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	2026年度／Academic Year　　第3クォーター／3Q
曜限 ／Day, Period	木／Thu　2
開講区分 ／Semester offered	第3クォーター／3Q
単位数 ／Credits	1.0
学年 ／Year	2,3,4
主担当教員 ／Main Instructor	伊原　彰紀
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
伊原　彰紀	システム工学部（教員）

授業の概要・ねらい ／Course Aims	本講義では、Pythonを用いた実習を取り入れながら、データマイニングの基本的な考え方と代表的な手法について学ぶ。回帰、分類、クラスタリングなどの基礎的な機械学習モデルの仕組みを理解し、評価指標や交差検証による性能評価の考え方について学修する。また、主成分分析などの次元削減手法やデータ可視化を通して、データの特徴を理解する方法についても扱う。アルゴリズムの数式的導出を主目的とするのではなく、「データから学習するとは何か」「モデルの性能をどのように評価するのか」といった機械学習の基本概念の理解を重視する。講義の最後にはミニプロジェクトのテーマ設定と分析計画の設計を行い、データ分析の課題設定や実験計画の立案について考える力を養う。
到達目標 ／Course Objectives	・Pythonおよび機械学習ライブラリを用いて、データの前処理や可視化を行うことができる。 ・回帰、分類、クラスタリングなどの基本的な機械学習手法を実装し、その動作を確認することができる。 ・平均二乗誤差、適合率、再現率などの評価指標や交差検証を用いて、モデルの性能を評価することができる。 ・データ分析の課題に対して、使用するデータや分析手法を検討し、分析計画を立案することができる。
成績評価の方法・基準 ／Grading Policies/Criteria	各回の演習課題およびミニプロジェクト設計課題により評価し、合計100点満点とする。 内訳は次のとおりとする。Ａ：各回の演習課題（90点）、Ｂ：ミニプロジェクト設計課題（10点） Ａ：各回の演習課題は以下の観点で評価する。 ・課題の要件を満たす実装ができているか ・モデル構築および評価が適切に行われているか ・結果に対する考察が適切に記述されているか Ｂ：ミニプロジェクト設計課題は以下の観点で評価する。 ・課題設定および分析目的が明確であるか ・使用するデータおよび分析手法が適切に検討されているか ・データ分析の進め方（前処理・モデル構築・評価）の計画が論理的に整理されているか 成績評定は，次の区分（演習課題および設計課題の合計点）とする。 Ｓ：十分達成し，データ分析の設計を自律的に行うことができる（90点〜100点） Ａ：十分達成している（80点〜89点） Ｂ：達成している（70点〜79点） Ｃ：おおむね達成している（60点〜69点） 不可：達成していない（60点未満）
教科書 ／Textbook	Moodle上でPDF等の資料を配布します。教科書を使用しません。
参考書・参考文献 ／Reference Book	以下の図書は講義では使用しませんが、学習に有益な参考図書です。 ・C.M. ビショップ（著），「パターン認識と機械学習 　上」（訳本），ISBN‏: ‎ 4621061224，丸善出版（価格: 6,500円+税） ・C.M. ビショップ（著），「パターン認識と機械学習 　下」（訳本），ISBN: ‎ 4621061240，丸善出版（価格: 7,800円+税）
履修上の注意 ・メッセージ ／Notice for Students	・各自のノートPCを利用して演習を進めるため、毎回持参すること。演習作業を行うのため、必要に応じて充電しながら作業できるようにACアダプタを持参すること。 ・本科目は反転学習の形式で実施します。授業時間内には理解を深めるための演習も行いますが、理論や知識の理解を目的とした講義科目であることを理解した上で履修してください。 ・線形代数、確率統計学、解析数学、アルゴリズムの背景知識を有することが望ましい。 ・機械学習・人工知能関連講義と演習の連続受講が望ましい。 ・原則、（学則に認められる，やむを得ない事由を除く）多数回の無断欠席且つ課題の未提出は単位取得が難しくなる。
履修を推奨する関連科目 ／Related Courses	データマイニング２、機械学習基礎、人工知能、人工知能演習
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	演習中に分からない点は、教員およびTAに積極的に質問し、出来るだけその日に解決を目指すこと。 授業で扱う内容にとどまらず、関連する分野の図書や学術論文を自ら調査し、積極的に知識を広げるよう努めること．授業では、教員から提供される資料だけでなく、受講者自身による関連情報の調査、演習が重要。図書館の資料、オンライン教育教材、等を活用し、授業テーマに関する理解を自主的に深めること。また、1単位あたり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。それぞれに見合う自主的学修時間を確保すること。
その他連絡事項 ／Other messages	記載事項なし
授業理解を深める方法 ／How to deepen your understanding of classes	本講義は、事前の予習内容に基づき、演習課題、状況に応じてグループワークで議論し、結果をグループ内で発表する。 【「アクティブ・ラーニング」実施要項 ①、③、⑤、⑧、⑩】
オフィスアワー ／Office Hours	木曜日3限、A813（伊原研究室） 他学生との重複、出張等で不在の場合があるため、事前メール予約推奨。 ihara＠wakayama-u.ac.jp
科目ナンバリング ／Course Numbering	S62022J11100S212、S62022J11100T206、S62022J11100U203
実務経験のある教員等による授業科目 ／Practical Experience	実践的教育 ／Practical Education 1. 該当しない 実践的教育の内容 ／Contents

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	データマイニングの準備	データマイニングの基礎、データマイニングのための実装、データの可視化	PC使用
2	2	機械学習モデルの基礎	教師あり学習、教師なし学習、訓練データとテストデータ	PC使用
3	3	回帰予測（１）	単回帰、重回帰、評価指標（平均二乗誤差、決定係数、等）	PC使用
4	4	回帰予測（２）	決定木、ランダムフォレスト、過学習、交差検証法、グリッドサーチ、次元削減（LDA、等）	PC使用
5	5	分類	ロジスティック回帰、SVM、K近傍法、決定境界、評価指標（適合率、再現率、F1値、ROC曲線、等）	PC使用
6	6	クラスタリング（１）	非階層型クラスタリング、階層型クラスタリング、エルボー法、シルエット分析	PC使用
7	7	クラスタリング（２）	主成分分析、次元削減（PCA、等）	PC使用
8	8	データマイニング計画の設計・立案	テーマ決定+設計	PC使用