文理学部シラバスTOP > 文理学部 > 情報科学科 > データ科学１
日本大学ロゴ

データ科学１

このページを印刷する

令和６年度以前入学者 データ科学１
教員名 尾崎知伸
単位数    2 学年    2 開講区分 文理学部
科目群 情報科学科
学期 後期 履修区分 選択必修
授業形態 対面授業
授業概要 データ科学・データ分析の基礎的な手法（統計，クラスタリング，相関分析，回帰分析，分類学習）に関して講義と演習を行う
授業のねらい・到達目標 対象とする要素技術の基本的な考え方や数理的な原理を理解し，説明できる．
分析ツールを用い，データの整形，手法の適用，結果の検証を含めた一連の分析ができる．

この科目は文理学部（学士(理学)）のディプロマポリシー DP3-5及びカリキュラムポリシー CP3-5に対応している．
・既存の知識にとらわれることなく，物事を論理的・批判的に説明することができる（A-3-2）
・日常生活における現象に潜む科学的問題を発見し，専門的知識に基づいて説明することができる（A-4-2）
・新しい問題に取り組む意識を持ち，そのために必要な情報科学の知識・情報を収集することができる（A-5-2）
授業の形式 講義、演習
授業の方法 授業・フィードバックの方法：
・電子資料を用いて講義を行う．
・主に事後課題として，分析ツールを用いた演習を行う.
・提出されたレポートについて総評を行う．

事前相談によりオンライン参加が認められた場合の受講方法：
・Zoom（ライブ中継）にて授業に参加する．
・上記以外の事項（レポート〆切等）は，対面参加学生と同条件とする．
授業計画
1 ガイダンス（授業のテーマや到達目標及び授業の方法について説明する）
データサイエンスの背景やプロセスについて説明する（A-3-2，A-4-2，A-5-2）
【事前学習】シラバスを事前に確認する. 当該分野に関する簡単な調査を行う （1時間）
【事後学習】授業内容を振り返り，データサイエンスの概要を説明できるようにする （1時間）
【授業形態】対面授業
2 記述統計：基本的な統計量（A-3-2，A-4-2，A-5-2）
【事前学習】基本的な統計量に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】各種統計量の考え方と具体的な計算方法・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
3 相関分析：クロス集計と頻出パターン発見（A-3-2，A-4-2，A-5-2）
【事前学習】クロス集計と頻出パターン発見に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】頻出パターン発見の考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
4 相関分析：相関ルール分析（A-3-2，A-4-2，A-5-2）
【事前学習】相関ルール分析に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】相関ルール分析の考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
5 クラスタリング：導入と基本手法（A-3-2，A-4-2，A-5-2）
【事前学習】クラスタリングの導入と基本手法に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】クラスタリングの考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
6 クラスタリング：性能評価と発展的手法（A-3-2，A-4-2，A-5-2）
【事前学習】クラスタリングの性能評価と発展的手法に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】性能評価の考え方と発展的なクラスタリング手法の動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
7 推計統計：推定・検定（A-3-2，A-4-2，A-5-2）
【事前学習】推定・検定に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】推定・検定の考え方と具体的な計算方法・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
8 回帰分析：導入と線形回帰モデル（A-3-2，A-4-2，A-5-2）
【事前学習】回帰分析の導入と線形回帰モデルに関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】線形回帰モデルの特徴・考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
9 回帰分析：回帰モデルの選択と評価（A-3-2，A-4-2，A-5-2）
【事前学習】回帰モデルの選択と評価に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】モデル選択・モデル評価の考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
10 回帰分析：発展な回帰モデル（A-3-2，A-4-2，A-5-2）
【事前学習】発展的な回帰モデルに関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】発展的な回帰モデルの考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
11 分類学習：導入と種々の手法（A-3-2，A-4-2，A-5-2）
【事前学習】分類学習の導入と種々の手法に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】各分類モデルの特徴と性能評価の考え方を説明できるようにする （3時間）
【授業形態】対面授業
12 分類学習：決定木
【事前学習】決定木に関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】決定木の考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
13 分類学習：ニューラルネットワーク（A-3-2，A-4-2，A-5-2）
【事前学習】ニューラルネットワークに関する配布資料を通読し，内容を簡単にまとめる （1時間）
【事後学習】ニューラルネットワークの考え方と動作原理・プログラムを説明できるようにする （3時間）
【授業形態】対面授業
14 データサイエンスの実践（A-3-2，A-4-2，A-5-2）
【事前学習】これまでの学修内容に基づき，データ分析実験に関して各自でテーマを設定する （1時間）
【事後学習】各自で設定したテーマに対してデータ分析実験を実践し，その結果を学期末レポートとしてまとめる （5時間）
【授業形態】対面授業
15 相互評価とフィードバック（A-3-2，A-4-2，A-5-2）
【事前学習】履修者間で学期末レポートの相互評価を行う （3時間）
【事後学習】相互評価の結果をもとに，自身が実践したデータ分析実験を振り返る （1時間）
【授業形態】対面授業
その他
教科書 使用しない
参考書 馬場真哉 『Pythonで学ぶ新しい統計学の教科書』 翔泳社 2022年 第2版
八谷 大岳  『ゼロから作るPython機械学習プログラミング入門』 講談社 2020年
Sebastian Raschka他（著），株式会社クイープ (翻訳)，福島真太朗 (監修) 『Python機械学習プログラミング［PyTorch＆scikit-learn編］』 インプレス 2022年
・基本的に電子資料を配布する．
・適宜，参考となるWebサイトや図書等を提示する．
成績評価の方法及び基準 レポート:手法の適切さと理解度合，レポートとしての完成度を中心に，設定した問題内容も考慮して評価する(50%)、授業参画度:（授業内外で行う）理解度を問う問題と演習の成果，および レポートの相互評価に対する貢献度により評価する(50%)
学期末レポート未提出の場合はE判定とする
オフィスアワー 質問等は随時を受け付ける．原則，事前にSlackやメール等でアポイントをとること

↑このページのトップ