データサイエンス（応用）

科目情報

N2860200

,P2860500

,Q2860400

,R2860300

,V2860100

データサイエンス（応用） / Data Science

助教	原田　拓弥
准教授	持永　大
講師	中井　豊

授業の概要

本授業では、数理・データサイエンス・AI教育におけるデータサイエンスの基礎及びデータエンジニアリングの基礎を修得する。また、これらの基礎を実施する手法を習得する。

本授業の履修を希望する場合、以下の２つに取り組んでください。
・ガイダンス動画を閲覧する
・ガイダンス動画に基づく事前テストに受験する

2025年度前期の締め切りは決定次第連絡します。ガイダンス動画と事前テストのURLは学生課からメールで連絡します。

授業の目的

データサイエンスおよびデータエンジニアリングの基本的な概念と手法、応用例を学ぶことで、データから意味を抽出し、現場にフィードバックするためのプロセスを経験する。さらに、実際にデータの分析や可視化を行うことで、日進月歩するデータサイエンスおよびデータエンジニアリングを自ら学ぶ姿勢を身につける。

達成目標と学修・教育到達目標との対応

	達成目標	電子情報システム学科	機械制御システム学科	環境システム学科	生命科学科	数理科学科
1.	データサイエンスの基本的な概念と手法を説明できる。	G-2	G-2	G-2	G-2	G-2
2.	データエンジニアリングの基本的な概念と手法を説明できる。	G-2	G-2	G-2	G-2	G-2
3.	日進月歩するデータサイエンスおよびデータエンジニアリングを自ら学ぶ姿勢を身につける。	G-2	G-2	G-2	G-2	G-2

達成目標との対応・割合

	テスト	毎回の課題	合計
1.	25%	10%	35%
2.	25%	10%	35%
3.	0%	30%	30%
合計	50%	50%	-

授業で使用する言語

日本語

授業計画

	授業計画	授業時間外課題（予習および復習を含む）	必要学習時間
1.	イントロダクション・データ駆動型社会とデータサイエンス・ビッグデータとデータエンジニアリング	配布資料の指示に従い自ら調べること	100分
1.	イントロダクション・データ駆動型社会とデータサイエンス・ビッグデータとデータエンジニアリング	PythonとPandasの基礎を学習すること	100分
2.	データエンジニアリング：Pythonの基礎・PythonとPandas	配布資料の指示に従い自ら調べること	100分
2.	データエンジニアリング：Pythonの基礎・PythonとPandas	PythonとPandasの基礎を学習すること	100分
3.	データエンジニアリング：Pythonの演習・PythonとPandas	配布資料の指示に従い自ら調べること	100分
3.	データエンジニアリング：Pythonの演習・PythonとPandas	PythonとPandasの基礎を学習すること	100分
4.	これまでの振り返り	これまでの内容を復習し、理解が浅い箇所は自ら調べる身につけること	200分
5.	データエンジニアリング：データハンドリング・データの前処理・データ型・欠損値、異常値・標準化	配布資料の指示に従い自ら調べること	100分
5.	データエンジニアリング：データハンドリング・データの前処理・データ型・欠損値、異常値・標準化	データの前処理方法の予習と復習をする	100分
6.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（1）・重回帰分析	配布資料の指示に従い自ら調べること	100分
6.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（1）・重回帰分析	教師あり・教師なし学習の方法の予習と復習をする	100分
7.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（2）・主成分分析	配布資料の指示に従い自ら調べること	100分
7.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（2）・主成分分析	教師あり・教師なし学習の予習と復習をする	100分
8.	自然言語処理の特徴と解説、分析と可視化・スクレイピング・テキストマイニング・出現頻度・共起ネットワーク・ベクトル化	配布資料の指示に従い自ら調べること	100分
8.		自然言語処理の予習と復習をする	100分
9.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（3）・ロジスティック回帰	配布資料の指示に従い自ら調べること	100分
9.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（3）・ロジスティック回帰	教師あり・教師なし学習の方法の予習と復習をする	100分
10.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（4）・過学習・汎化性能	配布資料の指示に従い自ら調べること	100分
10.	教師あり学習・教師なし学習の特徴と解説、分析と可視化（4）・過学習・汎化性能	教師あり・教師なし学習の方法の予習と復習をする	100分
11.	深層学習の特徴と解説、分析と可視化（1）・ニューラルネットワークの仕組み・ニューラルネットワークを用いたベクトルデータの2クラス分類	配布資料の指示に従い自ら調べること	100分
11.		深層学習について予習と復習をする	100分
12.	深層学習の特徴と解説、分析と可視化（2）・深層学習の仕組み・深層学習の利活用・深層学習を用いた画像の他クラス分類	配布資料の指示に従い自ら調べること	100分
12.	深層学習の特徴と解説、分析と可視化（2）・深層学習の仕組み・深層学習の利活用・深層学習を用いた画像の他クラス分類	深層学習について予習と復習をする	100分
13.	深層学習の特徴と解説、分析と可視化（3）・大規模言語モデルの利活用・大規模言語モデルを用いたアプリケーション開発・プロンプト・Retrieval-Augmented Generation	配布資料の指示に従い自ら調べること	100分
13.		深層学習について予習と復習をする	100分
14.	深層学習の特徴と解説、分析と可視化（4）・大規模言語モデルを用いたアプリケーションの評価	配布資料の指示に従い自ら調べること	100分
14.	深層学習の特徴と解説、分析と可視化（4）・大規模言語モデルを用いたアプリケーションの評価	深層学習について予習と復習をする	100分
合計	-	-	2800分

評価方法と基準

毎回出題するテストと課題によって評価する。各回の要点を説明でき、かつデータの分析、可視化を最低限体験できたことを60点の目安とする。

試験・課題等のフィードバック

フィードバック方法	「その他」の具体的内容
授業内と授業外でフィードバックを行います。

教科書・参考書

なし

履修登録前の準備

なし。ただし、授業ではPythonを用いるので、インターネットや書籍を用いて積極的に予習をしておくことを期待する。

オフィスアワー、質問・相談の方法

授業後に講義室か研究室、もしくはメールやグループウェアで連絡してください。

地域志向

地域志向ではない科目

社会的・職業的自立力の育成

知識活用力を育成する科目
対課題基礎力を育成する科目

アクティブ・ラーニング科目

能動的な学修への参加による授業が大部分

実務経験のある教員による授業科目

実務経験	具体的内容
該当する	民間企業に勤める特別講師による特別講義あり。データサイエンスが企業でどのように用いられているかを知ることができる。

SDGs（持続可能な開発目標）関連項目