シラバス参照

印刷
講義名 24春 後期/データサイエンス
基準単位数 1
科目区分 経営数理・問題解決(応用)
必修・選択 選択
配当年次 1・2年次
学修期間 学修期間1/2学期

担当教員
氏名
◎ 岡本 将輝

オフィスアワー eラーニングサイトおよびメールでの質疑応答を受け付けています。
(メールアドレスは大学院グループウェアのアドレス帳でご確認ください)
授業の概要 ビジネスを含むあらゆるシーンにおいて、その合理的意思決定にデータの積極活用が進み、大きな成果を示しています。基礎的な統計学の知識を背景として、より実践的なデータの取り扱いと効果的な知見抽出を進めるためには、AIを含むデータサイエンスのスキルを身につけることが極めて有効です。本講義ではデータサイエンスの門を叩く初学者に対して、欠かすことのできない知識およびコーディングスキルの体系的構築を目指します。実際に手を動かしながら、Pythonと各種ライブラリを活用したデータ解析を習得し、機械学習による課題解決手法までを学びます。
学修目標 1)データサイエンスの基本概念を理解し、説明することができる。
2)ヘルスケア領域を主たる事例としてPythonを用いたデータ解析を行い、結果を解釈した上で説明することができる。
3)機械学習の適用範囲を理解し、代表的なアルゴリズムをPythonで実装できる。
授業計画 第1章 データサイエンス概論
    第1節 本講義の概要
    第2節 データサイエンスとは
    第3節 Pythonについて

第2章 Python基礎
    第1節 Python(1)- Jupyter Notebook
    第2節 Python(2)- 変数とデータ型
    第3節 Python(3)- 条件分岐構文・関数

第3章 データ解析向けライブラリ
    第1節 Numpy
    第2節 Scipy
    第3節 Pandas
    第4節 Matplotlib

第4章 前処理およびデータの可視化
    第1節 前処理
    第2節 データの可視化

第5章 機械学習1
    第1節 機械学習とは
    第2節 教師あり学習 – 回帰
    第3節 教師あり学習 – 決定木

第6章 機械学習2
    第1節 教師あり学習 – k近傍法
    第2節 教師あり学習 – サポートベクターマシン

第7章 機械学習3
    第1節 教師なし学習
    第2節 モデル評価
    第3節 チューニング
受講上の留意点 大学の規定のスケジュール通りに遅延なく受講してください。
成績評価基準 出席状況 30%、各章確認テスト 20%、期末試験 50%
必読書籍 特になし。
参考書籍 1.江崎貴裕 「分析者のためのデータ解釈学入門 データの本質をとらえる技術」 ソシム社 2020
2.山田祥寛 「独習Python」 翔泳社 2020
3.下山輝昌ら 「Python実践データ分析100本ノック」 秀和システム社 2019
4.Wes McKinney 「Pythonによるデータ分析入門」 オライリージャパン社 2018
5.Sebastian Raschkaら 「Python機械学習プログラミング 達人データサイエンティストによる理論と実践」 インプレス社 2020

*1はデータ解析の前提となる基礎的素養として、2はPythonの自学自習のために有用。3,4,5は講義内容の理解を得た後に、その深化と発展的学習に活用できる。なお4の英語版「Python for Data Analysis」についてはPDFとして無償公開されている。
その他 受講にあたってプログラミング言語の利用経験は問いませんが、講義内容の大半をPythonに依存しますので、当該言語について積極的な自己学習による知識の補完・補強は欠かせません。また、データサイエンスの根幹となる統計学については、基本的理解があることを前提とします。よって、統計学講義を受講済みで無い場合は「統計検定2級程度」の知識を目安に、事前学習を行っておくことをお勧めします。
対面授業
対面授業は実施しません。