シラバス参照

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

数値計算演習／Numerical calculation seminar

時間割コード
／Course Code

S1408310_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

2025年度／Academic Year　　第3クォーター／3Q

曜限
／Day, Period

火／Tue　1,　火／Tue　2

開講区分
／Semester offered

後期／the latter term

単位数
／Credits

2.0

学年
／Year

2,3,4

主担当教員
／Main Instructor

吉廣　卓哉／Takuya Yoshihiro

科目区分
／Course Group

授業形態
／Lecture Form

演習

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	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	5
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	5

担当教員情報/Instructor Information

教員名／Instructor	教員所属名／Affiliation
吉廣　卓哉／Takuya Yoshihiro	システム工学部（教員）

授業の概要・ねらい／Course Aims	種々の科学技術研究の基礎となる数値計算の方法を演習形式で修得する。Pythonによる行列計算の基礎を復習した上で、連立一次方程式、最小二乗法による最適化、関数近似、固有値計算、微分・積分等の基本的な数値計算アルゴリズムおよびプログラミング作成技法を修得する。また、基礎的な確率統計分野の分析技術や、組合最適化問題の解法も同様にPythonによる実習を通じて習得する。
到達目標／Course Objectives	数値計算アルゴリズムや各種分析手法の使い方を理解すると同時に、それらのプログラムを自分で作成できることをもって合格とする。さらに、各アルゴリズムの発展的な理解や作成した各プログラムの高い完成度をもって優の評価が与えられる。
成績評価の方法・基準／Grading Policies/Criteria	成績は，各回で指示するレポート課題への取り組み状況およびその内容を対象とし，100点満点で次のように評価する．Ｓ：十分達成し，他の事例に応用できる（90点以上）Ａ：十分達成している（80～89点）Ｂ：達成している（70～79点）Ｃ：おおむね達成している（60～69点）不可：達成していない（60点未満）
教科書／Textbook	教材はスライドにて提供するため、教科書は指定しない
参考書・参考文献／Reference Book	・Python数値計算プログラミング, 幸谷智紀著・Pythonで理解する統計解析の基礎, 谷合廣紀・データ分析ライブラリーを用いた最適化モデルの作り方, 斉藤努著
履修上の注意・メッセージ／Notice for Students	本演習では方程式や固有値，微分積分等の数値計算アルゴリズムに加えて、Pythonによる確率統計解析や最適化等の幅広い数値計算アルゴリズムをPythonを通じて習得することを目指しています。線形代数と確率統計が基礎となりますが、一度学習していれば、その内容を復習して実装することで、理解を強化できます。本演習では、各技術の数学的な理解には重点を置かず、各計算・分析手法の挙動を理解したうえでPythonのライブラリを用いて実装する技能を習得します。従って、数学的な理解が深くなくても、ユーザとして使い方を理解できれば課題は解き進めることができるはずです。線形代数や確率統計を履修していない場合には、扱う計算・分析方法は新たに理解して実装することになりますが、一定の予習・復習を追加すれば課題は解けると想定しています。
履修する上で必要な事項／Prerequisite	授業内でPCを使用するので，各自必ず毎回持参すること．
履修を推奨する関連科目／Related Courses	本演習では行列を扱うため、線形代数を履修しておくことを推奨する。また、確率統計の履修もしておくことを推奨する。
授業時間外学修についての指示／Instructions for studying outside class hours	課題を解くために，授業時間以外に毎回2時間以上の時間を費やして学習を行い，理解を深めてください．
その他連絡事項／Other messages	受講を希望する人数が定員を越えた場合は，第1メジャー・第2メジャーとGPAに基づいて，履修制限を実施する．講義には，MoodleやTeamsを適時使用する．
授業理解を深める方法／How to deepen your understanding of classes	本演習では，演習時間内で実施する課題の他に，指定されたより進んだアルゴリズムなどを学生が自ら勉強・実装する発展課題を設けている．学生が自分の到達度を認識して課題を進めるように配慮している．【「アクティブ・ラーニング」実施要項 ①,⑦,⑪】
オフィスアワー／Office Hours	木曜２限．可能な限り事前にメール等で予約してください（吉廣：tac@wakayama-u.ac.jp）
科目ナンバリング／Course Numbering	S60092J01100S213，S60092J01100T214，S60022J01100U210
実務経験／Practical Experience

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	備考（担当）／Notes
1	1	導入と準備	導入、実行環境の構築と基本操作の復習	BYOD PCを利用
2	2	Pythonの基礎	Python文法の基礎、行列計算の基礎	BYOD PCを利用
3	3	有効数字と誤差（１）	数値計算における誤差の扱い方の基礎	BYOD PCを利用
4	4	有効数字と誤差（２）	浮動小数点数表現と桁落ちなど	BYOD PCを利用
5	5	連立一次方程式（１）	LU分解など	BYOD PCを利用
6	6	連立一次方程式（２）	反復法・ヤコビ法など	BYOD PCを利用
7	7	固有値計算	固有値・固有ベクトルの計算	BYOD PCを利用
8	8	関数近似	スプライン補完、ラグランジュ補完など	BYOD PCを利用
9	9	数値微分・数値積分	Pythonによる微分・積分の数値計算	BYOD PCを利用
10	11	解析的計算	Sympyを用いた数式の解析的計算	BYOD PCを利用
11	10	Pythonによるデータ操作	Pandasのデータフレームの取り扱い	BYOD PCを利用
12	12	確率分布の当てはめ	各種確率分布とデータへの当てはめ	BYOD PCを利用
13	13	母集団推定と仮説検定	Pythonによる母集団の確率分布推定と検定	BYOD PCを利用
14	14	組合せ最適化	線形計画法と整数計画法	BYOD PCを利用
15	15	まとめ	総合演習	BYOD PCを利用

授業の概要・ねらい／Course Aims	種々の科学技術研究の基礎となる数値計算の方法を演習形式で修得する。Pythonによる行列計算の基礎を復習した上で、連立一次方程式、最小二乗法による最適化、関数近似、固有値計算、微分・積分等の基本的な数値計算アルゴリズムおよびプログラミング作成技法を修得する。また、基礎的な確率統計分野の分析技術や、組合最適化問題の解法も同様にPythonによる実習を通じて習得する。
到達目標／Course Objectives	数値計算アルゴリズムや各種分析手法の使い方を理解すると同時に、それらのプログラムを自分で作成できることをもって合格とする。さらに、各アルゴリズムの発展的な理解や作成した各プログラムの高い完成度をもって優の評価が与えられる。
成績評価の方法・基準／Grading Policies/Criteria	成績は，各回で指示するレポート課題への取り組み状況およびその内容を対象とし，100点満点で次のように評価する．Ｓ：十分達成し，他の事例に応用できる（90点以上）Ａ：十分達成している（80～89点）Ｂ：達成している（70～79点）Ｃ：おおむね達成している（60～69点）不可：達成していない（60点未満）
教科書／Textbook	教材はスライドにて提供するため、教科書は指定しない
参考書・参考文献／Reference Book	・Python数値計算プログラミング, 幸谷智紀著・Pythonで理解する統計解析の基礎, 谷合廣紀・データ分析ライブラリーを用いた最適化モデルの作り方, 斉藤努著
履修上の注意・メッセージ／Notice for Students	本演習では方程式や固有値，微分積分等の数値計算アルゴリズムに加えて、Pythonによる確率統計解析や最適化等の幅広い数値計算アルゴリズムをPythonを通じて習得することを目指しています。線形代数と確率統計が基礎となりますが、一度学習していれば、その内容を復習して実装することで、理解を強化できます。本演習では、各技術の数学的な理解には重点を置かず、各計算・分析手法の挙動を理解したうえでPythonのライブラリを用いて実装する技能を習得します。従って、数学的な理解が深くなくても、ユーザとして使い方を理解できれば課題は解き進めることができるはずです。線形代数や確率統計を履修していない場合には、扱う計算・分析方法は新たに理解して実装することになりますが、一定の予習・復習を追加すれば課題は解けると想定しています。
履修する上で必要な事項／Prerequisite	授業内でPCを使用するので，各自必ず毎回持参すること．
履修を推奨する関連科目／Related Courses	本演習では行列を扱うため、線形代数を履修しておくことを推奨する。また、確率統計の履修もしておくことを推奨する。
授業時間外学修についての指示／Instructions for studying outside class hours	課題を解くために，授業時間以外に毎回2時間以上の時間を費やして学習を行い，理解を深めてください．
その他連絡事項／Other messages	受講を希望する人数が定員を越えた場合は，第1メジャー・第2メジャーとGPAに基づいて，履修制限を実施する．講義には，MoodleやTeamsを適時使用する．
授業理解を深める方法／How to deepen your understanding of classes	本演習では，演習時間内で実施する課題の他に，指定されたより進んだアルゴリズムなどを学生が自ら勉強・実装する発展課題を設けている．学生が自分の到達度を認識して課題を進めるように配慮している．【「アクティブ・ラーニング」実施要項 ①,⑦,⑪】
オフィスアワー／Office Hours	木曜２限．可能な限り事前にメール等で予約してください（吉廣：tac@wakayama-u.ac.jp）
科目ナンバリング／Course Numbering	S60092J01100S213，S60092J01100T214，S60022J01100U210
実務経験／Practical Experience

授業情報／Class Information

基本情報/Basic Information

担当教員情報/Instructor Information