到達目標
主に、化学や環境、食品分野などに関わる分析・計測データ、例えば、分光データ、質量スペクトルデータや統計データなど、
大量のデータについて、クラスター分析、主成分分析、決定木分析などを用いた解析と、結果の考察が出来る。
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 |
化学や統計解析に関連する大量の数値データの解析 | データに応じて、解析手法を選択でき、その位置づけや意味を把握できる。また、自身で解析方法を提案できる。 | 各種の手法を用いてデータの位置づけや意味を把握できる。 | 各種の手法を用いても、データの位置づけや意味を把握できない。 |
学科の到達目標項目との関係
教育方法等
概要:
近年、分光・環境・化学データ取得方法の多様化、大量化が顕著になっています。
そこで、実際の分光計測データなどを用いた演習により大量データの解析手法や結果の解釈方法を修得してもらいます。
授業の進め方・方法:
情報解析では、電算室を利用するか、PCを持参してもらい、分光計測や環境情報などのデータ解析を進めてもらいます。
注意点:
電算室のPC,あるいは自身のPCを使って、実際に解析等を進めてもらいます。
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 |
導入 |
情報化学の目的と必要性、授業の進め方を把握できる。
|
2週 |
Rの紹介 |
Rのインストール。
|
3週 |
データからの知識発見・線形代数の振り返り |
Rによる線形代数の振り返り。
|
4週 |
データからの知識発見・データの視覚化 |
Rによるデータの視覚化。。
|
5週 |
分光計測・環境データ解析 主成分分析 |
Rによる主成分分析。
|
6週 |
分光計測・環境データ解析 回帰分析 |
Rによる回帰分析。
|
7週 |
分光計測・環境データ解析 クラスター分析 |
Rによるクラスター分析。
|
8週 |
分光計測・環境データ解析 決定木分析 |
Rによる決定木分析。
|
4thQ |
9週 |
ガソリンの分光計測データ解析 主成分分析・回帰分析 |
分光計測データへの主成分分析・回帰分析の適用。
|
10週 |
ガソリンの分光計測データ解析 クラスター分析・決定木分析 |
分光計測データへのクラスター分析・決定木分析の適用。
|
11週 |
データの総合解析 主成分分析・回帰分析・クラスター分析・決定木分析 |
一連のデータ解析とその解釈を実習する。
|
12週 |
分光スペクトルの基線処理について |
分光スペクトルの基線処理は、その後の解析に影響を及ぼすことから、その適切な処理を学ぶ。
|
13週 |
分光スペクトルのスムージングと微分について |
分光スペクトルの解析においては、隠れたピークの発見がポイントとなるため、その方法を学ぶ。
|
14週 |
分光スペクトルのカーブフィッティングについて |
分光スペクトルの解析において、一見すると一つのピークにしか見えない場合でも、複数のピーク の重ね合わせかもしれない。その可能性を探る方法を学ぶ。
|
15週 |
分析データの取得、および課題の発表準備 |
化学の研究における情報解析の活用方法を実行したり、提案できる。
|
16週 |
課題発表会 |
課題内容とその解決方法を紹介し、解析結果を自分の言葉を用いて説明できる。
|
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 | 課題の発表 | 合計 |
総合評価割合 | 0 | 100 | 100 |
基礎的能力 | 0 | 30 | 30 |
専門的能力 | 0 | 35 | 35 |
分野横断的能力 | 0 | 35 | 35 |