Syllabus data

Teacher name ： 湯本 高行
Course Title
Data Mining
Course Title in English
Data Mining
Course Type
Major Courses
-
Eligible Students
School of Social Information Science
Target Grade
2Year
Course Numbering Code
KCJBS2MCA1
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
湯本 高行
Affiliation
社会情報科学部
Language of Instruction
Japanese
Related SDGs
N/a
Office Hours and Location
講義後に教室、もしくはメール等でアポを取り教員室にて

Contact
yumoto@sis.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
3◎／1〇
Corresponding Graduate School DP
ー
Corresponding University-Wide DP
N/a
Academic Goals of Teacher Training Course
ー

Course Objectives and Learning Outcome
講義目的
  • 大量のデータから有用な知識を発掘(mining)する手法であるデータマイニングの代表的な手法（クラス分類、回帰分析、クラスタリング、頻出パターン発見）を理解し、実際に利用できるようになることを目的とする。

到達目標
  • データマイニングの代表的な手法の概要とそのアルゴリズムを説明できる。
  • 実データに対して適切な手法を用いて分析を行うことができる。
Subtitle and Keywords of the Class
Course Overview and Schedule
講義内容
  • データマイニングの基本的な考え方、代表的手法（クラス分類、回帰分析、クラスタリング、頻出パターン発見）を概説するとともに、応用事例についても紹介する。

授業計画
  1. データマイニングの概要
  2. 頻出パターン発見
  3. k-means，階層的クラスタリング
  4. 線形回帰
  5. 多重共線性，正則化
  6. kNN，分類の評価
  7. 決定木
  8. 中間試験
  9. SVM
  10. 交差検証
  11. 次元削減法
  12. クラスタリングの定量的評価
  13. ナイーブベイズ
  14. ロジスティック回帰
  15. ニューラルネットワーク
※ 2〜15は順番を変更する場合がある
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
小テストの解答に生成AIを使用してはならない．
それ以外(予習，復習など)については使用しても構わない．
Textbook
講義スライドを配布する。
References
荒木雅弘: Pythonではじめる機械学習, 森北出版 (2025)
Contents and Estimated Time for Pre- and Post- Learning (Preparation and Review)
  • 授業の予習 (15h)：配布資料を読む
  • 授業の復習 (45h)
    • 配布資料を読む
    • 学んだ内容をふまえ，どのような処理を行っているかを考えながら，サンプルコードを実行する
    • 小テストに解答する
Contents of Active Learning
サンプルコードを配布することで講義で扱った内容を実際に使用できる環境を提供する。
Grading Criteria and Methods
毎回の小テスト25%、中間試験30%、定期試験45%で評価する。
ただし，7週目の授業開始時点で小テストの未提出が3回以上ある場合は中間試験の受験を認めない．

How to Disclose Assignments and Exam Results
小テストについては翌週の授業で解答例の解説を行う．
Precautions and Requirements for Course Registration
  • 人工知能、データ分析演習、プログラミングIIの各科目の内容を十分に理解していることを前提とする。
  • 講義資料の一部はipynbファイルなのでノートPCを持参すること。




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.