到達目標
データ解析および機械学習における各手法を理解し，プログラムとして実現できる。
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 |
| データ解析支援環境 | データ解析支援環境を利用してビッグデータを解析することができる。 | データ解析支援環境を利用して演習課題を解くことができる。 | データ解析支援環境を利用して演習課題を解くことができない。 |
| 多変量解析 | 基本的な多変量解析アルゴリズムについて理論を説明できる。 | 基本的な多変量解析アルゴリズムの概要について説明できる。 | 基本的な多変量解析アルゴリズムの概要について説明できない。 |
| 機械学習 | 基本的な機械学習アルゴリズムについて理論を説明できる。 | 基本的な機械学習アルゴリズムの概要について説明できる。 | 基本的な機械学習アルゴリズムの概要について説明できない。 |
学科の到達目標項目との関係
学習・教育到達度目標 A4 現実の問題や未知の問題に対して，問題の本質を数理的に捉え，コンピュータシステムを応用した問題解決方法を多角的視野から検討することができる．
JABEE d 当該分野において必要とされる専門的知識とそれらを応用する能力
本校教育目標 ① ものづくり能力
教育方法等
概要:
ヒトが行っている知識処理を工学的に実現することは，情報処理工学の目的の一つであり，コンピュータシステムの構築において，構成要素およびインターフェースを実現する上で重要な役割を果たしていると言えるが，極めて困難な問題でもある。本講義では，知識処理を実現するための各種アルゴリズムについて学び，会話型データ解析支援環境Ｒを用いて，実際にプログラムとして実現する演習を行う。
授業の進め方・方法:
座学およびノートパソコンを用いた演習を行う。
注意点:
第3週から第14週にかけては、事前に教科書をよく読んで授業内容の予習を行うと共に、演習によりその理解を深め、課題レポートとして提出すること。「情報科学」教育プログラムの必修科目である。
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 後期 |
| 3rdQ |
| 1週 |
シラバス説明
データマイニングと機械学習 |
データマイニングの概念について説明できる。
|
| 2週 |
Ｒの基礎（インストール作業を含む） |
各自のパソコンにＲをインストールし、その基本操作ができる。
|
| 3週 |
基本統計量によるデータの要約および可視化 |
最も基本的な統計解析を行うことができる。
|
| 4週 |
回帰分析 |
回帰分析の概念について説明できる。
|
| 5週 |
主成分分析・多次元尺度法 |
主成分分析の概念について説明できる。
|
| 6週 |
判別分析（線形判別・非線形判別） |
線形判別および非線形判別の概念について説明できる。
|
| 7週 |
クラスタリング（階層的クラスタリング・非階層的クラスタリング） |
階層的および非階層的クラスタリングの概念について説明できる。
|
| 8週 |
ニューラルネットワーク（判別分析・回帰分析） |
ニューラルネットワークの概念について説明できる。
|
| 4thQ |
| 9週 |
サポートベクターマシン（判別分析・回帰分析） |
サポートベクターマシンの概念について説明できる。
|
| 10週 |
ナイーブベイズ分類 |
ベイズ推定の概念について説明できる。
|
| 11週 |
自己組織化マップによる可視化 |
自己組織化マップの概念について説明できる。
|
| 12週 |
決定木とランダムフォレスト（判別分析・回帰分析） |
樹木モデルの概念について説明できる。
|
| 13週 |
深層学習 |
深層学習の概念について説明できる。
|
| 14週 |
相関ルール解析（アプリオリ・アルゴリズム） |
アプリオリ・アルゴリズムの概念について説明できる。
|
| 15週 |
総まとめ |
|
| 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
| 定期試験 | 課題 | 合計 |
| 総合評価割合 | 40 | 60 | 100 |
| 専門的能力 | 40 | 60 | 100 |