　　　　　

専門教育課程　経営情報学科(〜2024年度入学)

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	ビジネスアナリティックス Data Analytics for Business	2	F139-01	2025年度５期（前学期）	修学規程第4条を参照

担当教員名
武市　祥司

＊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.回帰分析 2.クラスター分析 3.決定木分析 4.KNIME 5.Python

近年，注目されているデータサイエンスに関して，その基本的な手法の原理と実践について学ぶ．具体的には，データ集計，回帰分析，クラスター分析，決定木解析，および近年のディープラーニング（深層学習）の基である人工ニューラルネットワークに関して学ぶ．このような手法に関して，ビジュアル的な操作で分析を行うデータ分析のフリーウェアKNIME，およびPythonとそのライブラリを用いて実際に手を動かして，ビジネス現場における実践的な分析を行うことができるようになることを目指す.

授業の概要および学習上の助言

近年，数理・AI・データサイエンスが非常に注目されている．本講義は，特にデータサイエンスの中級レベルの科目であり，代表的な手法であるデータの集計からはじまり，回帰分析，クラスター分析，決定木解析，人工ニューラルネットワークなどについて学ぶ．授業では，基本的に座学による講義を前半に実施して，後半には実際に手を動かして分析を行う演習を実施する．その演習を実施できるように，毎回各自のラップトップ・パソコン（ノートPC）を持参することが必須である．なお，データ分析のツールとしては，フリーウェアである統計ソフトKNIME，プログラミング言語Pythonと統合開発環境Jupyter Notebookを使用する．前半にはKNIMEを用いて手法の概要と用途を理解して，後半にはPythonおよび各種の分析ライブラリを利用して各自で様々な応用展開できるようにする．各手法の数理的背景の数式的説明は，手法の理解と適用限界に関する最小限にとどめて，利用方法と適用に時間を割く．また，ビジネスにおけるデータ利用とされているビジネスインテリジェンスの活用事例についても適宜紹介する．予習は特に必要とはしないが，不明な点は授業時間中に解決するととともに，復習には時間を割いて欲しい．本授業を通じて，要因分析や知識発見などのデータ分析に基づくビジネス展開ができる力を身につけることを受講生には期待する．

教科書および参考書・リザーブドブック
教科書：データサイエンス入門（Pythonによるビジネスデータサイエンス 1）[朝倉書店] 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

授業には毎回ラップトップPCを持参すること．なお，このラップトップPCは， KNIMEおよびPythonなどのデータ分析に用いるフリーウェアであるインストールできること，および，インターネットに接続可能であることが条件である．　また，統計学およびプログラミング言語Pythonについての基礎知識があることが望ましく，「統計学Ⅰ」「統計学Ⅱ」「アルゴリズムとデータ構造」を受講を強く推奨する．とはいえ，基礎知識が不十分な受講生でも理解できるように配慮して，講義を進める予定である．

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	所与の一変量データに対して，平均値など基本統計量を求めることができる
②	D,J	所与の多変量データに対して，適切な重回帰分析を行うことができる
③	D,J	所与の多変量データに対して，適切なクラスター分析を行うことができる
④	D,J	所与の多変量データに対して，適切な決定木分析を行うことができる
⑤	D,G,L,N	所与の多変量データに対して，適切な分析手法を用いて，予想や分類を行うことができる
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	90	0	0	0	10	100
指標と評価割合	総合評価割合		0	0	90	0	0	0	10	100
	総合力指標	知識を取り込む力	0	0	30	0	0	0	0	30
		思考・推論・創造する力	0	0	30	0	0	0	0	30
		コラボレーションとリーダーシップ	0	0	0	0	0	0	0	0
		発表・表現・伝達する力	0	0	30	0	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	各回の演習問題および復習のための練習問題を，レポート作成して提出する．
	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	レ	授業参加や課題提出などについて，総合的に評価する．
	②	レ
	③	レ
	④	レ
	⑤	レ
	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
様々な数値データに対して，基本統計量を求めた上で，可視化などを行った上でその特徴などを説明することができる．また，様々な数値データに対して，重回帰分析，決定木分析，クラスター分析などの主なデータ分析手法を適用するだけでなく，その分析結果を適切に説明できる．	所与の数値データに対して，基本統計量を求めて，その特徴などを説明することができる．また，所与の数値データに対して，重回帰分析，決定木分析，クラスター分析などの主なデータ分析手法を適切に適用して，実施できる．

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※
第 1回	オリエンテーション・データサイエンスとは？（教科書第1章）・KNIMEのインストール・Anacondaのインストール	講義：100分	復習課題：ツールのインストール	60分 120分
第 2回	Pythonの基礎・変数と型・条件分岐・繰り返し・リスト・タプル・辞書・pandas, matplotlibなどのライブラリ	講義：40分 PythonとJupyter Notebookを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第 3回	データの要約と集計（教科書第2章）・平均・分散と標準偏差・範囲と四分位数	講義：40分 PythonとJupyter Notebookを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	180分 180分
第 4回	データ間の関係性（教科書第3章）・Zスコア・相関と相関係数	講義：40分 PythonとJupyter Notebookを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第 5回	時系列分析の基礎（教科書第4章）・傾向とバラツキ・移動平均法・指数平滑法	講義：40分 PythonとJupyter Notebookを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第 6回	回帰分析（教科書第5章）・線形単回帰分析・線形重回帰分析	講義：40分 PythonとJupyter Notebookを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第 7回	クラスター分析（教科書第6章）・階層化とデンドログラム（樹形図）・K-Means法	講義：40分 PythonとJupyter Notebookを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	180分 180分
第 8回	KNIMEの基本操作・データの読み込み・データ処理フローの作成・基本統計量・欠損値処理	講義：40分 KNIMEを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	180分 180分
第 9回	線形重回帰分析・決定係数・偏回帰係数・説明変数の選択	講義：40分 KNIMEを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第10回	ロジスティック回帰分析・オッズ比・交差検証・様々な精度指標	講義：40分 KNIMEを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第11回	クラスター分析・類似度と距離・階層化とデンドログラム（樹形図）・K-Means法	講義：40分 KNIMEを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第12回	決定木分析・分岐アルゴリズム・ランダムフォレスト法，GBM法，Boosting法	講義：40分 KNIMEを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第13回	人工ニューラルネットワーク（多層パーセプトロン）・誤差逆伝播法・ディープラーニング（深層学習）への拡張	講義：40分 KNIMEを用いる演習：60分	復習：授業資料の該当箇所の再読課題：授業で指示	120分 180分
第14回	総合演習・データ収集・データのクレンジング・データ分析・データ分析・知見の獲得	演習：100分	課題：総合演習のレポート作成	360分
第15回	振り返りとまとめ自己点検・授業アンケート	講義：40分自己点検：60分	課題：振り返り	120分