到達目標
1. プログラミング言語Pythonを用いてデータサイエンスに必要な技術を習得する。
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 |
評価項目1
データエンジニアリング | 大規模なデータを加工,処理する情報技術を十分に有する。 | 大規模なデータを加工,処理する情報技術をある程度有する。 | 大規模なデータを加工,処理する情報技術を有しない。 |
評価項目2
データアナリシス | 多様なデータを分析,解析する統計技術を十分に有する。 | 多様なデータを分析,解析する統計技術をある程度有する。 | 多様なデータを分析,解析する統計技術を有しない。 |
評価項目3
価値創造 | 社会の様々な領域の課題を読み取りデータ分析による知見を活かして解決していく能力を十分に有する。 | 社会の様々な領域の課題を読み取りデータ分析による知見を活かして解決していく能力をある程度有する。 | 社会の様々な領域の課題を読み取りデータ分析による知見を活かして解決していく能力を有しない。 |
学科の到達目標項目との関係
【本校学習・教育目標(本科のみ)】 3
説明
閉じる
教育方法等
概要:
データサイエンスとして重要なデータエンジニアリング,データアナリシス,価値創造スキルを習得する。プログラム(Python言語)を用いたデータサイエンスに必要な技術を習得する。
授業の進め方・方法:
授業計画に基づき、課題と試験を通じてデータエンジニアリング,データアナリシス,価値創造スキルを習得する。
注意点:
1.評価については、評価割合に従って行います。
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 |
Pythonによる記述統計と単回帰分析ガイダンス、Pythonプログラミング環境の準備 |
全体概要の把握とプログラミング環境が構築できる 記述統計、単回帰分析の概略を理解できる
|
2週 |
Pythonによる確率と統計の基礎 |
確率、確率変数と確率分布、応用:多次元確率分布、推計統計学、統計的推定、統計的検定の基礎が理解できる
|
3週 |
Pythonによる科学計算(NumpyとScipy) |
Numpyを使った計算の応用、演算処理、配列操作、Scipyを使った計算が理解できる
|
4週 |
Pythonによるデータ加工処理(Pandas) |
Pandasの基本的なデータ操作、結合、変換、集約、グループ演算、欠損及び異常値並びに時系列データの取扱が理解できる
|
5週 |
Pythonによるデータ可視化(Matplotlib) |
Matplotlibを使ったデータの可視化、分析結果の見せ方を理解できる
|
6週 |
具体例を用いた取り組み(1) |
2回から5回までの内容を基に具体例に適用するための目的を説明できる
|
7週 |
具体例を用いた取り組み(2) |
2回から6回までの内容を基に具体例に適用するための方法を説明できる
|
8週 |
具体例を用いた取り組み(3) |
2回から7回までの内容を基に具体例に適用するための方法を説明できる
|
4thQ |
9週 |
Pythonによる機械学習(教師あり) |
機械学習の概略、重回帰、ロジスティック回帰、ラッソ回帰、リッジ回帰等の概略を理解できる
|
10週 |
Pythonによる機械学習(教師なし) |
教師なし学習、クラスタリング、主成分分析の概略を理解できる
|
11週 |
Pythonによるモデルの検証方法と チューニング方法 |
モデルの評価と精度を上げる方法、パフォーマンスチューニング、アンサンブル学習の概略を理解できる
|
12週 |
具体例を用いた取り組み(4) |
2回から11回までの内容を基に具体例に適用した結果を説明できる
|
13週 |
具体例を用いた取り組み(5) |
2回から12回までの内容を基に具体例に適用した結果を説明できる
|
14週 |
具体例を用いた取り組み(6) |
2回から13回までの内容を基に具体例に適用した考察を説明できる
|
15週 |
具体例を用いた取り組み(7) |
2回から14回までの内容を基に具体例に適用したとりまとめを説明できる
|
16週 |
|
|
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
| レポート | 試験 | 合計 |
総合評価割合 | 40 | 60 | 100 |
評価項目1 | 10 | 20 | 30 |
評価項目2 | 20 | 20 | 40 |
評価項目3 | 10 | 20 | 30 |