シラバス参照

基本情報／Basic Information
詳細情報／Detailed Information
授業計画詳細情報／Class Schedule Details

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

データマイニング１／Data Mining I

時間割コード
／Course Code

S1407210_S1

開講所属
／Course Offered by

システム工学部／Faculty of Systems Engineering

ターム・学期
／Term・Semester

2024年度／Academic Year　　第1クォーター／1Q

曜限
／Day, Period

金／Fri　2

開講区分
／Semester offered

第1クォーター／1Q

単位数
／Credits

1.0

学年
／Year

3,4

主担当教員
／Main Instructor

陳　金輝

科目区分
／Course Group

授業形態
／Lecture Form

講義

教室
／Classroom

北１号館Ａ６０１／北１号館Ａ６０１

開講形態
／Course Format

ディプロマポリシー情報
／Diploma Policy

要件年度／Required Year	要件所属／Course Name	ディプロマポリシー／Diploma Policy	DP値／DP Point
2020/04 ～2022/04	システム工学部	1.幅広い教養と分野横断的な学力	3
2020/04 ～2022/04	システム工学部	2.専門的知識や技能	5
2020/04 ～2022/04	システム工学部	3.課題解決力と自己学修能力	2
2023/04 ～9999/04	システム工学部	1.幅広い教養と分野横断的な学力	3
2023/04 ～9999/04	システム工学部	2.専門的知識や技能	5
2023/04 ～9999/04	システム工学部	3.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
陳　金輝	システム工学部（教員）

授業の概要・ねらい／Course Aims	データサイエンス分野において未経験者を対象とした知的データ解析の入門講義である．データから知識発見まで，その基本プロセス，データ処理の方式，マイニング手法・アルゴリズム（機械学習モデル），応用事例等基礎知識を学ぶ．なお，学部後期課程における本講義は今後のAI関連研究・進級履修の入門知識となる位置が付けられている．
到達目標／Course Objectives	・データ解析の入門・機械学習の入門・実社会での適用事例からデータ解析モデルの前処理，開発，検証, 改善といったアプローチ，流れ及び理論（初級レベル）を理解すること・将来的研究へ活かせる素養を蓄えること
成績評価の方法・基準／Grading Policies/Criteria	課題についての発表（50％），レポート（30％），学習態度等（20％）により総合的評価する．
教科書／Textbook	資料配布
参考書・参考文献／Reference Book	下記の参考書は，講義では使いませんが，講義の参考となる書籍です．・P.N. Tan et al.,: “ Introduction to Data Mining (2nd Edition)”, Pearson, 2019, ISBN： 0133128903．・元田浩等: 「データマイニングの基礎」, オーム社, 2006，ISBN：4274203484．
履修上の注意・メッセージ／Notice for Students	・授業に積極的に参加することに意味がある・AI・機械学習関連授業の連続受講が望ましい
履修する上で必要な事項／Prerequisite	・講義前に資料の内容に目を通しておくこと．
履修を推奨する関連科目／Related Courses	記載事項なし
授業時間外学修についての指示／Instructions for studying outside class hours	・AI・機械学習関連授業の連続受講が望ましい
その他連絡事項／Other messages	資料はペーパレス化のためPDFデータで配布されること：PDFが開けるアプリ・環境を確保しておく
授業理解を深める方法／How to deepen your understanding of classes	・予習＋復習・不明な点を放置しないようにしましょう【「アクティブ・ラーニング」実施要項に定める⑦に該当】
オフィスアワー／Office Hours	随時対応，但し都合上調整のため事前に陳までご連絡
科目ナンバリング／Course Numbering	S62023J11100K344，S62023J11100S203，S62023J11100T204，S62023J11100U201

No.	回（日時）／Time (date and time)	主題と位置付け／Subjects and instructor's position	学習方法と内容／Methods and contents
1	1	イントロダクション	・授業概要・データマイニングとは・AI,データサイエンス,予測モデル,機械学習との関係・なぜデータマイニングを学ぶのか・本講義から何を習得するのか
2	2	プロセス，タスク	・一般的プロセス・産業基準プロセス：CRIPS-DM ・データマイニングの手法とした機械学習　- 機械学習の概念　- 機械学習の全体像・データマイニングの様々なタスク・活用
3	3	データの前処理	・データの記述・要約・基本統計量・データの相関・データ前処理　- 欠損値・外れ値・連続データ・正規化・データの変換
4	4	回帰：線形モデルによるデータ解析の基礎	・線形モデル概念の導入・線形回帰とは・線形回帰によるデータ特徴の推定・損失関数を用いたモデル実効果の改善・線形モデルの応用事例
5	5	回帰：ロジスティク回帰によるデータ分類の基礎	・ロジスティク回帰と広義線形モデル・シグモイド関数・シグモイド関数によるデータ分類モデルの構築・データ分類タスクとその応用
6	6	決定木に基づくデータ分析	・決定木とは・エントロピーと情報利得・情報利得値による決定木モデルの作成・分類ルール集合
7	7	モデルの評価	・評価方法・評価指標・代表的な問題点とその対処方法
8	8	まとめと単位認定試験（課題についての発表）

授業の概要・ねらい／Course Aims	データサイエンス分野において未経験者を対象とした知的データ解析の入門講義である．データから知識発見まで，その基本プロセス，データ処理の方式，マイニング手法・アルゴリズム（機械学習モデル），応用事例等基礎知識を学ぶ．なお，学部後期課程における本講義は今後のAI関連研究・進級履修の入門知識となる位置が付けられている．
到達目標／Course Objectives	・データ解析の入門・機械学習の入門・実社会での適用事例からデータ解析モデルの前処理，開発，検証, 改善といったアプローチ，流れ及び理論（初級レベル）を理解すること・将来的研究へ活かせる素養を蓄えること
成績評価の方法・基準／Grading Policies/Criteria	課題についての発表（50％），レポート（30％），学習態度等（20％）により総合的評価する．
教科書／Textbook	資料配布
参考書・参考文献／Reference Book	下記の参考書は，講義では使いませんが，講義の参考となる書籍です．・P.N. Tan et al.,: “ Introduction to Data Mining (2nd Edition)”, Pearson, 2019, ISBN： 0133128903．・元田浩等: 「データマイニングの基礎」, オーム社, 2006，ISBN：4274203484．
履修上の注意・メッセージ／Notice for Students	・授業に積極的に参加することに意味がある・AI・機械学習関連授業の連続受講が望ましい
履修する上で必要な事項／Prerequisite	・講義前に資料の内容に目を通しておくこと．
履修を推奨する関連科目／Related Courses	記載事項なし
授業時間外学修についての指示／Instructions for studying outside class hours	・AI・機械学習関連授業の連続受講が望ましい
その他連絡事項／Other messages	資料はペーパレス化のためPDFデータで配布されること：PDFが開けるアプリ・環境を確保しておく
授業理解を深める方法／How to deepen your understanding of classes	・予習＋復習・不明な点を放置しないようにしましょう【「アクティブ・ラーニング」実施要項に定める⑦に該当】
オフィスアワー／Office Hours	随時対応，但し都合上調整のため事前に陳までご連絡
科目ナンバリング／Course Numbering	S62023J11100K344，S62023J11100S203，S62023J11100T204，S62023J11100U201

No.	回（日時）／Time (date and time)	主題と位置付け／Subjects and instructor's position	学習方法と内容／Methods and contents
1	1	イントロダクション	・授業概要・データマイニングとは・AI,データサイエンス,予測モデル,機械学習との関係・なぜデータマイニングを学ぶのか・本講義から何を習得するのか
2	2	プロセス，タスク	・一般的プロセス・産業基準プロセス：CRIPS-DM ・データマイニングの手法とした機械学習　- 機械学習の概念　- 機械学習の全体像・データマイニングの様々なタスク・活用
3	3	データの前処理	・データの記述・要約・基本統計量・データの相関・データ前処理　- 欠損値・外れ値・連続データ・正規化・データの変換
4	4	回帰：線形モデルによるデータ解析の基礎	・線形モデル概念の導入・線形回帰とは・線形回帰によるデータ特徴の推定・損失関数を用いたモデル実効果の改善・線形モデルの応用事例
5	5	回帰：ロジスティク回帰によるデータ分類の基礎	・ロジスティク回帰と広義線形モデル・シグモイド関数・シグモイド関数によるデータ分類モデルの構築・データ分類タスクとその応用
6	6	決定木に基づくデータ分析	・決定木とは・エントロピーと情報利得・情報利得値による決定木モデルの作成・分類ルール集合
7	7	モデルの評価	・評価方法・評価指標・代表的な問題点とその対処方法
8	8	まとめと単位認定試験（課題についての発表）

授業情報／Class Information

基本情報/Basic Information

担当教員情報/Instructor Information