Information　ScienceⅡA

Course Title

Course Title in English

Information　ScienceⅡA

Course Type

Basic specialized courses (Specialization-related courses)／Teacher training courses

−

Eligible Students

School of Science

Target Grade

2Year

Course Numbering Code

HSSBA2MCA1

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

Fall semester 2026

Instructor

草部　浩一,尾嶋　拓

Affiliation

理学部

Language of Instruction

Japanese

Related SDGs

9

Office Hours and Location

曜限：火曜、水曜の１限場所：播磨理学キャンパス研究棟708室(草部)
曜限：金曜の２限場所：播磨理学キャンパス研究棟709室(尾嶋)
その他の日程でも調整するので、必要な場合にはkusakabe@sci.u-hyogo.ac.jpまで事前に連絡すること。

Contact

草部へは、kusakabe@sci.u-hyogo.ac.jpへメールを送ること。
尾嶋へは、oshima@sci.u-hyogo.ac.jpへメールを送ること。
ユニパの授業Q&Aでも連絡を受け付ける。

Corresponding Diploma Policy

A double circle indicates the most relevant DP number and a circle indicates the associated DP.

Corresponding Undergraduate School DP

1◎／5◎／7◎

Corresponding Graduate School DP

ー

Corresponding University-Wide DP

1-1◎／4-2◎

Academic Goals of Teacher Training Course

Ability to teach and lean on

Course Objectives and Learning Outcome

講義⽬的：科学技術データを統計分析し、正しく理解するための力を養うことを目的に、計算機プログラミング⾔語の文法基礎を学ぶ。また、機械学習を用いることで、分子シミュレーションデータから分子構造の特徴量を抽出し、構造分類できるようになる。
到達⽬標：学部および⼤学院で⾏う実験・研究で得られるデータを解析するための初歩的なプログラムが作成できるようになる。

Subtitle and Keywords of the Class

キーワード：プログラミング、Python、機械学習、マテリアルズインフォマティクス

Course Overview and Schedule

Linux上での汎⽤の⽀援プログラムの改良法や、Pythonを⽤いて新たにプログラムを作成するために必要な基本⽂法等を学ぶ。また、物質科学データベースの利⽤⽅法を紹介し、簡単な機械学習ソフトウェアの使い⽅を学ぶ。

(1) プログラミングの基礎知識，変数とデータ型
(2) コレクション（リスト，ディクショナリ，タプル，セット）
(3) 条件分岐と繰り返し
(4) 関数
(5) オブジェクト
(6) モジュール
(7) 外部ライブラリの利用 NumPy
(8) 外部ライブラリの利用 Pandas
(9) 外部ライブラリの利用 Matplotlib
(10) scikit-learnの利用
(11) 機械学習の基礎（教師あり学習）
(12) ニューラルネットワーク（PyTorchの利用）
(13) 画像分類
(14) 機械学習の基礎（教師なし学習）
(15) 機械学習を用いた分子シミュレーションデータの解析
期末試験

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。
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。
生成系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、生成系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。
利用可の範囲: 講義資料の要約、課題・レポート文案作成、ﾌﾟﾛｸﾞﾗﾐﾝｸﾞの補正、数式の計算等の補助的利用

Textbook

教科書：確かな⼒が⾝につくPython「超」⼊⾨（鎌⽥正浩著，SBクリエイティブ）

References

参考書：Pythonチュートリアル (Guide von Russum, 鴨澤眞夫訳オライリー・ジャパン)
Pythonで動かして学ぶ！あたらしい機械学習の教科書（伊藤誠、翔泳社）

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

【予習】授業に際して指示するテキストを事前読み込み（15ｈ）
【復習】課題、レポート作成（30ｈ）、講義内容の理解を深め定着させるためにテキスト、教材を読み直し（15ｈ）

Contents of Active Learning

実習においては簡単なPythonスクリプトを受講者自らで動作させて、改変しながら応用課題を解く。授業内に参加する受講者間でプログラムの動作状況を共有して議論し、お互いのプログラムの適否をディスカッションする。

Grading Criteria and Methods

【成績評価の基準】プログラミングに関する課題を解いて行う実習とそのレポート、及び期末試験の結果から、知識・技能、思考力、判断力、表現力を考慮し、講義目的・到達目標に記載した能力の到達度に応じて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】定期試験50%、演習課題への取り組みと毎回のレポート50%を基準として総合的に評価を行う。

How to Disclose Assignments and Exam Results

提出されたレポートについて、担当教員が評価し、コメントを併せて記載する。

Precautions and Requirements for Course Registration

データサイエンス入門および情報科学Ⅰを履修しておくことが特に望ましい。
BYOD（各受講者本人のラップトップPC、OSはWindows 10以上、Mac OS、Linuxのいずれかを持参すること）により実習を進めるため、
pythonが動作しているノートパソコンを持参することが推奨される。python, jupyter notebookのインストール作業は必要に応じて補助する。

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