基本情報/Basic Information

遠隔授業（授業回数全体の半分以上）の場合は、科目名の先頭に◆が付加されています（2023年度以降）

開講科目名 ／Course	◆データサイエンス基礎／Data Science Basics
時間割コード ／Course Code	R1001086_G1
開講所属 ／Course Offered by	共通／
ターム・学期 ／Term・Semester	2024年度／Academic Year　　第1クォーター／1Q
曜限 ／Day, Period	月／Mon　6
開講区分 ／Semester offered	前期／the former term
単位数 ／Credits	2.0
学年 ／Year	2,3,4
主担当教員 ／Main Instructor	三浦　浩一
授業形態 ／Lecture Form	講義・演習
教室 ／Classroom	東１号館Ｅ１-２０８／E1-208
開講形態 ／Course Format	遠隔授業（授業回数全体の半分以上）
ディプロマポリシー情報 ／Diploma Policy	要件所属 ／Course Name ディプロマポリシー ／Diploma Policy DP値 ／DP Point 共通 幅広い教養と分野横断的な学力 6 共通 専門的知識や技能 2 共通 課題解決力と自己学修能力 2

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
西村　竜一	システム工学部（教員）
三浦　浩一	システム工学部（教員）

授業の概要・ねらい ／Course Aims	この授業では，データサイエンス分野における応用基礎レベルの学修の一つとして，データサイエンスの基礎を修得するために，基本的なPythonプログラミングとデータ分析の両方を学ぶ講義を実施する．まず，Pythonを用いた，基本的なデータの加工，作成方法，可視化手法を習得する．また，数学や統計の基礎を学んだうえで，データサイエンスのための基本的な機械学習技術について学び，それらをPythonで利用する方法についても学修する．
到達目標 ／Course Objectives	１．Pythonを用いたプログラミング方法を理解し，必要な処理を実行できる． ２．Pythonを使ってデータを適切に処理し，その特徴を数値化・視覚化することができる． ３．各種機械学習の概要やアルゴリズムを理解し，利用することができる． ４．図表等を用いて，データ分析の結果を説明することができる．
成績評価の方法・基準 ／Grading Policies/Criteria	課題レポート100％． 講義や演習内容の理解を確認するための課題提出を必須とする． 動画教材が未視聴であるなど授業への参加が確認できない場合は減点となる．
教科書 ／Textbook	特になし．Moodleコースを通じて，資料（動画教材や各種ファイル等）を配布する．
参考書・参考文献 ／Reference Book	東京大学のデータサイエンティスト育成講座 ～Pythonで手を動かして学ぶデ―タ分析～・塚本邦尊，山田典一，大澤文孝・マイナビ出版・9784839965259・3,278円 ※授業の中で利用しないが，自習用の参考として紹介する．
履修上の注意 ・メッセージ ／Notice for Students	「データ」の急速な利用拡大にともない，データサイエンスの分野が急速に拡大している．この影響は，文系・理系を問わず，データの利活用に関する最低限の理解は，基本的な教養になっている．一方，データ利活用の現場では，データ分析の多くにPythonが利用されている．この講義では，データサイエンスの基本事項を修得するとともに，Pythonの基本操作も修得する．そのための演習も行うので，実際に手を動かしながら積極的に学習することを求める． ※本授業は「連携展開科目」として開講されるが，システム工学部の学生が本授業の単位を取得した場合は，「専門教育科目」の「その他メジャー科目」の単位として認定される． ※本授業を含めたデータサイエンス科目群のPR動画（YouTube）を公開している．視聴して履修の参考にしてほしい．https://www.wakayama-u.ac.jp/news/2022020100056/
履修する上で必要な事項 ／Prerequisite	授業内でPCを使用するため，PCを準備すること． 本授業の中では，PCのサポートは行わない． プログラミングに必要なファイルやエディタ等の基本的なPCの操作について習得していること．
履修を推奨する関連科目 ／Related Courses	データサイエンスへの誘いA/B データサイエンス入門A/B データサイエンス応用 データサイエンス実践, 数理・データサイエンス・AI活用PBL
授業時間外学修についての指示 ／Instructions for studying outside class hours	授業計画に沿って，準備学習と復習を行うこと．さらに，授業内容に関連する課題に関する調査・考察を含めて，毎回の授業ごとに自主的学習を求める．
その他連絡事項 ／Other messages	特になし．
授業理解を深める方法 ／How to deepen your understanding of classes	ウェブ等の資料を調査し，自ら設定する対象に対するプログラミング課題演習を実施する． 【「アクティブ・ラーニング」実施要項 ⑤，⑥】 授業内容に関する質問があれば，Moodleの質問用フォーラムを利用できる． 自由に参加できるTeamsを用いた同時双方向型のオンラインサポート室を開催する．開催日程は授業内で案内する．
オフィスアワー ／Office Hours	火曜5限，北1号館6階A616室． 事前メール予約推奨． e-mail：miurah@wakayama-u.ac.jp（三浦浩一）
科目ナンバリング ／Course Numbering	C60032J1110032i3

No.	回（日時） ／Time (date and time)	主題と位置付け（担当） ／Subjects and instructor's position	学習方法と内容 ／Methods and contents	備考 ／Notes
1	1	Pythonを用いたデータ分析の概要	プログラミング環境の構築 Pythonプログラミングの基礎 (変数，演算，条件分岐，反復，関数など）	PC使用 遠隔授業（オンデマンド型）
2	2	Pythonによる数値計算	科学計算の基本ライブラリ 多次元配列 並べ替え（ソーティング） 探索	PC使用 遠隔授業（オンデマンド型）
3	3	データの加工処理と可視化	データの加工 表計算やデータの抽出・検索 データベース グラフ作成	PC使用 遠隔授業（オンデマンド型）
4	4	統計の基礎	データの読み込み 統計の基礎	PC使用 遠隔授業（オンデマンド型）
5	5	確率と統計の基礎	確率の基本的な概念 統計的推定や検定	PC使用 遠隔授業（オンデマンド型）
6	6	データ処理の応用（1）	データの分割 データの補間 データの結合	PC使用 遠隔授業（オンデマンド型）
7	7	データ処理の応用（2）	重複・欠損データの処理 時系列データ 目的に応じた可視化	PC使用 遠隔授業（オンデマンド型）
8	8	数学の基礎	線形代数（ベクトルと行列） ・ベクトルの演算 ・行列の演算 微積分 ・関数の傾きと微分の関係 ・積分と面積の関係	PC使用 遠隔授業（オンデマンド型）
9	9	データ分析と機械学習	時系列データの分析 マーケティング分析 機械学習の基礎	PC使用 遠隔授業（オンデマンド型）
10	10	回帰分析	単回帰分析 重回帰分析 ロジスティック回帰 リッジ回帰，ロッソ回帰	PC使用 遠隔授業（オンデマンド型）
11	11	決定木	決定木の概要 決定木のモデル構築 決定木の可視化	PC使用 遠隔授業（オンデマンド型）
12	12	k-近傍法とSVM	k-近傍法 SVM	PC使用 遠隔授業（オンデマンド型）
13	13	クラスタリング	階層型クラスタリング k-means	PC使用 遠隔授業（オンデマンド型）
14	14	次元削減	因子分析 主成分分析 マーケットバスケット分析	PC使用 遠隔授業（オンデマンド型）
15	15	モデルの評価	モデルの検証 アンサンブル学習	PC使用 遠隔授業（オンデマンド型）