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２／Data Mining II
時間割コード ／Course Code	S1407220_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2クォーター／2Q
曜限 ／Day, Period	金／Fri　2
開講区分 ／Semester offered	第2クォーター／2Q
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	情報通信演習室（北1号館）／情報通信演習室（北1号館）
開講形態 ／Course Format
ディプロマポリシー情報 ／Diploma Policy

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	期末試験（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中には用いませんが，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
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 知識の伸びとしてディープラーニングに関する知識を独学で，多少学んでみましょう（PS：O'Reilly社出版の「ゼロから作るDeep Learning」シリーズ図書は初心者にも分かりやすい，おススメです），分からない内容がありましたら，気軽に聞きに来てください．
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（ckinki@wakayama-u.ac.jp）
科目ナンバリング ／Course Numbering	S62023J11100K345，S62023J11100S204，S62023J11100T205，S62023J11100U202

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	アンサンブル学習によるモデル能力の増強	・アンサンブル学習とは ・アンサンブル学習モデルによるデータ処理 ・代表的なアンサンブルモデル ・アンサンブル学習の代表的応用 　- AdaBoost(Viola-Jones法)による物体検出
2	2	サポートベクトルマシン(SVM)	・線形分離超平面 ・多次元への写像 ・SVMアルゴリズム ・SVMを用いたデータ処理の紹介
3	3	データクラスタリング化処理の入門	・類似度と距離尺度 ・凝縮型階層的クラスタリング ・K-meansアルゴリズム
4	4	データ次元の削減	・次元の呪い：次元削減の理由 ・主成分分析とそのプロセス ・線形変換と固有値・固有ベクトル ・正規直交基底
5	5	ディープラーニングによるデータ処理（簡単紹介）	・ディープラーニング（DL）の歴史 ・ニューロンと多層構造 ・DLのデータ解析への応用と最近研究
6	6	知能メディア情報処理の基礎	・画像処理技術 ・音声処理技術 ・自然言語処理（テキストマイニング）
7	7	ネットワークマイニングの基礎	・ネットワークデータの行列表現 　- 隣接行列・経路等 ・ネットワークの中心性 ・ネットワーク・マイニング
8	8	データマイニングから知識発見へ	・本授業のまとめ ・単位認定試験