授業の形態
|
|
講義、実習
|
| |
|
アクティブラーニング
|
|
学生が自身の考えを発表する、学生が文献や資料を調べる
|
| |
|
授業内容と方法
|
【授業内容】
高度情報化社会になり店舗での売上や道路の交通情報、インターネット上の書き込みなど身の回りの様々なものやサービスが電子化され、コンピュータには日々膨大なデータが蓄積される時代になりました。多くの企業がこれらのデータを活用した事業に取り組もうとし始めていますが、膨大なデータの解析は、まだ歴史も浅くExcelなど表計算ソフトでは解析できない場合もしばしばあります。
データサイエンス中級では人工知能技術（Artirifial Intelligence; AI）のベースとなる機械学習技術について学びます。機械学習は、顔認識や音声認識など、過去の情報（データ）から得られた規則に基づいて新しいデータを予測する技術です。これらのような高度な分析手法を身につけデータサイエンティストとして社会のニーズに応えられる技術力を身につけられるよう授業を行います。
【授業の方法】
機械学習の基本的な考え方や方法などを説明した後、「Python」を用いて自らの手で実データを解析、可視化するなどしてレポートにまとめます。データ解析プロジェクトでは、自ら解析するデータを選び、これまでの知識を活用してデータ解析し、得られた結果をまとめて発表します。
|
| |
|
URGCC学習教育目標
|
|
コミュニケーション・スキル、情報リテラシー、問題解決力、専門性
|
| |
|
達成目標
|
・プログラミングによる高度なデータ解析ができる。【情報リテラシー、専門性】
・自分の興味のある事柄に対して、データサイエンスの知識を用いて現象の理解や課題の解決を図れる。【問題解決力、専門性】
・得た知識を他人に的確に説明できる。【コミュニケーション・スキル】
|
| |
|
評価基準と評価方法
|
各回の課題やレポート（60%）
データ分析プロジェクト発表会の内容（40%）
|
| |
|
履修条件
|
ノートパソコンを持参すること
履修条件：
「データサイエンス初級」と「データサイエンスのためのPythonプログラミング」を履修済みであること。
|
| |
|
授業計画
|
1. ガイダンス（機械学習・AIについて、AIにおける倫理）
2. 機械学習の準備①：Python環境構築、プログラミング
3. 機械学習の準備②：データ、ベクトル、類似基準
4. 回帰分析（線形モデル）
5. 分類（線形モデル）
6. モデルの評価、モデル選択
7. データ加工（前処理）：標準化、正規化、主成分分析
8. 教師なし学習（クラスタリング）
9. 教師あり学習①
10. 教師あり学習②
11. メディアデータ処理
12. データ解析プロジェクト１：解析するデータの決定、取得、前処理
13. データ解析プロジェクト２：データの解析
14. データ解析プロジェクト３：発表資料の作成
15. 発表会
|
| |
|
事前学習
|
|
事前に配布資料に目を通しどのような内容を学習するのかを確認する。
|
| |
|
事後学習
|
講義資料を確認し、データ分析やプログラムを再度実行すること。
課題やレポートがある場合は、それに取り組むこと。
|
| |
|
教科書にかかわる情報
|
|
|
| |
|
教科書全体備考
|
|
講義資料（PDF）を配布します。
|
| |
|
参考書にかかわる情報
|
|
|
9784297120221
|
|
|
有賀友紀, 大橋俊介
|
|
技術評論社
|
2021
|
|
|
|
4627849710
|
|
|
平井有三著
|
|
森北出版
|
2012
|
|
|
|
487311845X
|
|
|
Wes McKinney著 ; 瀬戸山雅人, 小林儀匡, 滝口開資訳
|
|
オライリー・ジャパン
|
2018
|
|
|
|
| |
|
参考書全体備考
|
|
特になし
|
| |
|
使用言語
|
|
日本語
|
| |
|
メッセージ
|
|
|
| |
|
オフィスアワー
|
文系学部棟527室（訪問時はメールで事前に連絡して日程調整してください。）
メールやTeamsでの問い合わせは随時受け付けます。
|
| |
|
メールアドレス
|
|
この項目は教務情報システムにログイン後、表示されます。
|
| |
|
URL
|
|
データサイエンティスト養成履修カリキュラム：https://mds.skr.u-ryukyu.ac.jp/mds/curriculum/
|
| |
|
|