タイトル
     2022 年度 後期  教養教育 日英区分 :日本語 
  
データサイエンス応用   
時間割コード ナンバリング 科目分野
LB2357 LB-1-IS0078-J 【教養教育】総合科目群
担当教員(ローマ字表記)
  鈴木 裕之 [Suzuki Hiroyuki], 井手野 由季 [Ideno Yuki], 長井 万恵 [ Nagai Kazue], 青木 悠樹 [Aoki Yuki]
対象学生 対象年次 単位数
    2
授業の目的  
この授業では、データサイエンスの応用基礎レベルとして、統計学とデータエンジニアリングの基本事項を理解し、実データの処理方法を修得することを目的とする。
 
授業の到達目標  
・現代社会におけるデータサイエンスの必要性について理解できる.
・コンピュータでデータを扱うためのデータ表現の基礎がわかる.
・アルゴリズムとプログラミングの基礎を理解し、簡単なプログラムを作成できるようになる。
・代表的なデータ分析手法について理解し,データ分析の設計とデータ分析ができるようになる.
・AIのこれまでの変遷や代表的技術の背景が理解できる.
・機械学習の基本的な概念や仕組みが理解できる.
 
ディプロマポリシーとの関連(評価の観点)  
A: 諸科学についての基礎的知識と理解 ◎
B: 論理的・創造的思考力       ◎
C: コミュニケーション能力      △
D: 社会的倫理観・国際性       ○
 
授業概要  
テータに基づく課題解決や意思決定は、あらゆる分野で必要となる。そのため、高度な専門家の育成だけでなく、国民全体のデータサイエンスに関するリテラシーの向上も不可欠となる。この授業では、データサイエンスに関するリテラシーレベルをさらに発展させた統計学とデータエンジニアリングの応用基礎の知識を修得することを目標とする。

具体的には、データ駆動型社会におけるデータサイエンスの必要性などデータサイエンスを概観し、統計学分野では、データ観察と可視化、データ分析手法、データエンジニアリング分野では、データの表現、アルゴリズム、プログラミング、データ加工処理の基礎、機械学習、AIの基礎を取り上げる。
 
授業の形式(授業方法)  
オンライン(Zoom)による講義形式である。毎回の授業は録画して後日配信するので、欠席した場合は必ず視聴すること。
 
授業スケジュール  
No.内容
第1回 【現代社会におけるデータサイエンス】
・ICT(情報通信技術)の進展、ビッグデータ
・データ駆動型社会
・統計学の歴史
第2回 【データ観察と可視化】
・母集団と標本、データの特性と尺度
・系統誤差と偶然誤差
・データの要約と図示、代表値と散布度
第3回 【代表的なデータ分析手法(1)】
・相関
・回帰分析、統計モデル
第4回 【代表的なデータ分析手法(2)】
・仮説検証
・点推定、区間推定
・検定
第5回 【データの分析設計】
・データ分析研究のデザイン(観察研究、介入研究)
・ランダム化
・サンプルサイズ計算
第6回 【データ分析演習】
・データ構造
・データの分布・要約統計量
・期待値とカイ2乗値
第7回 【データ表現とデータの暗号化・復号】
・コンピュータで扱うデータ(数値、文章、画像、音声、動画など)
・情報量の単位(ビット、バイト)、⼆進数、⽂字コード
・データの暗号化・復号
第8回 【データサイエンスに必要なアルゴリズム(1)】
・アルゴリズムの表現(フローチャート)
・配列(リスト)の扱い方
第9回 【プログラミング基礎(1)】
・文字型、整数型、浮動小数点型
・変数、代入、四則演算、論理演算
第10回 【データサイエンスに必要なアルゴリズム(2)】
・並び替え(ソート)、探索(サーチ)
・マージ
第11回 【プログラミング基礎(2)】
・計算量
・対数関数、指数関数
第12回 【データの前処理・加工処理】
・結合、抽出、正規化
第13回 【機械学習】
・機械学習、教師あり学習、教師なし学習、強化学習
・学習データと検証データ
・ホールドアウト法、交差検証法
第14回 【AI・深層学習の基礎】
・AIの歴史、推論、探索
・ニューラルネットワークの原理
・ディープニューラルネットワーク(DNN)
第15回 【AI・深層学習の実装】
・AIの学習と推論、評価、再学習
・AIの開発環境と実⾏環境
 
授業時間外学修情報
「学修」とは授業と授業時間外の予習・復習などを含む概念です。1単位につき45時間の学修が必要です。
学則で定められている1単位の時間数は次のとおりです。
講義・演習    授業15~30時間、授業時間外30~15時間
実験・実習・実技 授業30~45時間、授業時間外15~0時間
 
資料をLMS(Moodle)に掲載するので、授業時間前に目を通すこと。また授業時間終了後に、LMSの課題・小テストを受講すること。
 
成績評価基準(授業評価方法) 及び 関連するディプロマポリシー  
・配布資料とともにほぼ毎回提示する課題や小テスト(LMS(Moodle)上に提出)で80%
・最終レポート20%
 
受講条件(履修資格)  
特になし
 
メッセージ  
「データサイエンス」は理系の科目ととらえられ難しく感じられるかもしれません。しかしながら、テータに基づく課題解決や意思決定は、あらゆる分野で必要となってきています。この授業では、「データ・サイエンス」の授業をさらに発展した応用基礎の概念を平易に説明することを心がけています。将来受講者の専門分野に役立つことでしょう。
 
キーワード  
データ分析手法、データ加工処理、アルゴリズム、プログラミング
 
この授業の基礎となる科目  
データ・サイエンス
 
次に履修が望まれる科目  
 
関連授業科目  
データ解析の手法と論理、データの利活用、データサイエンス・AI・機械学習、Python入門
 
教科書  
 
参考書  
 
教科書・参考書に関する補足情報  
教科書は指定しない(資料を配布する)。参考書は適宜指定する。
 
コース管理システム(Moodle)へのリンク  
https://mdl.media.gunma-u.ac.jp/course/view.php?id=4051
 
授業言語  
 
学生用連絡先  
【匿名アクセスではこの情報を閲覧できません。】
 
学生用メールアドレス  
【匿名アクセスではこの情報を閲覧できません。】
 
オフィスアワー (※教員が研究室に在室し、学生からの質問・相談等に応じる時間のことです。)  
【匿名アクセスではこの情報を閲覧できません。】
 
教員ホームページ  
 
関連ホームページ  
 
ページの先頭へ