到達目標
「データサイエンス(データ分析)」は近年注目されている技術であり,統計や機械学習とプログラミングスキルを用いて社会の様々な課題を解決するデータサイエンティストの需要も高まっている.
本講義では,Pythonによるプログラミングを通して,データサイエンスの基礎的な技術を身に付ける.
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 |
データサイエンス,データサイエンティストとは | データサイエンス,データサイエンティストについて説明できる. | データサイエンス,データサイエンティストについて理解できる. | データサイエンス,データサイエンティストについて理解できない. |
基本的な統計量,確率 | 基本的な統計量,確率について理解し,活用できる. | 基本的な統計量,確率について理解できる. | 基本的な統計量,確率について理解できない. |
Pythonを用いたデータ分析 | Pythonを用いたデータ分析を理解し,活用できる. | Pythonを用いたデータ分析を理解できる. | Pythonを用いたデータ分析を理解できない. |
機械学習 | 機械学習について理解し,活用できる. | 機械学習について理解できる. | 機械学習について理解できない. |
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」は近年注目されている技術であり,統計や機械学習とプログラミングスキルを用いて社会の様々な課題を解決する「データサイエンティスト」の需要も高まっている.
本講義では,Pythonによるプログラミングを通して,データサイエンスの基礎的な技術を身に付ける.
授業の進め方・方法:
アクティブ・ラーニング形式で実施する.
注意点:
講義30時間に対し,自学自習60時間に相当する課題(レポートなど)を課し,成績評価に加味する.
実務経験のある教員による授業科目
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 |
ガイダンス,データサイエンス,および,データサイエンティストの概観 |
データサイエンス,および,データサイエンティストについて理解できる.
|
2週 |
データサイエンスのためのPythonの基礎 |
データサイエンスに取り組むためのPythonの環境を整え,演習課題を解くことができる.
|
3週 |
基礎的な統計量の算出と可視化 |
基礎的な統計量の算出と可視化について理解し,演習課題を解くことができる.
|
4週 |
基礎的な統計量の算出と可視化 |
基礎的な統計量の算出と可視化について理解し,演習課題を解くことができる.
|
5週 |
基礎的な統計量の算出と可視化 |
基礎的な統計量の算出と可視化について理解し,演習課題を解くことができる.
|
6週 |
単回帰分析 |
単回帰分析について理解し,演習課題を解くことができる.
|
7週 |
単回帰分析 |
単回帰分析について理解し,演習課題を解くことができる.
|
8週 |
単回帰分析 |
単回帰分析について理解し,演習課題を解くことができる.
|
4thQ |
9週 |
確率と統計 |
確率と統計について理解し,演習課題を解くことができる.
|
10週 |
確率と統計 |
確率と統計について理解し,演習課題を解くことができる.
|
11週 |
確率と統計 |
確率と統計について理解し,演習課題を解くことができる.
|
12週 |
機械学習の基礎(教師あり学習) |
教師あり学習について理解し,演習課題を解くことができる.
|
13週 |
機械学習の基礎(教師あり学習) |
教師あり学習について理解し,演習課題を解くことができる.
|
14週 |
機械学習の基礎(教師なし学習) |
教師なし学習について理解し,演習課題を解くことができる.
|
15週 |
機械学習の基礎(教師なし学習) |
教師なし学習について理解し,演習課題を解くことができる.
|
16週 |
期末試験・レポート |
|
評価割合
| 試験 | 小テスト | レポート | 成果物実技 | ポートフォリオ | その他 | 合計 |
総合評価割合 | 0 | 10 | 90 | 0 | 0 | 0 | 100 |
基礎的能力 | 0 | 10 | 30 | 0 | 0 | 0 | 40 |
専門的能力 | 0 | 0 | 30 | 0 | 0 | 0 | 30 |
分野横断的能力 | 0 | 0 | 30 | 0 | 0 | 0 | 30 |