Syllabus data
|
Teacher name ： 古隅 弘樹
|
Course Title
Introduction to Data Science
Course Title in English
Introduction to Data Science
Course Type
-
コース基盤科目
Eligible Students
Graduate School of Information Science
Target Grade
1Year
Course Numbering Code
KIIMD5MCA1
Credits
2.00Credits
The course numbering code represents the faculty managing the subject, the department of the target students, and the education category (liberal arts / specialized course). For detailed information, please download the separate manual from the upper right 'question mark'.
Type of Class
講義 (Lecture)
Eligible Year/Semester
Spring semester 2026
Instructor
古隅 弘樹,東川 雄哉,玉置 卓,土方 嘉徳,湯本 高行
Affiliation
情報科学研究科
Language of Instruction
Japanese
Related SDGs
9
Office Hours and Location
講義後に教室，もしくは予約をしたうえで各教員研究室にて．
Contact
古隅弘樹（furuzumi@gsis.u-hyogo.ac.jp）
東川雄哉（higashikawa@gsis.u-hyogo.ac.jp） 湯本高行（yumoto@gsis.u-hyogo.ac.jp） 土方嘉徳（hijikata@gsis.u-hyogo.ac.jp） 玉置 卓（tamak@gsis.u-hyogo.ac.jp） Corresponding Diploma Policy
A double circle indicates the most relevant DP number and a circle indicates the associated DP.
Corresponding Undergraduate School DP
ー
Corresponding Graduate School DP
1◎／2〇
Corresponding University-Wide DP
N/a
Academic Goals of Teacher Training Course
ー
Course Objectives and Learning Outcome
【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，得られた知識を自身の研究や実社会の課題解決に応用できる． Subtitle and Keywords of the Class
【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，SNS，行動心理
Course Overview and Schedule
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 2. 公的統計の利活用 3. データ分析・活用事例の紹介
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 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 6. 将来予測のための数理モデル：回帰モデル，分類モデル
推薦システムに用いられるアルゴリズムやその評価方法について解説する． 7. バスケット分析 8. 協調フィルタリング 9. 推薦システムの評価
Webやソーシャルメディアのデータが人工知能開発に利用される また、まち・ 10. まち・建築におけるデータ活用 11. Web・SNSと人工知能研究の発展 12. 集合知
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． 13. 大規模データに対するアルゴリズム (1) 14. 大規模データに対するアルゴリズム (2) 15. 大規模データに対するアルゴリズム (3) In-person/Remote Classification
Hybrid (In-person)
Implementation Method and Remote Credit Limit Application
本講義はメディア併用となっている。
担当教員は神戸商科キャンパスに所属するため，神戸商科キャンパスから神戸情報キャンパスへ配信する講義形態となる．そのため，発信側（神戸商科キャンパス）の受講者は対面授業，受信側（神戸情報キャンパス）の受講者は遠隔授業となる．なお，配信映像は両キャンパスの教室に設置の大型モニター（もしくはスクリーン）に映し出され，遠隔であっても講義中の質疑応答は可能である． Uses of Generative AI
Limited permission for use
Precautions for using Generative AI
生成AIの利用にあたっては『本学の教育における生成AIの取扱いについて(学生向け)』の記載内容について留意すること。
また、生成AIの利用については担当教員の指示にも従うこと。 教員が認める範囲を超えて生成AIを利用したことが判明した場合は、単位を認定しない又は認定を取り消すことがある。 生成AIの出力した内容について、事実関係の確認や出典・参考文献を確認・追記することが重要である。 また、生成AIによる出力結果をそのまま課題・レポート・論文として提出してはならない。 Textbook
担当教員から必要に応じて適宜指示する
References
櫻本健, 他（2023）『日本の公的統計・統計調査：第三版』立教大学 社会情報教育研究センター．Dietmar Jannach, 他 (2012)『情報推薦システム入門 理論と実践』共立出版．土方嘉徳（2020）『ソーシャルメディア論: 行動データが解き明かす人間社会と心理』サイエンス社． Dzejla Medjedovic, 他（2024）『大規模データセットのためのアルゴリズムとデータ構造』マイナビ出版. Contents and Estimated Time for Pre- and Post- Learning (Preparation and Review)
講義内容の予習および復習（30時間）
レポート作成（30時間） Contents of Active Learning
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． Grading Criteria and Methods
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： 担当者ごとに課すレポート等（配点各20%）で評価する． How to Disclose Assignments and Exam Results
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．
Precautions and Requirements for Course Registration
Practical Education
該当しない
Remarks
In cases where any differences arise between the English version and the original Japanese version, the Japanese version shall prevail as the official authoritative version.
|
