| 【サブタイトル】 |
|---|
データサイエンス基礎 |
| 【講義の目的・内容】 |
|---|
データサイエンスの基礎として、記述統計学、推測統計学の代表的な手法について、主にpythonで適用できるようになることを目指す。具体的には、前半で主に確率分布と区間推定について、後半に各種の仮説検定、多重比較および分散分析を学習する。 |
| 【学修到達目標】 |
|---|
・統計学の基本的な考え方を理解し、pythonを用いて適用できるようになる
・各種仮説検定の手法(二項検定、フィッシャーの正確検定等)の内容と適用シーンを理解する
・一元配置分散分析、二元配置分散分析を理解する |
| 【講義スケジュール】 |
|---|
第1回 イントロダクション、確率の復習【オンデマンド】
第2回 条件付き確率とベイズの定理【オンデマンド】（※時期は最初の二週間を想定。オンデマンド回のリンク等詳細はSlackやmoocs等で別途連絡する。）
第3回 確率分布、確率変数の期待値と分散、モーメント、標準化、チェビシェフ不等式
第4回 離散型の確率分布(二項分布、ポアソン分布、超幾何分布)、連続型の確率分布(正規分布、指数分布、t分布)
第5回 統計的推定①：最尤推定
第6回 統計的推定②：KL情報量
第7回 Pythonによる母平均の区間推定
第8回 前半まとめ
第9回 仮説検定の考え方
第10回 平均の検定
第11回 平均の差の検定
第12回 そのほかの検定統計量の分布（F分布、カイ二乗分布）、様々な仮説検定（二項検定、適合度検定、独立性の検定）
第13回 一元配置分散分析
第14回 多重比較
第15回 二元配置分散分析 |
| 【指導方法】 |
|---|
座学による講義を中心とするが、講義内で適宜演習問題への取り組みを導入し、また簡単なサンプルコード等を用いることで理解の定着を図りながら進めるため、パソコンは常に持参のこと。各回の講義前半において前回の内容と課題の振り返りを行う。オンデマンド回については、Slackを通じて質問に対応する。 |
| 【事前・事後学修】 |
|---|
各回の予習を前提とする。資料、サンプルコードを用いて事前学習を行って頂きたい。また授業後は、課された課題および資料、サンプルコードを用いた復習を行って頂きたい。学習時間目安：事前学習90分、事後学習60分程度。 |
| 【成績評価の方法・基準】 |
|---|
試験（中間含む複数回）の結果、課題の提出状況、受講態度に基づき総合的に判定する。
およその目安は以下：試験および理解度小テスト：約75%、課題提出：約20％、講義への積極的な取り組み等：約5% |
| 【受講要件】 |
|---|
ハンズオンでは、JupyterLab上でnumpy/pandas/matplotlibなどのライブラリを利用するPythonプログラムを扱うので、
講義前に習熟しておくことが必須である。MOOCsなどを活用して自学自習することを強く推奨する。 |
| 【テキスト】 |
|---|
テキストは使用しない。配布資料を使用。 |
| 【参考書】 |
|---|
西内啓「統計学が最強の学問である」ダイヤモンド社
西内啓「統計学が最強の学問である[実践編]」ダイヤモンド社
西内啓「統計学が最強の学問である[ビジネス編]」ダイヤモンド社 |
| 【関連分野・関連科目】 |
|---|
「情報連携のための確率・統計学I/II」
「データサイエンス演習I/II」 |
| 【備考】 |
|---|
オンデマンド回の詳細は別途Slack,moocs等でアナウンスする。 |
| 【添付ファイル1】 |
|---|
| 【添付ファイル2】 |
|---|
| 【添付ファイル3】 |
|---|
| 【リンク】 |
|---|
|
https://moocs.iniad.org/courses/2025/INI201
|
|
＜本学の授業について＞
本学では、13週の通常授業期間内で13回の通常授業及び、その他に２回分のオンデマンド授業等を開講する形態を採用しています。各回の教室内授業は90分で実施され、合計15回分の授業時間を担保する講義スケジュールを基本としています。
※一部科目では、授業期間、授業回数および授業形態等が異なる場合がありますので、授業の詳細はシラバス等で必ず確認してください。
［注］
教員の指導のもとで、事前・事後学習を含めて１単位45時間の学修時間を担保することが求められます。
なお、本学では、大学設置基準等の法令に基づき、年間35週以上の授業日程（学年暦）を定め、通常授業期間のほかに、T-Weeksにおける特別授業期間、夏季・春季セッション期間における集中授業等を実施する授業日程としております。
|