シラバス参照
|
シラバス参照
|
| 科目一覧へ戻る | 2026/04/06 現在 |
|
開講科目名 ／Course |
数理・データサイエンス・AI活用PBL／PBL for Mathematical, Data Science and AI Application | ||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
時間割コード ／Course Code |
R1001062_G1 | ||||||||||||||||||||||||
|
開講所属 ／Course Offered by |
共通／ | ||||||||||||||||||||||||
|
ターム・学期 ／Term・Semester |
2026年度／Academic Year 第1クォーター／1Q | ||||||||||||||||||||||||
|
曜限 ／Day, Period |
他／Otr | ||||||||||||||||||||||||
|
開講区分 ／Semester offered |
通年／a normal year | ||||||||||||||||||||||||
|
単位数 ／Credits |
2.0 | ||||||||||||||||||||||||
|
学年 ／Year |
2,3,4 | ||||||||||||||||||||||||
|
主担当教員 ／Main Instructor |
吉野 孝／YOSHINO Takashi | ||||||||||||||||||||||||
|
授業形態 ／Lecture Form |
講義・演習 | ||||||||||||||||||||||||
|
教室 ／Classroom |
学術情報センター第２演習室（西５号館）／学術情報センター第２演習室（西５号館） | ||||||||||||||||||||||||
|
開講形態 ／Course Format |
|||||||||||||||||||||||||
|
ディプロマポリシー情報 ／Diploma Policy |
|
|
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） |
| 吉野 孝／YOSHINO Takashi | システム工学部（教員） |
|
授業の概要・ねらい ／Course Aims |
この科目では，PBL（課題解決型学習・プロジェクト型学習）を通じてデータ分析を実践する．具体的なデータサイエンスの技術や手法を学ぶ．必要なデータは，大学で準備する．具体的には，データ収集以降の「データ処理」「データ分析」そして「モデリング」までの一連のプロセスを経験する．この科目の目的は以下の能力を習得することである．様々なソースからデータを収集し，分析に適した形に整形する技術を理解する．また，探索的に収集したデータを視覚的，統計的に分析し，重要な洞察を得る方法を習得する．さらに，統計的手法や機械学習アルゴリズムを用いて予測するモデルを構築したり，評価したりする能力を獲得する．また，チームで協力し，プロジェクトを遂行する中で，効果的なコミュニケーションと協働の技術を身に着ける．授業では，理論だけでなく，実際に手を動かして経験することを重視する．そのため，グループに分かれてプロジェクトを進め，その成果を発表することを求める．この過程で，実世界の問題解決に直接的に応用可能なデータサイエンスのスキルを習得することができる． | ||||
|---|---|---|---|---|---|
|
到達目標 ／Course Objectives |
・データ・AIを活⽤した⼀連のプロセスを体験し，数理・データサイエンス・AIを活⽤することの意義を理解する． ・仮説や既知の問題が与えられた中で，必要なデータにあたりをつけ，データを収集・分析できる． ・分析結果を元に，起きている事象の背景や意味合いを理解できる． ・AI技術を活⽤し，課題解決につなげることができる． |
||||
|
成績評価の方法・基準 ／Grading Policies/Criteria |
毎回の授業での個人の活動状況（20％），グループ内での活動状況（20％），プレゼンテーション（30％），個人ごとのレポート（30％）で評価を行う． | ||||
|
教科書 ／Textbook |
教科書は使用しません． | ||||
|
参考書・参考文献 ／Reference Book |
※ 授業では使用しませんが，より深い学修を進めるときの参考にしてください． Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎, Andreas C. Muller 他, O’Reilly, ISBN: 4873117984, 3,740円 Python機械学習クックブック, Chris Albon 他, O’Reilly, ISBN: 4873118670, 3,740円 Python 実践データ分析100本ノック 第3版, 下山輝昌 他, 秀和システム新社, ISBN: 4798075663, 2,640円 |
||||
|
履修上の注意 ・メッセージ ／Notice for Students |
毎回の出席は必須．授業時間内のグループワーク及び議論・質疑等への積極的な参加が必要である．特に，複数の日数にまたがる集中講義で構成されているため，グループワークに支障がないように，スケジュールを適切に管理し，休まないように注意すること． また，授業時間外においても，データ分析やプレゼン準備等の作業が必要となるため，十分な授業時間外の時間を確保すること． 授業内でPCを使用するため，PCを準備すること．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． Pythonについての最低限のコードを配布するが，より詳細なコーディングについては各グループで調査・実装することを求める． レポートやプレゼン資料の提出の必要があり，授業後，一週間程度あとに締切を設定する予定である．提出には，Moodleコースを利用する．また，グループ内でのオンラインでの議論や情報共有等のために，Teamsも使用する． ※この科目は「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この科目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． ※この科目を含めたデータインテリジェンス科目群の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, データサイエンス基礎, データサイエンス応用, データサイエンス実践 |
||||
|
授業時間外学修（予習・復習等）の内容 ／students learning outside of the class, preparation and review are included |
授業計画に沿って，準備学習と復習を行うこと．1単位の学修のために必要な学修量は，授業時間と予習復習の時間をあわせて45時間と定められている．授業内容に関連する課題に関する調査や考察・グループワークの準備等を含めて，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 |
この科目は，複数の日数にまたがるグループで実施するPBLで構成されている．休まないように注意すること． ※ 2026年度実施予定（計5日間, 各2時限?4時限） 9月7日 2限～4限 9月8日 2限～4限 9月9日 2限～4限（基調講演の動画視聴＆オフィスアワー） 9月10日 2限～4限 9月11日 2限～4限（最終発表会） |
||||
|
授業理解を深める方法 ／How to deepen your understanding of classes |
授業内で提示されたテーマ（課題）について，グループワークを通じて調査・議論・分析等をし，結果を発表する。 【「アクティブ・ラーニング」実施要項 ②PBL学習③発見学習④普遍的な正答や定型的なモデルが存在しない題材に対し，学⽣⾃らが合理的な解を導き出す学習⑥学⽣⾃らが実施する調査やトレーニングを必要とする学習⑧学⽣による発表をともなう学習⑩グループワークをともなう学習】 |
||||
|
オフィスアワー ／Office Hours |
集中講義で実施するPBLのため，質問・相談等は，基本的には授業時間内に対応する．また，Moodleのフォーラム（掲示板）等を用いて随時受け付ける． メールでの問い合わせ先：ds-class@ml.wakayama-u.ac.jp |
||||
|
科目ナンバリング ／Course Numbering |
C60033J1111113B5 | ||||
|
実務経験のある教員等による授業科目 ／Practical Experience |
|
| No. | 回（日時） ／Time (date and time) |
主題と位置付け ／Subjects and position in the whole course |
学習方法と内容 ／Methods and contents |
備考（担当） ／Notes |
|---|---|---|---|---|
| 1 | （1） | ガイダンス・調査 | 社会における数理・データ・AIの事例調査／発表 | PC 使用 |
| 2 | （2） | 数理・データ・AI速習 | 教師なし学習（回帰分析，主成分分析），教師あり学習（MLP, SVM, ランダムフォレスト）の数理的背景について速習する． | PC 使用 |
| 3 | （3） | Pythonプログラミング速習 | 教師なし学習（回帰分析，主成分分析），教師あり学習（MLP, SVM, ランダムフォレスト）のPythonプログラミングについて速習する． | PC 使用 |
| 4 | （4） | データ・AI活用企画（1） | 数理・データサイエンス教育強化拠点コンソーシアム/データベース分科会が構築しているポータルサイト等（https://data.mdsc.hokudai.ac.jp/）から，適切な実データを収集する． | PC 使用 |
| 5 | （5） | データ・AI活用企画（2） | 収集したデータの社会的背景について考察する． | PC 使用 |
| 6 | （6） | データ・AI活用企画（3） | 収集データから一体どのような情報を抽出するかを各グループで確定し，それに応じたモデルを選択する．その際，各モデルの数理・統計的な背景を踏まえること． | PC 使用 |
| 7 | （7） | データ・AI活用実施（1） | 利用するモデルを実行するために，収集データを加工（クレンジング）し，適切なデータ（行列）構造を構成する． | PC 使用 |
| 8 | （8） | データ・AI活用実施（2） | 実際に数値計算を行い，グループ内で分析結果（統計量や正解率等）を共有する | PC 使用 |
| 9 | （9） | データ・AI活用評価（1） | グループ内で分析結果について評価・再計算を行う． | PC 使用 |
| 10 | （10） | データ・AI活用評価（2） | 得られた情報と実データを比較し，データの背景にある本質的な現象を抽出する． | PC 使用 |
| 11 | （11） | データ・AI活用評価（3） | 最先端で活躍する研究者による基調講演（動画）を聴講することで，データ分析の重要性や実データの社会的背景を踏まえる意味について理解する． | PC 使用 |
| 12 | （12） | 発表準備（1） | 分析結果等をもとに，発表（プレゼンテーション）の構成を考える． | PC 使用 |
| 13 | （13） | 発表準備（2） | 発表（プレゼンテーション）の資料を作成する． | PC 使用 |
| 14 | （14） | 発表会 | 各グループで結果を発表（プレゼンテーション）する． | PC 使用 |
| 15 | （15） | 講評 | 各グループの発表（プレゼンテーション）に対して講評をうける． | PC 使用 |