応用情報処理

科目基礎情報

学校 久留米工業高等専門学校 開講年度 令和07年度 (2025年度)
授業科目 応用情報処理
科目番号 6S13 科目区分 専門 / 選択
授業形態 講義 単位の種別と単位数 学修単位: 2
開設学科 機械・電気システム工学専攻(制御情報工学コース) 対象学年 専1
開設期 後期 週時間数 2
教科書/教材 吉田著,Pythonで学ぶはじめてのデータサイエンス,技術評論社
担当教員 松島 宏典

到達目標

1.Pythonの基本操作について理解できる。
2.データ収集・前処理の基本について理解できる。
3.アルゴリズム・回帰・分類の基本について理解できる。
4.クラスタリング・レコメンド・時系列解析・画像分析の基本について理解できる。

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
評価項目1Pythonの基本操作について理解し,実践できる。Pythonの基本操作について理解できる。Pythonの基本操作について理解できない。
評価項目2データ収集・前処理の基本について理解し,実践できる。データ収集・前処理の基本について理解できる。データ収集・前処理の基本について理解できない。
評価項目3アルゴリズム・回帰・分類の基本について理解し,実践できる。アルゴリズム・回帰・分類の基本について理解できる。アルゴリズム・回帰・分類の基本について理解できない。
評価項目4クラスタリング・レコメンド・時系列解析・画像分析の基本について理解し,実践できる。クラスタリング・レコメンド・時系列解析・画像分析の基本について理解できる。クラスタリング・レコメンド・時系列解析・画像分析の基本について理解できない。

学科の到達目標項目との関係

JABEE B-1 説明 閉じる

教育方法等

概要:
データサイエンスの技術のうち,データ収集・前処理,アルゴリズム・回帰・分類,クラスタリング・レコメンド・時系列解析・画像分析等について,Pythonによる実践的能力について学習する。
実務経験のある教員による授業科目:この科目は企業で画像認識の研究を行っていた教員の経験を活かし,統計的仮説検定などについて講義・演習形式で授業を行うものである。
授業の進め方・方法:
授業のうち,前半は講義を中心におこない,後半は演習を交えながら進めていく。プログラミングは,L3教室または遠隔にて行う。本科目は学修単位科目であるので、授業時間以外での学修が必要であり、これを課題として課す。
注意点:
(1)点数配分:期末試験100%する。
(2)評価基準:60点以上を合格とする。  
(3)再試:60点以上を合格(60点)とする。
(4)準備学習:事前に予習を済ませておくこと。

授業の属性・履修上の区分

アクティブラーニング
ICT 利用
遠隔授業対応
実務経験のある教員による授業

授業計画

授業内容 週ごとの到達目標
後期
3rdQ
1週 ガイダンス Pythonの実行環境について理解できる。
2週 データサイエンス,データサイエンティスト,分析手法 データサイエンス,データサイエンティスト,分析手法の概要について理解する。
3週 データ構造,Pythonの実行 データの構造,条件分岐,繰り返し,関数について理解し,課題を実践することができる。
4週 公開データ収集,アンケート調査,Webスクレイピング 公開データ収集,アンケート調査,Webスクレイピングについて理解し,課題を実践することができる。
5週 データ蓄積,データ加工,データクレンジング データ蓄積,データ加工,データクレンジングについて理解し,演習を実践することができる。
6週 数え上げ,集合と場合の数,確率,基本統計量 数え上げ,集合と場合の数,確率,基本統計量について理解し,演習を実践することができる。
7週 確率分布,推測統計 確率分布,推測統計について理解し,演習を実践することができる。
8週 A/Bテスト,平均値差の検定,独立性の検定 A/Bテスト,平均値差の検定,独立性の検定について理解し,演習を実践することができる。
4thQ
9週 組み合わせ爆発,探索問題 組み合わせ爆発,探索問題について理解し,演習を実践することができる。
10週 回帰,回帰分析,重回帰分析 回帰,回帰分析,重回帰分析について理解し,演習を実践することができる。
11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 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について理解し,演習を実践することができる。
12週 連関分析,協調フィルタリング 連関分析,協調フィルタリングについて理解し,演習を実践することができる。
13週 時系列データ,文章データ分析 時系列データ,文章データ分析について理解し,演習を実践することができる。
14週 画像分析,ニューラルネットワーク,畳み込みニューラルネットワーク 画像分析,ニューラルネットワーク,畳み込みニューラルネットワークについて理解し,演習を実践することができる。
15週 総復習 今までの学習事項について復習し,理解を含めることができる。
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
専門的能力分野別の専門工学機械系分野情報処理プログラムを実行するための手順を理解し、操作できる。3後2,後3,後8
定数と変数を説明できる。3後2,後3,後8,後15
整数型、実数型、文字型などのデータ型を説明できる。3後2,後3,後8,後15
演算子の種類と優先順位を理解し、適用できる。3後2,後3,後8,後15
算術演算および比較演算のプログラムを作成できる。3後2,後3,後8,後15
データを入力し、結果を出力するプログラムを作成できる。3後4,後5,後6,後7,後8,後9,後10,後11,後12,後13,後14,後15
条件判断プログラムを作成できる。3後4,後5,後6,後7,後8,後9,後10,後11,後15
繰り返し処理プログラムを作成できる。3後4,後5,後6,後7,後8,後9,後10,後11,後15
一次元配列を使ったプログラムを作成できる。3後6,後7,後8,後9,後10,後11,後15

評価割合

試験発表相互評価態度ポートフォリオ課題合計
総合評価割合10000000100
基礎的能力500000050
専門的能力500000050
分野横断的能力0000000