到達目標
(1)データ分析の進め方について説明することができる。
(2)データの可視化方法について説明することができる。
(3)データ分析で用いられる代表的機械学習アルゴリズムについて説明することができる。
(4)データの収集、加工、管理方法について理解することができる。
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 |
到達目標(1)の評価指標 | データ分析の進め方について説明することができ、その知識を応用することができる。 | データ分析の進め方について説明することができる。 | データ分析の進め方について説明することができない。 |
到達目標(2)の評価指標 | データの可視化方法について説明することができ、その知識を応用できる。 | データの可視化方法について説明することができる。 | データの可視化方法について説明することができない。 |
到達目標(3)の評価指標 | データ分析で用いられる代表的機械学習アルゴリズムについて説明することができ、その知識を応用できる。 | データ分析で用いられる代表的機械学習アルゴリズムについて説明することができる。 | データ分析で用いられる代表的機械学習アルゴリズムについて説明することができない。 |
到達目標(4)の評価指標 | データの収集、加工、管理方法について理解することができ、その知識を応用することができる。 | データの収集、加工、管理方法について理解することができる。 | データの収集、加工、管理方法について理解することができない。 |
学科の到達目標項目との関係
教育方法等
概要:
この授業では座学を通して、データサイエンティストにとって必要不可欠なスキルを学ぶ。具体的には、データ分析の進め方、基礎的な数学、機械学習アルゴリズム、データ分析手法について理解を深める。
授業の進め方・方法:
この講義では、座学を通してデータサイエンティストにとって必要不可欠な知識、スキルを学ぶ。
注意点:
(履修上の注意)
予習復習だけでなく、新聞、テレビ、インターネット等から得られる情報にも興味を持ち日頃から接しておくことが大切である。
なお,講義の途中でわからなくなったらすぐに質問すること。
(自学上の注意)
各回で実施する振り返りに基づいて,理解が不十分であったところを重点的に復習すること.
評価
(総合評価)
総合評価 = (定期試験の平均点) × 0.8 + 課題等 × 0.2
(単位修得の条件)
総合評価60%以上を単位修得の条件とする.
(再試験について)
再試験は原則実施しない.
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 |
前期 |
1stQ |
1週 |
データ駆動型社会とデータ分析の進め方 |
データサイエンスの社会における位置づけとその重要性について理解する。
|
2週 |
データの表現 |
データの表現方法について理解する。
|
3週 |
データの可視化 |
データの可視化方法について理解する。
|
4週 |
数学基礎:平均・分散・相関 |
データサイエンスに必要な数学基礎(平均・分散・相関)について理解する。
|
5週 |
数学基礎:確率 |
データサイエンスに必要な数学基礎(確率)について理解する。
|
6週 |
数学基礎:統計 |
データサイエンスに必要な数学基礎(統計)について理解する。
|
7週 |
データ間の距離 |
データ間の距離について理解する。
|
8週 |
データ分析の手法(回帰分析) |
データ分析で用いられるアルゴリズム(回帰分析)について理解する。
|
2ndQ |
9週 |
後期中間試験 |
到達目標(1), (2)
|
10週 |
データ分析の手法(クラスタリング) |
データ分析で用いられるアルゴリズム(クラスタリング)について理解する。
|
11週 |
データ分析の手法(主成分分析) |
データ分析で用いられるアルゴリズム(主成分分析)について理解する。
|
12週 |
非構造化データ解析 |
非構造化データの解析方法について理解する。
|
13週 |
分類とパターン認識 |
分類とパターン認識について理解する。
|
14週 |
データ収集と加工 |
データ収集方法と加工方法について理解する。
|
15週 |
後期期末試験 |
到達目標(2), (3)
|
16週 |
後期期末試験の解答と解説 |
|
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・レポート | 合計 |
総合評価割合 | 80 | 20 | 100 |
基礎的能力 | 40 | 0 | 40 |
専門的能力 | 40 | 20 | 60 |