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２／Data Mining II

時間割コード
／Course Code

S1407220_S2

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4クォーター／4Q

曜限
／Day, Period

木／Thu　2

開講区分
／Semester offered

第4クォーター／4Q

単位数
／Credits

1.0

学年
／Year

2,3,4

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Ａ１０１／北１号館Ａ１０１

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	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／Subjects and instructor's position	学習方法と内容／Methods and contents
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月	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

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／Subjects and instructor's position	学習方法と内容／Methods and contents
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月	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

授業情報／Class Information

基本情報/Basic Information

担当教員情報/Instructor Information