シラバス情報
|
教員名 ： 古隅 弘樹
|
授業科目名
データ科学概論 _ﾒﾃﾞｨｱ併用
(英語名)
データ科学概論 _ﾒﾃﾞｨｱ併用
科目区分
ー
コース基盤科目
対象学生
情報科学研究科
学年
1年
ﾅﾝﾊﾞﾘﾝｸﾞｺｰﾄﾞ
KIIMD5MCA1
単位数
2.00単位
ナンバリングコードは授業科目を管理する部局、学科、教養専門の別を表します。詳細は右上の？から別途マニュアルをダウンロードしてご確認ください。
授業の形態
講義 (Lecture)
開講時期
2024年度前期
担当教員
古隅 弘樹、東川 雄哉、玉置 卓、湯本 高行
所属
情報科学研究科，社会情報科学部
授業での使用言語
日本語
関連するＳＤＧｓ目標
目標9
ｵﾌｨｽｱﾜｰ・場所
開講科目一覧（履修の手引き）参照
連絡先
開講科目一覧（履修の手引き）参照
対応するディプロマ・ポリシー(DP)・教職課程の学修目標
二重丸は最も関連するDP番号を、丸は関連するDPを示します。
学部DP
ー
研究科DP
1◎／2〇
全学DP
ー
教職課程の学修目標
ー
講義目的・到達目標
【講義目的】
ビッグデータ時代において，新しいビジネスモデルや価値を創出するDX（デジタルトランスフォーメーション）に関連する分析技術や理論を中心に取り上げる．また，適用事例の紹介を通じて，データサイエンスの役割や可能性について理解を深める． 【到達目標】 データ分析を行うための基礎的素養や分析手法などを具体例を通じて理解を深め，データサイエンティストに求められる知識の獲得と能力の養成を図る． 授業のサブタイトル・キーワード
【キーワード】データサイエンス，ビッグデータ，アルゴリズム，数理モデリング，公的統計，推薦システム
講義内容・授業計画
オムニバス方式/全15回
※担当教員の都合により講義の順序が前後することがある．
公的統計を題材として，調査の仕組みや調査データの利活用，分析事例などについて取り上げる． 1．公的統計概説（古隅） 2．公的統計の利活用（古隅） 3．データ分析・活用事例の紹介（古隅）
付与のデータに対して，適切にモデリングした上で"良い"意思決定を行う方法，または方法論について講義する． 4. 数理モデリングの考え方（東川） 5. 計画策定のための数理モデル：線形計画モデル，整数計画モデル（東川） 6. 将来予測のための数理モデル：回帰モデル，分類モデル（東川）
データを扱う代表的な手法の一つであるアルゴリズムのデータ科学における役割や適用事例を学修する． 7. 大規模データに対するアルゴリズム (1) （玉置） 8. 大規模データに対するアルゴリズム (2) （玉置） 9. 大規模データに対するアルゴリズム (3) （玉置）
推薦システムに用いられる技術（協調フィルタリングなど）について解説するとともに，偽レビューなど推薦システムへの攻撃に対抗する手法の研究事例についても紹介する． 10. 推薦システムのアルゴリズムとその評価方法（湯本） 11. 推薦システムに対する攻撃への対策（湯本） 12. 推薦システムの研究動向（湯本）
実務におけるDXやAI関連の話題を中心に情報技術の動向や応用事例について紹介する． 13. 実務におけるDXおよびAIの適用事例（1） 14. 実務におけるDXおよびAIの適用事例（2） 15. 実務におけるDXおよびAIの適用事例（3） 教科書
担当教員から適宜指示する
参考文献
担当教員から適宜指示する
事前・事後学習（予習・復習）の内容・時間の目安
講義内容の予習および復習（30時間）
レポート作成（30時間） アクティブ・ラーニングの内容
講義中は，学生からの質疑を積極的に行うことで，活発な議論を通じて講義内容の理解を高める．
また，コミュニケーションツールを用いることで，時間外における教員や学生間での意見交換や議論ができるようにする． 成績評価の基準・方法
成績評価の基準：
講義の内容を適切に理解し，各自の研究テーマへの応用や学術的な考察ができる者に単位を認定する．理解度や到達度に応じて成績（S〜C）を与える． 成績評価の方法： 担当者ごとに出題するレポート（配点各20%）で評価する．なお，未提出のレポートがあった場合は単位を与えない． 課題・試験結果の開示方法
レポート課題のフィードバックについては，講義での解説やコミュニケーションツールなどを通じて行う．
履修上の注意・履修要件
<<生成AIの利用について>> ・レポートの作成については、学生本人が作成する 実践的教育
該当しない
備考
英語版と日本語版との間に内容の相違が生じた場合は、日本語版を優先するものとします。
|
