シラバス参照
|
シラバス参照
|
| 科目一覧へ戻る | 2020/05/12 現在 |
|
開講科目名 ／Course |
データサイエンスへの誘いＢ |
|---|---|
|
時間割コード ／Course Code |
G1001046_G2 |
|
開講所属 ／Course Offered by |
共通／ |
|
ターム・学期 ／Term・Semester |
2020年度／Academic Year 第2クォーター／2Q |
|
曜限 ／Day, Period |
木／Thu 5 |
|
開講区分 ／semester offered |
第2クォーター／2Q |
|
単位数 ／Credits |
1.0 |
|
学年 ／Year |
1,2,3,4 |
|
主担当教員 ／Main Instructor |
吉野 孝 |
|
科目区分 ／Course Group |
_ |
|
授業形態 ／Lecture Form |
|
|
教室 ／Classroom |
Ｇ－１０１教室／G-101 |
|
教員名 ／Instructor |
教員所属名 ／Affiliation |
|---|---|
| 呉 海元 | システム工学部（教員） |
| 西村 竜一 | システム工学部（教員） |
| 三浦 浩一 | システム工学部（教員） |
| 吉野 孝 | システム工学部（教員） |
|
授業の概要・ねらい ／Course Aims |
データサイエンスの基本的な手法の紹介、コンピュータを用いた分析の紹介としてRとPythonの紹介、世の中の活用事例などを紹介する講義を実施する。 |
|---|---|
|
到達目標 ／Course Objectives |
１．データサイエンスの基本的な手法の概要や特徴を説明できる。 ２．コンピュータを用いた分析方法の特徴の概要を説明できる。 ３．データサイエンスの必要性を理解し、その応用事例を説明できる。 |
|
成績評価の方法・基準 ／Grading Policies/Criteria |
課題レポート100％。毎回の講義内容の理解度を確認するレポート課題の提出が必要です。E-learningの未受講が多い場合は不合格となります。 |
|
教科書 ／Textbook |
講義に関するＰＤＦを配布します。 |
|
参考書・参考文献 ／Rreference Book |
データサイエンス入門、学術図書出版 |
|
履修上の注意 ・メッセージ ／Notice for Students |
この講義は、E-learning(EL)を用いた講義です。 |
|
履修する上で必要な事項 ／Prerequisite |
「データ」の急速な利用拡大にともない、データサイエンスの分野が急速に拡大しています。この影響は、文系・理系を問いません。データの利活用に関する最低限の理解は、基本的な教養になっています。この講義を通じて、世の中のデータ利活用の事例を知るだけでなく、データに関する基本的な理解を深めて下さい。 |
|
履修を推奨する関連科目 ／Related Courses |
データサイエンスへの誘いＡ，データサイエンス入門Ａ／Ｂ |
|
授業時間外学修についての指示 ／Instructions for studying outside class hours |
本授業の授業計画に沿って、準備学習と復習を行ってください。さらに、授業内容に関連する課題に関する調査・考察を含めて、毎回の授業ごとに自主的学習を求めます。 |
|
その他連絡事項 ／Other messages |
E-learning(EL)の教材は、毎週配信されます。 |
|
授業理解を深める方法 ／How to deepen your understanding of classes |
不明な点があったら、Moodle経由で質問して下さい。パソコンの操作などが分からないなどがあった場合には、オフィスアワー（講義の時間）に対応します。 |
|
オフィスアワー ／Office Hours |
木曜日 ５時限（G101），吉野，三浦，西村が対応し，必要に応じて，担当教員に伝えます． |
|
科目ナンバリング ／Course Numbering |
C0210002J |
|
高等教育無償化に関する特記事項 ／Special note on free higher education |
| 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 | データサイエンスの手法：クロス集計，回帰分析 | |||
| 2 | データサイエンスの手法：ベイズ推論，アソシエーション分析 | |||
| 3 | データサイエンスの手法：クラスタリング，決定木 | |||
| 4 | データサイエンスの手法：ニューラルネットワーク，機械学習と人工知能 | |||
| 5 | コンピュータを用いた分析の紹介：Ｒ | |||
| 6 | コンピュータを用いた分析の紹介：Python | |||
| 7 | データサイエンスの応用事例：マーケティング，金融，品質管理 | |||
| 8 | データサイエンスの応用事例：画像処理，音声処理，医学 | |||
| 9 | ||||
| 10 | ||||
| 11 | ||||
| 12 | ||||
| 13 | ||||
| 14 | ||||
| 15 | ||||
| 16 | ||||
| 17 | ||||
| 18 | ||||
| 19 | ||||
| 20 | ||||
| 21 | ||||
| 22 | ||||
| 23 | ||||
| 24 | ||||
| 25 | ||||
| 26 | ||||
| 27 | ||||
| 28 | ||||
| 29 | ||||
| 30 |