到達目標
1. 各種の回帰や分類の考え方を理解できる。
2. 学習した解析手法をPythonを用いて実行できる。
3. 解析結果を可視化することができる。
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
回帰と分類 | 各種の回帰や分類手法を理解し、応用的問題を計算できる。 | 各種の回帰や分類手法を理解し、基礎的問題を計算できる。 | 各種の回帰や分類手法を理解できない。 |
Pythonでの実行 | 解析手法をPythonコードで実装し、応用的問題を計算できる。 | 解析手法をPythonコードで実装し、基礎的問題を計算できる。 | 解析手法をPythonコードで実装できない。 |
解析結果の可視化 | 解析結果を理解しやすい形で整理して可視化できる。 | 解析結果を可視化できる。 | 解析結果を可視化できない。 |
学科の到達目標項目との関係
学習・教育到達度目標 D① 専門工学の基礎に関する知識と基礎技術を統合し、活用できる。
学習・教育到達度目標 D② 工学知識や技術を用いて、課題解決のための調査や実験を計画し、遂行できる。
学習・教育到達度目標 D③ 工学知識や技術を用いて、課題解決のための結果の整理・分析・考察・報告ができる。
教育方法等
概要:
IoTなどの発展にともない、工業分野においても手に入るデータの数が急激に増加しており、データサイエンスの素養を身に着けることが必須となっている。本授業では、データサイエンスにおける重要な概念である、回帰や分類について、基本的な手法を学習する。並行してPythonを使った解析を行い、各手法の特徴を理解し、適切に応用できるようにする。
授業の進め方・方法:
講義において各手法で登場する概念や計算方法を理解するとともに、PCを用いた演習を行い、Pythonコードを実装する能力を習得する。
注意点:
微分積分や線形代数などの数学的な基礎知識を前提とする。
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
後期 |
3rdQ |
1週 |
データサイエンスとは、授業計画 |
データサイエンスの概念および授業の全体像が理解できる。
|
2週 |
Python基礎 |
Pythonの文法を理解できる。
|
3週 |
Python基礎 |
Pythonを用いて簡単なコードが書ける。
|
4週 |
線形回帰 |
最小二乗法および単回帰が理解できる。
|
5週 |
線形回帰 |
重回帰を理解でき、Pythonを用いた解析ができる。
|
6週 |
補間 |
ラグランジュ補間が理解できる。
|
7週 |
補間 |
スプライン補間が理解できる。
|
8週 |
中間試験 |
1~7週までの内容を網羅した試験により、授業内容の理解の定着を図る。
|
4thQ |
9週 |
主成分分析 |
主成分分析を理解できる。
|
10週 |
主成分分析 |
Pythonを用いて主成分分析の結果を可視化できる。
|
11週 |
分類 |
分類問題とは何かを理解できる。
|
12週 |
分類 |
ランダムフォレストを用いた分類を理解でき、Pythonを用いて解析ができる。
|
13週 |
分類 |
サポートベクターを用いた分類を理解でき、Pythonを用いて解析ができる。
|
14週 |
より高度な回帰 |
部分的最小二乗回帰を理解でき、Pythonを用いて解析できる。
|
15週 |
より高度な回帰 |
ランダムフォレストに基づく回帰について理解でき、Pythonを用いて解析できる。
|
16週 |
定期試験 |
9~15週までの内容を網羅した試験により、授業内容の理解の定着を図る。
|
モデルコアカリキュラムの学習内容と到達目標
分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
評価割合
| 試験 | 演習・レポート | 合計 |
総合評価割合 | 60 | 40 | 100 |
基礎的能力 | 0 | 0 | 0 |
専門的能力 | 60 | 40 | 100 |
分野横断的能力 | 0 | 0 | 0 |