到達目標
1. データサイエンスの社会的な意義などを説明することができる。
2. 基本的なデータ処理を自ら行うことができる。
3. 複雑なデータに対して分析を行い、有益な情報を得ることができる。
ルーブリック
| 理想的な到達レベルの目安(優) | 標準的な到達レベルの目安(良) | 未到達レベルの目安(不可) |
| 評価項目1 | データサイエンスの社会的な意義などを説明することができる。 | データサイエンスの社会的な意義などを理解することができる。 | データサイエンスの社会的な意義などを理解することができない。 |
| 評価項目2 | 基本的なデータ処理を自ら行うことができる。 | 基本的なデータ処理を指示されて行うことができる。 | 基本的なデータ処理を行うことができない。 |
| 評価項目3 | 複雑なデータに対して分析を行い、有益な情報を得ることができる。 | 単純なデータに対して分析を行い、有益な情報を得ることができる。 | 単純なデータに対して分析ができない。 |
学科の到達目標項目との関係
教育方法等
概要:
データサイエンスの基礎的な手法について理解し、必要に応じて適切な手法を選択・実行できるようになることを目指す。
授業の進め方・方法:
「数理科学特論Ⅰ」ではデータサイエンスの基本的事項について理解・習得させ，基礎的な問題を解く力を試験及び課題等で評価する。
定期試験30％，達成度試験30%，課題40％の割合で評価する。合格点は60点以上である。
この科目は学修単位科目のため、事前・事後学習として課題を課す。この他、日常の授業（30時間）のための予習復習時間、定期試験の準備のための学習時間を総合し、60時間の自学自習時間が必要である。
注意点:
・毎回の授業で，課題の提出を求める。
・毎週，「自学自習時間」欄に記載した自学習（予習・復習）をして授業に臨むこと。
・既習の数学（微分積分，線形代数，応用数学）についての知識を前提とする。
・演習書を使うので，詳しい解説は本科で使用した教科書や下記の「参考図書」を適宜併用すること。
・質問を歓迎する。
・再評価を行う場合は、レポートにて実施する。ただし，授業参加度が低い学生は再評価の対象としない。
参考図書：東京大学のデータサイエンティスト育成講座
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 |
| 前期 |
| 1stQ |
| 1週 |
イントロダクション |
データサイエンスの社会的な意義や現状の課題について概略を理解することができる。
|
| 2週 |
データの作成および取り扱いにおける注意事項 |
データを取り扱うための基礎的な手法およびその意味について理解することができる。
|
| 3週 |
Python基礎1 |
Pythonの基本的な使い方を理解することができる。
|
| 4週 |
Python基礎2（Pandas） |
表データを取り扱うことができる。
|
| 5週 |
Python基礎3（Numpy） |
多次元配列データを取り扱うことができる。
|
| 6週 |
Python基礎4（Matplotlib） |
得られたデータを可視化することができる。
|
| 7週 |
Python基礎5 |
目的に応じてデータの処理手順を決定し、それを実行することができる。
|
| 8週 |
時系列分析1 |
時系列データの特徴や適切な取り扱い方を理解することができる。
|
| 2ndQ |
| 9週 |
時系列分析2 |
1変量の時系列データに対して基礎的な解析を行うことができる。
|
| 10週 |
時系列分析3 |
多変量の時系列データに対して基礎的な解析を行うことができる。
|
| 11週 |
回帰分析1 |
回帰分析の特徴やその意味について理解することができる。
|
| 12週 |
回帰分析2 |
単純なデータに対して回帰分析を行うことができる。
|
| 13週 |
回帰分析3 |
複雑なデータに対して回帰分析を行うことができる。
|
| 14週 |
総合演習1 |
データサイエンスに関する知識を活用し、データの作成・処理・および分析を行うことができる。
|
| 15週 |
総合演習2 |
データサイエンスに関する知識を活用し、データの作成・処理・および分析を行うことができる。
|
| 16週 |
|
|
評価割合
| 定期試験 | 達成度試験 | 課題 | 合計 |
| 総合評価割合 | 30 | 30 | 40 | 100 |
| 基礎的能力 | 30 | 30 | 30 | 90 |
| 専門的能力 | 0 | 0 | 10 | 10 |
| 分野横断的能力 | 0 | 0 | 0 | 0 |