Exercises in Data Science

Course Title

Course Title in English

Exercises in Data Science

Course Type

-

コース基盤科目

Eligible Students

Graduate School of Information Science

Target Grade

1Year

Course Numbering Code

KIIMD5MCA3

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

演習 (Seminar)

Eligible Year/Semester

Fall semester 2026

Instructor

円谷友英,郷　康広,照山順一,柳瀬友朗

Affiliation

情報科学研究科

Language of Instruction

Japanese

Related SDGs

9

Office Hours and Location

授業終了後・教員研究室または非常勤控室

Contact

円谷：entani@gsis.u-hyogo.ac.jp
郷：go@gsis.u-hyogo.ac.jp
柳瀬：yanase@gsis.u-hyogo.ac.jp
照山：junichi.teruyama@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
データ科学における機械学習の技術およびその基礎理論は、社会の実問題を解決することを目的としている。この観点のもと、本演習では、社会の実際のデータを用いて、データ科学における基礎的なデータ分析技術である、(1)回帰分析、(2)分類（クラシフィケーション）、(3)クラスタリング分析という3つについて学び、それらを実際に利用するためのスキルを身に付けることを到達目標とする。
(1)クラスタリング分析…データ集合から類似するグループを発見する技術であるクラスタリング分析の技術を学ぶ。クラスタリング結果の評価方法についても学ぶ。
(2)分類（クラシフィケーション）…データをあらかじめ決められたカテゴリに分類する技術（クラシフィケーション）を学ぶ。分類結果の評価方法についても学ぶ。
(3)回帰分析…社会の実際のデータを読み込み、それをベクトルとして表現し、そこから数値データを予測する回帰分析の技術を学ぶ。

到達目標
１）機械学習の具体的な解法を理解し、簡単な例題を分析できるようになること
２）実験レポートをまとめられるようになること

Subtitle and Keywords of the Class

Course Overview and Schedule

代表的な機械学習の手法について理論の解説とそれを用いた演習を行なう。演習では、Wekaまたはpythonを使用する。ただしツール自体の習熟よりも概念の修得をめざし、環境に柔軟に適応した能力が備わる方向で指導する。総合演習では㈱ザイマックス様の協力を得て、実データ（オフィス家賃など）を用い、各自がオリジナル課題に取り組む。
1　ガイダンス、PC環境の確認と操作練習
2　非階層型クラスタリング（k-means）の解説
3　非階層型クラスタリング（k-means）の演習
4　階層型クラスタリングの解説
5　階層型クラスタリングの演習、総合演習（到達度の確認）
6　単・重回帰分析の解説
7　単・重回帰分析の演習（協力：㈱ザイマックス）
8　リッジ・ラッソ回帰，エラスティックネット（過学習）の解説
9　リッジ・ラッソ回帰の演習
10　回帰分析の総合演習（協力：㈱ザイマックス）
11　決定木の解説
12　決定木の演習
13　サポートベクトルマシンの解説
14　サポートベクトルマシンの演習
15　分類の総合演習

In-person/Remote Classification

In-person

Implementation Method and Remote Credit Limit Application

・対面授業のみ
・遠隔授業単位上限の適用を受けない

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。
生成AIの利用については担当教員の指示に従うこと。
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

グーグルクラスルーム、または、ユニバーサルパスポートで資料を配布します

References

フリーソフトではじめる機械学習入門(第2版):Python/Wekaで実践する理論とアルゴリズム、荒木雅弘著（森北出版）

Contents and Estimated Time for Pre- and Post- Learning (Preparation and Review)

事前学習
講義や自身の分析で使用するツールのBYODの環境整備を行う。講義内容を把握するとともに、理解できない所を明確にしておく。1回の目安は1時間程度。
事後学習
演習時間内に終わらなかった課題がある場合は、引き続きそれを⾏う。また、総合演習に向けたデータ収集や分析を行い、レポートを作成する。1回の目安は3時間程度。

Contents of Active Learning

講義中の演習は個人で行うが、分からないところは、教員に質問したり、学生同士で教えあったりすることを推奨して、コミュニケーション能力を養う。

Grading Criteria and Methods

成績評価の基準：
機械学習の⽅法を理解し、基礎的なデータ分析ができる者に単位を授与する。講義目的・到達目標に記載する能⼒（知識・技能、思考⼒、判断⼒、表現⼒等）の到達度に基づき、S（90点以上）、Ａ（80 点以上）、B（70 点以上）、C（60 点以上）による成績評価のうえ、単位を付与する。
成績評価の⽅法：
3回の総合演習の成果物とそのレポートの内容（100％）で評価する。
レポートの評価は、初回授業で提示するルーブリックに従って行う。

How to Disclose Assignments and Exam Results

3回の総合演習のレポートについては、ニバーサルパスポートの課題を用いて、個別にフィードバックする。また、締め切り後の講義で複数の教員が講評する。

Precautions and Requirements for Course Registration

・各自のノートパソコンを用いて受講すること。事前にWekaをインストールしておくこと。難しい場合は、相談してください。
Wekaはhttps://www.cs.waikato.ac.nz/ml/weka/からダウンロードできる。
・目的に応じて使えるひとつの手段として既存ツールのWekaを使用する。興味やプログラミング経験のレベルに応じてpythonを紹介する。
・授業中に指示した宿題や事前・事後学習はもとより、「講義内容・授業計画」に記載したテキスト等の該当箇所などについて、十分な予習・復習をして講義に出席すること

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.

Syllabus data