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	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	2023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
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	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 1 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 4 共通 協働性とコミュニケーション能力 2 共通 地域への関心と国際的視点 1

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）
吉野　孝	システム工学部（教員）

授業の概要・ねらい ／Course Aims	Pythonを標準言語としたPBL (Problem Based Learning)を通じて，データ・AIを活用した一連のプロセスをグループワークとして体験すると共に，分析結果から起きている事象の意味合いを理解するための授業です．PBLの課題は，難易度に応じてBeginner, Middle, Highを用意しています．詳細は授業計画欄に記載していますが，Beginnerは初歩的な統計解析や教師なし学習を，Middleは教師なし・あり学習を，HighはMNIST等の正解率を競うコンペティションを行います．受講者の理解度に応じて講義内容を適宜，変更します．
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	毎回の授業中の個人の活動状況（20％），グループ内での活動状況（30％），プレゼンテーション（50％）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	下記は講義で使用しませんが，より深い学修を進めたい場合には参考にして下さい． ニューラルネットワーク自作入門，Tariq Rashid著，マイナビ出版，ISBN-10 ‏ : ‎ 4839962251，2,959円 Pythonではじめる機械学習，Andreas C. Mullerら著, O’Reilly，ISBN-10 ‏ : ‎ 4873117984，3,740円 Python機械学習クックブック，Chris Albon 著，O’Reilly，ISBN-10 ‏ : ‎ 4873118670，3,740円 Python 実践データ分析 100本ノック 第2版，下山輝昌ら著，秀和システム，ISBN-10 ‏ : ‎ 479806727X，2,640円
履修上の注意 ・メッセージ ／Notice for Students	この授業は，複数の日数にまたがる集中講義で構成されており，グループでPBLを実施します．休まないように注意してください．
履修する上で必要な事項 ／Prerequisite	授業内ではPCを使用します．各自PCを持参してください．PCの基本的な操作については，各自が事前に習得していることを前提としています． Pythonについては最低限のコードを配布しますが，より詳細なコーディングについては各グループで調査・実装して下さい． レポートの提出やプレゼン作成があります．講義終了後，一週間程度のあとにレポートの締切が設定される予定です．レポートの提出は，Moodleを利用します．
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
授業時間外学修についての指示 ／Instructions for studying outside class hours	本授業の授業計画に従って，準備を進めてください．授業内容に関連する課題の調査・考察を含めて，毎回の授業ごとに自主的学習を求めます．
その他連絡事項 ／Other messages	この授業は，複数の日数にまたがるグループで実施するPBLで構成されています．休まないように注意してください． 2023年度の集中講義の実施日は，下記の5日間（2時限〜4時限）を予定しています． 9月13日（水）2限〜4限 9月15日（金）2限〜4限 9月19日（火）2限〜4限 9月20日（水）2限〜4限　 9月22日（金）2限〜4限
授業理解を深める方法 ／How to deepen your understanding of classes	授業中に示すテーマについて，グループワークで議論し，結果を発表する。 【「アクティブ・ラーニング」実施要項 ②, ③, ④, ⑧, ⑩】
オフィスアワー ／Office Hours	集中講義で実施するPBLのため，質問等は，基本的には授業中に対応します． 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	C60033J1111132i5

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）	ガイダンス	社会における数理・データ・AI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（https://data.mdsc.hokudai.ac.jp/）から，各難易度（Beginner, Middle, High）に応じて，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）	実データの社会的背景を踏まえて，データの持つ意味を理解する．	PC 使用
12	（12）	発表準備（1）	発表の構成を考え，プレゼンテーションを作成する．	PC 使用
13	（13）	発表準備（2）	発表の構成を考え，プレゼンテーションを作成する．	PC 使用
14	（14）	発表会	各グループでプレセンを行う．	PC 使用
15	（15）	講評	各グループのプレゼンに対して講評をうける．	PC 使用