シラバス参照

授業情報/Class Information

科目一覧へ戻る 2022/05/09 現在

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(2022年度以降)
開講科目名
/Course
データサイエンス概論2/Introduction to Data Science 2
時間割コード
/Course Code
S1407620_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
2022年度/Academic Year  第4クォーター/4Q
曜限
/Day, Period
月/Mon 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
伊原 彰紀
科目区分
/Course Group
_ 
授業形態
/Lecture Form
講義
教室
/Classroom
A301(北1号館)/A301(北1号館)
開講形態
/Course Format
ディプロマポリシー情報
/Diploma Policy
要件所属
/Course Name
ディプロマポリシー
/Diploma Policy
DP値
/DP Point
システム工学部 1.幅広い教養と分野横断的な学力 3
システム工学部 2.専門的知識や技能 2
システム工学部 3.課題解決力と自己学修能力 4
システム工学部 4.協働性とコミュニケーション能力 1

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,定量的に解釈するための方法論を学ぶ.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から応用までの知識を習得する.講義では,データサイエンスの実践的な活用方法としてデータに基づくシステム開発計画,品質評価の基礎技術を修得する.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,応用できることが講義の目標である.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.計測されたデータに基づく推薦システム,および,推薦システムをシステム開発へ適用する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,多数存在しますので,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.特にデータサイエンス概論1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
初回授業に注意事項を説明するため,必ず出席する.遠隔授業ではMoodle,Teamsを使用する.
ガイダンスビデオ(2020年度版)を公開しています.2022年度版は改めて公開しますが,2020年度,2021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.
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
月曜日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
S61032J11110K243
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 データの解析技術
2 情報推薦システム
3 データサイエンスの活用(自然言語処理入門:形態素解析)
4 データサイエンスの活用(自然言語処理入門:文字列パターン抽出)
5 データサイエンスの活用(データに基づく品質・工程管理)・データの可視化
6 データ管理
7 データ解析におけるプライバシー保護
8 データ解析演習と期末試験

科目一覧へ戻る