Syllabus data

Teacher name ： 稲垣　賢一
Course Title
Introduction to Data Science
Course Title in English
Introduction to Data Science
Course Type
General Courses
−
Eligible Students
School of Economics and Management
Target Grade
All
Course Numbering Code
IA9991GCA7
Credits
1.00Credits
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・演習 (Lecture/Seminar)
Eligible Year/Semester
Spring semester 2026
(Spring semester)
Instructor
稲垣　賢一
Affiliation
非常勤講師
Language of Instruction
Japanese
Related SDGs
4
Office Hours and Location
授業終了後、教室にて
Contact

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
ー
Corresponding University-Wide DP
4-2◎／4-1〇
Academic Goals of Teacher Training Course
ー

Course Objectives and Learning Outcome
【講義目的】社会におけるデータサイエンスの重要性に対する理解を深め、データサイエンスの概念やその活用について基本的な技術を修得することである。
【到達目標】データサイエンス活用、データ分析、そして、情報の取り扱いを理解することである。
Subtitle and Keywords of the Class
キーワード：データサイエンス、データ
Course Overview and Schedule

第1回　ガイダンス／授業概要説明／大学メール（E-mail）の設定

第2回　学習のための学内 ICT サービス／基本的なファイル・フォルダ管理

第3回　現代社会におけるデータサイエンス

第4回　インターネットの基礎／ビッグデータ／人工知能（AI）

第5回　情報倫理

第6回　情報セキュリティ

第7回　中間試験

第8回　データ分析と可視化の基礎

第9回　Excel の基礎と統計の基本

第10回　Excel を用いたデータの可視化

第11回　ヒストグラム
※ Excel 演習課題

第12回　Python の基礎

第13回　Python による基本統計量の計算

第14回　Python によるデータの可視化
※ Python 演習課題

第15回　Python によるヒストグラム
※ 最終課題

In-person/Remote Classification
In-person
Implementation Method and Remote Credit Limit Application
①対面
・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。
この授業においては、以下の範囲において、生成ＡＩの利用を許可し、これ以外の範囲での利用は禁止する。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・レポートとして提出してはならない。
＜生成AIの利用を認める範囲＞
・プログラミング演習および Excel 演習課題におけるエラーの原因調査や対処方法の確認
Textbook
必要に応じて資料を配布する。
References
笹嶋宗彦編『Pythonによるビジネスデータサイエンス 1　データサイエンス入門』

北川 源四郎他編『データサイエンス入門シリーズ　教養としてのデータサイエンス 』

※追加がある場合は授業中に指示する。
Contents and Estimated Time for Pre- and Post- Learning (Preparation and Review)
予習復習について、時間などはおおむね以下の通りだが、詳細は担当教員から適宜説明する。
予習：前回までのすべての内容を理解しているか、再復習も兼ねる形で予習（15回分15時間）
復習：担当教員から配布される配布資料などの見直しによる復習、毎回の演習や小テストの復習（15回分30時間）、課題（3回分7.5時間）

Contents of Active Learning
採用しない。
Grading Criteria and Methods
【成績評価の基準】
データサイエンスの基礎概念（統計学、データ解析の考え方、倫理等）を正しく理解し、ExcelやPythonを用いたデータへの適切な処理・分析ができる者については、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】
小テスト30％（計5回）、中間テスト30％（第7回で実施）、課題40％（Excel課題15％・Python課題15％・最終課題10％）を基準として、受講態度（積極的な質問等）を含めて総合的に評価する。
How to Disclose Assignments and Exam Results
小テストはUNIPAの小テスト機能を利用し、点数はUNIPAで確認できる。課題のフィードバックはUNIPAのクラスプロファイル機能などを利用し、フィードバックを行う予定だが、詳細は担当教員から適宜説明する。
Precautions and Requirements for Course Registration

本授業は演習を伴う内容であるため、授業時間内に理解できなかった学生、または課題を時間内に完了できなかった学生は、担当教員に質問するなどして、必ず復習を行い、課題を提出すること。

また、受講態度が不良な学生（理由のない講義中の出入り、理由なき欠席が多い場合、私語を行う場合など）については、注意・警告を行うことがある。
警告を受けたにもかかわらず改善が見られない場合、以降の授業への出席を認めないことがあるので注意すること。

履修に関する詳細な注意事項については、オリエンテーションおよび第1週の授業で説明する内容を必ず確認した上で履修すること。

Practical Education
該当しない。
Remarks
オリエンテーション及び掲示板で発表されるクラス分けに従って履修すること。
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.