| 【サブタイトル】 |
|---|
データサイエンスの基礎演習 |
| 【講義の目的・内容】 |
|---|
本演習では、コンピュータ・サイエンス概論III (CS3) 講義で学んだデータサイエンス分野の基礎技術やプログラミングについて、さらに実践的な課題に取り組むことによって理解を深める。CS3講義の内容やサンプルプログラムをもとに、別のデータに対する解析の方針を立て、プログラムを書いて解析を実行することで、自分の理解度を確認し、その向上を図る。 |
| 【学修到達目標】 |
|---|
本講義では、以下の修得を目標とする。
・Pythonプログラミングを用いたデータの解析と可視化が自分で行えるようになること。
・統計解析、機械学習、深層学習などのさまざまな基礎技術のサンプルプログラムの内容を理解し、自分の問題に合わせて正しく改変・実行できるようになること。 |
| 【講義スケジュール】 |
|---|
01. ガイダンス、Jupyter復習【オンデマンド】
※履修登録期間より視聴可能。
02. 作業環境の確認、numpy, pandas
03. データの読み込みと確認
04. データの把握、可視化
05. データの加工・抽出、クレンジング
06. データの集計、時系列データの解析
07. 散布図とクラスタリング
08. 相関と線形単回帰分析
09. 線形重回帰分析
10. 画像データの取り扱い/ファイルとディレクトリ操作【オンデマンド】
11. ロジスティック回帰/機械学習基礎とニューラルネットワーク
12. ニューラルネットワークのプログラミング/予測精度評価
13. ランダムフォレスト、ランダムフォレストによる分類予測
14. ランダムフォレストによる数値予測、深層学習基礎とCNN
15. CNNのプログラミング |
| 【指導方法】 |
|---|
通常授業期間中の13回の対面授業と、オンデマンドによる動画配信2回を組み合わせた講義形式。スケジュール詳細はガイダンスの中で説明する。
対面回・非対面回を問わず、また講義時間外でも、slackによる質問は随時受け付ける。できれば講義用チャンネルで質問を他学生と共有することが望ましい。 |
| 【事前・事後学修】 |
|---|
事前学習: 各関連講義の対応回を復習する(60分目安)
事後学習: 講義内容の復習を十分に行い、課題に取り組む(120分目安) |
| 【成績評価の方法・基準】 |
|---|
講義内で指示される理解度確認小テスト、練習問題、課題等の提出状況と内容(90%)および受講態度や講義への積極的な取り組みなど(10%)を総合的に評価する。 |
| 【受講要件】 |
|---|
なし。 |
| 【テキスト】 |
|---|
各回の講義に対応したINIAD MOOCs教材を提供する。 |
| 【参考書】 |
|---|
必要に応じて講義の中で紹介する。 |
| 【関連分野・関連科目】 |
|---|
コンピュータ・サイエンス概論III
コンピュータ・サイエンス概論I, II、コンピュータ・サイエンス演習I, II
確率・統計I, II
数学I, II |
| 【備考】 |
|---|
|
| 【添付ファイル1】 |
|---|
| 【添付ファイル2】 |
|---|
| 【添付ファイル3】 |
|---|
| 【リンク】 |
|---|
|
オンデマンド動画はINIAD MOOCsにより配信する。
|
|
＜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。
|