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	データサイエンス概論１／Introduction to Data Science 1
時間割コード ／Course Code	S1407610_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	水／Wed　2
開講区分 ／Semester offered	第1クォーター／1Q
単位数 ／Credits	1.0
学年 ／Year	2,3,4
主担当教員 ／Main Instructor	伊原　彰紀
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）, ｺﾝﾋﾟｭｰﾀﾃﾞｻﾞｲﾝ演習室（北1）／情報通信演習室（北1号館）, ｺﾝﾋﾟｭｰﾀﾃﾞｻﾞｲﾝ演習室（北1）
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
伊原　彰紀	システム工学部（教員）

授業の概要・ねらい ／Course Aims	データサイエンス概論では，科学やビジネスにおいて記録，蓄積される「データ」から自然現象の傾向，合理的な意思決定を定性的，定量的に解釈できることを目標とする．特に，データの取得，解析，モデル構築，検証，課題解決までを一貫して学ぶことで，データマイニングが対象とするデータ取得からモデル構築の基礎知識を習得する．講義では，統計学の基礎知識と計算機におけるデータの処理方法を学習する．プログラミング言語はRを用いる．
到達目標 ／Course Objectives	講義と演習を通して，データサイエンスの基礎となる確率・統計の基本的な知識と手法を習得し，応用できるようになる．したがって，演習への取り組み姿勢や，レポートの内容も重視する．蓄積されたデータの理解，および，解析手法の概念を理解することで合格とする．計算機においてデータ処理のための実装ができる場合には良，さらに応用技術も理解している場合には優のレベルの成績評価を与える．
成績評価の方法・基準 ／Grading Policies/Criteria	各回のレポート課題は次のＡで評価し，合計30点満点とする．単位認定試験は次のＢで評価し，70点満点とする．ただし，期末試験の受験には，授業回数の5回以上の出席を必要とする． Ａ：課題に対する理解度 Ｂ：授業で扱った課題に関する設問 成績評定は，次の区分（課題/回，単位認定試験の合計点）とする． Ｓ：十分達成し，多様なデータに解析手法を応用できる（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	講義中に資料を配布します．
参考書・参考文献 ／Reference Book	データサイエンス，Rに関する書籍は，多数存在します．自分のレベルにあったものを選んで下さい． よく参考にされる本にはオーム社「Rによる統計解析」などがあります．
履修上の注意 ・メッセージ ／Notice for Students	本講義では，講義中に演習を行います．演習では，プログラム言語としてRを使い，Rの使い方も講義中で説明しますが，本講義の目的はデータサイエンスに関する基本的な知識と手法の習得であり，Rの習得を目的としていません．
履修する上で必要な事項 ／Prerequisite	本講義では，講義中にビデオ試聴しながら，各自のノートPCを利用して演習を行います．初回から毎回ノートPCとイヤホンを持参すること．講義室にはディスプレイを設置しているため，演習作業はディスプレイを使用（HDMIによる外部出力）することが望ましいです．
履修を推奨する関連科目 ／Related Courses	線形代数，微積分，確率統計に関する科目を受講していることが望ましい．また，情報系の科目，プログラミングを伴う演習系の科目，人工知能に関する科目などは，講義内容の理解の助けとなります．
授業時間外学修についての指示 ／Instructions for studying outside class hours	授業計画に沿った予習・復習，および，レポート作成に関する課題調査・考察に，計30時間の授業時間外学習を行うことを必要とする．毎回の授業ごとに自主的学習を求める．
その他連絡事項 ／Other messages	本講義は対面授業で実施し，初回授業に注意事項を説明するため必ず出席すること．予習に基づく演習課題を出すため，各回の数日前に公開する講義資料，演習資料を使って予習が必要となります． ガイダンス資料（2022年度版）を公開しています．2023年度版は改めて公開しますが，2022年度と同じ方式で講義を実施する予定のため，講義選択の参考にしてください． https://wakayamauniv-my.sharepoint.com/:b:/g/personal/ihara_wakayama-u_ac_jp/EeDNeBI-8QdNnLTTVPAOyBYBRiCtR0myacS75BUJl_jQXw?e=BGe63B
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	火曜日2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	S61032J11110K242，S61032J11110S201，S61032J11110T201，S61032J11110U201，K61032J11110P273

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	データサイエンスの目的	尺度
2	2	データの種類と特徴量の計測手法	代表値
3	3	データのベクトル化と集合	ベクトルと相関
4	4	データの解析技術（分布）	確率分布，正規分布
5	5	データの解析技術1	信頼区間，検定
6	6	データの解析技術2	機械学習（教師あり学習，教師なし学習）
7	7	データの解析技術3	多変量解析（重回帰分析，主成分分析）
8	8	データ解析と期末試験