金沢工業大学　学習支援計画書　F142-01
|| 英語(English)
学習支援計画書(シラバス)　検索システム
印刷
専門教育課程　経営情報学科
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
先進プログラミング応用
Advanced Programming Applications
 2 F142-01 2024年度
６期（後学期） 		修学規程第4条を参照
担当教員名
＊印は、実務経験のある教員を示しています。
授業科目の学習・教育目標
キーワード 学習・教育目標
1.データ分析 2.機械学習 3.アジャイル開発手法 4.データ可視化 5.Python 本科目は経営情報学科の学習・教育目標「情報デザイン基礎力」達成のための科目である。 Pythonを用いて現実的なシステムとしてビッグデータ解析を取り上げ、データの見える化、 分類・識別、回帰・予測、クラスタリング等を行う。実際に時系列データベースに保存され ている大容量データを用いた実習を、アジャイル開発手法によるプログラミング開発を行う 。システム開発の基本的な能力を身につけることを目標に置く。
授業の概要および学習上の助言
本授業は、AI学習として、AI応用基礎におけるビッグデータとデータエンジニアリング（活用事例、行動ログデータ）、AI・ データサイエンス実践を扱う。 データ分析コンペのプラットフォーム"Kaggle"に参加し、与えられたデータの分析、アルゴリズムの選定、学習データの前処 理と学習処理、Pythonプログラミングの工夫を通じて精度の高い機械学習モデルを作成し、ランキングアップを狙う。世界中 のデータサイエンティストと競い合うことで、より実践的な先進プログラミング開発能力を身につけることを目指す。参加す るコンペは、授業前半にTitanic生存予測、後半にEnergy使用量予測とし、各コンペの取り組みを発表する。 なお、本授業は個人演習が中心となり、細かい指示は行わない。機械学習モデルの作成に十分な知識を持っていない者は、授 業についていくことは難しいので、履修選択の際には注意すること。
教科書および参考書・リザーブドブック
教科書：Pythonで動かして学ぶ！Kaggleデータ分析入門[翔泳社] 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
Pythonプログラミングの基礎知識を備えていることが必須。さらに、データを適切な表やグラフに整理でき、分布の代表値や 相関係数で評価ができるデータ分析知識、目的変数と説明変数を適切に分離し、学習データを生成する知識を備えていること が望ましい。
学生が達成すべき行動目標
No. 学科教育目標
（記号表記）
① J アジャイル開発手法について他の人に説明できる
② J データ分析のための基本的な手法をPythonで実装できる
③ J 時系列データベースにアクセスすることができる
④ D,J,O 開発したシステムを他の人にわかりやすく説明できる
⑤
⑥
達成度評価
評価方法
試験 クイズ
小テスト		 レポート 成果発表
(口頭・実技)		 作品 ポートフォリオ その他 合計
総合評価割合 0 0 30 60 0 0 10 100
指標と評価割合 総合評価割合 0 0 30 60 0 0 10 100
総合力指標 知識を取り込む力 0 0 10 10 0 0 0 20
思考・推論・創造する力 0 0 10 20 0 0 0 30
コラボレーションと
リーダーシップ		 0 0 0 10 0 0 0 10
発表・表現・伝達する力 0 0 10 20 0 0 0 30
学習に取組む姿勢・意欲 0 0 0 0 0 0 10 10
※総合力指標で示す数値内訳、授業運営上のおおよその目安を示したものです。
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
②
③
④
⑤
⑥
レポート ① レ コンペ取り組み状況の毎週の報告内容を通じて、各目標の授業時間における進捗度を評価する。
② レ
③ レ
④ レ
⑤
⑥
成果発表
(口頭・実技)		 ① レ 前半、後半の2回のコンペ取り組み結果の発表内容を通じて、各目標の総合的な達成度を評価する。
② レ
③ レ
④ レ
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 レ 授業の取り組み姿勢や意欲を図るため、出席状況や授業態度をもとに評価する。
② レ
③ レ
④ レ
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
データ分析に基づきデータを適切に加工し、アルゴリズムの試 行錯誤を通じて、より予測精度の高い学習アルゴリズムに進化 させることができる。 Pythonを使ってデータから機械学習モデルを生成することがで きる。
ＣＬＩＰ学習プロセスについて
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。
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 オリエンテーション ・本科目の目的 ・進め方 ・成績評価 Kaggleとは 講義 復習：Kaggleの調査 100分
2 データ分析の手順、データ分析環境の構築 Kaggleコンペ①：Titanicコンペ ・データ分析、可視化 ・前処理、特徴量の生成 講義・実習 予習：データ分析環境の構築 復習：自主演習 300分
3 Kaggleコンペ①：Titanicコンペ ・モデリング ・結果のSubmit ・精度以外の分析視点 講義・実習 予復習：自主演習 300分
4 Kaggleコンペ①：Titanicコンペ ・モデリングトライアル１ 演習 予復習：自主演習 300分
5 Kaggleコンペ①：Titanicコンペ ・モデリングトライアル２ 演習 予復習：自主演習 300分
6 Kaggleコンペ①：Titanicコンペ ・モデリングトライアル３ 演習 予復習：自主演習 300分
7 Kaggleコンペ①：Titanicコンペ ・成果発表 発表 予習：発表準備 200分
8 Kaggleコンペ②：Energy消費予測コンペ ・コンペの概要 ・データセットの入手 ・時系列データベース 講義・実習 予習：コンペ調査 復習：コンペデータの分析 300分
9 Kaggleコンペ②：Energy消費予測コンペ ・時系列データ分析 講義・実習 予習：データベース操作練習 復習：コンペデータの分析 300分
10 Kaggleコンペ②：Energy消費予測コンペ ・モデリングトライアル１ 演習 予復習：自主演習 300分
11 Kaggleコンペ②：Energy消費予測コンペ ・モデリングトライアル２ 演習 予復習：自主演習 300分
12 Kaggleコンペ②：Energy消費予測コンペ ・モデリングトライアル３ 演習 予復習：自主演習 300分
13 Kaggleコンペ②：Energy消費予測コンペ ・モデリングトライアル４ 演習 予復習：自主演習 300分
14 Kaggleコンペ②：Energy消費予測コンペ ・成果発表 発表 予習：発表準備 200分
15 アジャイル開発手法 振り返り 講義 自己点検 アンケート 講義の振り返り 100分