到達目標
データサイエンスは様々なデータを処理・分析してそこから有用な情報を引き出すための学問です。
この授業ではすでに学んだ統計学の知識を活用して機械学習など技術を学びます。
また、解析にはPythonを使い、実践的な学習を行います。
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 |
データの取り扱い | 様々なデータの取り扱い方ができる | データの取り扱い方が理解できる | データの取り扱い方が理解できない |
機械学習 | 様々データ解析において機械学習を活用できる | 機械学習のしくみが理解できる | 機械学習のしくみが理解できない |
学科の到達目標項目との関係
教育方法等
概要:
データサイエンスは様々なデータを処理・分析してそこから有用な情報を引き出すための学問です。
この授業ではすでに学んだ統計学の知識を活用して機械学習など技術を学びます。
また、解析にはPythonを使い、実践的な学習を行います。
授業の進め方・方法:
実際のデータを使って解析方法を体験的に学習していきます。
注意点:
演習問題なども多く実施するので、単に授業を聞くのではなく、常に各自で考えながら授業に臨んでください。
また、データの解析には確率統計や数学的基礎知識が必要になります。これまで学習した内容をしっかりと復習してください。
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 |
ガイダンス・環境整備 |
|
2週 |
データ加工Ⅰ |
基本的なデータ操作ができる
|
3週 |
データ加工Ⅱ |
欠損データと異常値の取り扱いができる
|
4週 |
データの可視化Ⅰ |
データの可視化の基礎が理解できる
|
5週 |
データの可視化Ⅱ |
実践的なデータの可視化ができる
|
6週 |
機械学習(教師あり学習)Ⅰ |
基本的な回帰が理解できる
|
7週 |
機械学習(教師あり学習)Ⅱ |
発展的な回帰が理解できる
|
8週 |
機械学習(教師あり学習)Ⅲ |
決定木やk-近傍法が理解できる
|
2ndQ |
9週 |
機械学習(教師なし学習)Ⅰ |
クラスタリングができる
|
10週 |
機械学習(教師なし学習)Ⅱ |
主成分分析ができる
|
11週 |
機械学習(教師なし学習)Ⅲ |
マーケットバスケット分析などが理解できる
|
12週 |
モデル検証とチューニングⅠ |
モデルの評価とパフォーマンスのチューニングができる
|
13週 |
モデル検証とチューニングⅡ |
モデルの評価指標が理解できる
|
14週 |
モデル検証とチューニングⅢ |
アンサンブル学習ができる
|
15週 |
総合演習 |
総合的な解析ができる
|
16週 |
達成度の点検 |
|
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 | 課題 | 合計 |
総合評価割合 | 60 | 40 | 100 |
総合評価 | 60 | 40 | 100 |