 |
20 |
0 |
0 |
0 |
0 |
20 |
| 0 |
10 |
10 |
0 |
0 |
0 |
0 |
20 |
| 評価の要点 |
| 評価方法 |
行動目標 |
評価の実施方法と注意点 |
| 試験 |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
クイズ
小テスト |
① |
レ |
講義内容の理解度を確認する。 |
| ② |
レ |
| ③ |
レ |
| ④ |
レ |
| ⑤ |
レ |
| ⑥ |
|
| レポート |
① |
レ |
レポートを2回課す。
講義内容を理解するだけでなく応用できるかどうかを問う。
問題解決の方法や、実行結果の考察など、総合的に評価する。 |
| ② |
レ |
| ③ |
レ |
| ④ |
レ |
| ⑤ |
レ |
| ⑥ |
|
成果発表
(口頭・実技) |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| 作品 |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| ポートフォリオ |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| その他 |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| 具体的な達成の目安 |
| 理想的な達成レベルの目安 |
標準的な達成レベルの目安 |
| コンピュータを使ってデータを可視化し、また科学計算や数値
解析を行って適切にデータを評価できる。基礎的な機械学習の
手法を応用して、データから有益な情報を抽出し考察すること
ができる。 |
コンピュータを使ってデータを可視化や科学計算、数値解析が
できる。基礎的な機械学習の手法を理解して説明できる。 |
| 授業明細 |
| 回数 |
学習内容 |
授業の運営方法 |
学習課題 予習・復習 |
時間：分※ |
| 1週 |
オリエンテーション |
講義、質疑応答 |
第2回講義までに指定されたファ
イルをダウンロードしておく |
100 |
| 2週 |
環境構築 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 3週 |
ライブラリの基本的な使い方 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 4週 |
記述統計と線形単回帰分析 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 5週 |
確率と推計統計学 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 6週 |
Pythonによる科学計算 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 7週 |
データ加工処理と可視化 |
講義、演習、質疑応答 |
復習：課題と課題レポートを完成
させる |
200 |
| 8週 |
教師あり学習1 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 9週 |
教師あり学習2 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 10週 |
教師なし学習1 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 11週 |
教師なし学習2 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 12週 |
パラメータチューニング1 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 13週 |
パラメータチューニング2 |
講義、演習、質疑応答 |
復習：課題を完成させる |
100 |
| 14週 |
総括と総合課題 |
講義、演習、質疑応答 |
復習：課題レポートを完成させる |
200 |
| 15週 |
総合課題解説と総括 |
講義、質疑応答 |
|
|
|
一般に、授業あるいは課外での学習では：「知識などを取り込む」→「知識などをいろいろな角度から、場合によってはチーム活動として、考え、推論し、創造する」→「修得した内容を表現、発表、伝達する」→「総合的に評価を受ける、ＧｏｏｄＷｏｒｋ！」：のようなプロセス（一部あるいは全体）を繰り返し行いながら、応用力のある知識やスキルを身につけていくことが重要です。このような学習プロセスを大事に行動してください。
※学習課題の時間欄には、指定された学習課題に要する標準的な時間を記載してあります。日々の自学自習時間全体としては、各授業に応じた時間（例えば2単位科目の場合、予習2時間・復習2時間／週）を取るよう努めてください。詳しくは教員の指導に従って下さい。