シラバス参照

基本情報／Basic Information
詳細情報／Detailed Information
授業計画詳細情報／Class Schedule Details

基本情報/Basic Information

開講科目名／Course	データサイエンス発展Ⅰ②（オンデマンド）／Data Science Development I
時間割コード／Course Code	1241210001
ナンバリングコード／Numbering Code
開講所属／Course Offered by	教養教育科目／
曜日コマ／Day, Period	他
開講区分／Semester offered	前期／first semester
単位数／Credits	2.0
学年／Year	2,3,4
主担当教員／Main Instructor	XU KUANGZHE
科目区分／Course Group	教養教育科目　データサイエンス科目
教室／Classroom
必修・選択／Required/Elective	選択
授業形式／Class Format
メディア授業／Media lecture	◯

担当教員情報/Instructor Information

教員名／Instructor	教員所属名／Faculty/Department
玉田　嘉紀／TAMADA YOSHINORI	医学研究科／
XU KUANGZHE	教育戦略室／
テスト教養教育	教養教育開発実践センター／

難易度（レベル）／Level	レベル2
対応するＣＰ／ＤＰ／CP/DP	CP・DP　１　見通す力　　 CP・DP　２　解決していく力
授業としての具体的到達目標／Concrete arrival target as the class	○AIの現代社会やビジネスでの利活用について学識を得ること（見通す力） ○データ分析で最も重要な回帰分析について学識を得ること（見通す力） ○パソコンを用いてデータを分析し、課題解決につなげる力を養う(解決していく力）
授業の概要／Summary of the class	「データサイエンス基礎」を履修し、データ分析について基礎知識のある者を対象としする。プログラミング言語Pythonについて基礎から学び、Pythonを用いたデータ分析を学ぶ。回帰分析の手法と具体的な課題を用いて、データサイエンスならびに人工知能による実践的な課題解決の方法を学ぶ。
授業の内容予定／Contents plan of the class	1. データサイエンスと人工知能 2. Pythonプログラミングの基礎1: プログラミングとは・変数とデータ型 3. Pythonプログラミングの基礎2: 文字列の操作・データ構造 4. Pythonプログラミングの基礎3: リスト操作・論理演算と条件分岐 5. Pythonプログラミングの基礎4: 反復処理・内包表記・関数 6. Pythonプログラミングの基礎5: ライブラリとファイルの入出力 7. データの特徴を知る1：確認・操作・データ集計・可視化 8. データの特徴を知る2：高度なデータの可視化手法 9. 機械学習のためのデータ設計：汎化能力と交差検証 10. 数値予測問題に取り組む1: データの確認・特徴把握 11. 数値予測問題に取り組む2: 予測モデルの作成 12. 数値予測問題に取り組む3:予測精度の改善 13. 分類問題に取り組む1: データの確認・特徴把握 14. 分類問題に取り組む2: 予測モデルの作成・ 15. 分類問題に取り組む3: 予測精度の改善
成績評価方法及び採点基準／A scholastic evaluation method and marking standard	eラーニング教材の履修状況、PBL課題の達成状況により評価する。評価方法の詳細は講義のMoodleで確認すること。期末試験は実施しない。
予習及び復習等の内容／Contents such as preparations for lessons and the review	eラーニング教材のリストをもとに検索することで、授業で扱う内容について事前に学んでおくとよいでしょう。また、授業で扱いきれなかった題材について授業後に学ぶことでより知識が身につきます。(予習,復習は,最低でも各1時間程度行う必要があります。)
教材・教科書／The teaching materials, textbook	教科書を使用しない（講義資料を配布する）。
参考文献／bibliography	「見て試してわかる機械学習アルゴリズムの仕組み機械学習図鑑」（秋庭伸也、杉山阿聖、寺田学(著)、加藤公一(監修)、翔泳社、2019）
留意点・予備知識／Point to keep in mind, back ground	「データサイエンス基礎」が履修済みであることが好ましい。
授業内容に関する質問・疑義等／Question, doubt about class contents	Teamsのチャット機能を用いて質問すること。
Eメールアドレス・HPアドレス／E-mail address, HP address	なし。
学問分野1（主学問分野）／Discipline 1	J60:情報科学、情報工学およびその関連分野
学問分野2（副学問分野）／Discipline 2	該当なし
学問分野3（副学問分野）／Discipline 3	該当なし
実務経験のある教員による授業科目について／About the class subject by the teacher with the work experience	なし
地域志向科目／Local intention subject	なし
授業形態・授業方法／Class form, class method	○授業はeラーニング教材を自習する形式で実施する。〇対面講義の場合、教室に来てその講義の教材を自習すること。出席を確認する。質問があれば講師、TAに質問する。各回の講義の教材は次回の講義までに完了すること。〇オンデマンド講義の場合、3週間の受講期間内にすべての教材を学ぶこと。質問はTeamsのチャットにより行う。出席は教材の履修状況で把握する。 ○eラーニング教材はプログラミングに苦手意識を持つ学生に十分配慮した、穴埋め、または、数行程度の単純なプログラミング課題である。
科目ナンバー／The subject number	LA-1-2202-J60
メディア授業による著作物利用の有無について／Whether or not copyrighted works are used in media classes	有／Yes
その他／Others

No.	回（日時）／Time (date and time)	主題と位置付け（担当）／Subjects and instructor's position	学習方法と内容／Methods and contents	備考／Notes
該当するデータはありません

開講科目名／Course	データサイエンス発展Ⅰ②（オンデマンド）／Data Science Development I
時間割コード／Course Code	1241210001
ナンバリングコード／Numbering Code
開講所属／Course Offered by	教養教育科目／
曜日コマ／Day, Period	他
開講区分／Semester offered	前期／first semester
単位数／Credits	2.0
学年／Year	2,3,4
主担当教員／Main Instructor	XU KUANGZHE
科目区分／Course Group	教養教育科目　データサイエンス科目
教室／Classroom
必修・選択／Required/Elective	選択
授業形式／Class Format
メディア授業／Media lecture	◯

難易度（レベル）／Level	レベル2
対応するＣＰ／ＤＰ／CP/DP	CP・DP　１　見通す力　　 CP・DP　２　解決していく力
授業としての具体的到達目標／Concrete arrival target as the class	○AIの現代社会やビジネスでの利活用について学識を得ること（見通す力） ○データ分析で最も重要な回帰分析について学識を得ること（見通す力） ○パソコンを用いてデータを分析し、課題解決につなげる力を養う(解決していく力）
授業の概要／Summary of the class	「データサイエンス基礎」を履修し、データ分析について基礎知識のある者を対象としする。プログラミング言語Pythonについて基礎から学び、Pythonを用いたデータ分析を学ぶ。回帰分析の手法と具体的な課題を用いて、データサイエンスならびに人工知能による実践的な課題解決の方法を学ぶ。
授業の内容予定／Contents plan of the class	1. データサイエンスと人工知能 2. Pythonプログラミングの基礎1: プログラミングとは・変数とデータ型 3. Pythonプログラミングの基礎2: 文字列の操作・データ構造 4. Pythonプログラミングの基礎3: リスト操作・論理演算と条件分岐 5. Pythonプログラミングの基礎4: 反復処理・内包表記・関数 6. Pythonプログラミングの基礎5: ライブラリとファイルの入出力 7. データの特徴を知る1：確認・操作・データ集計・可視化 8. データの特徴を知る2：高度なデータの可視化手法 9. 機械学習のためのデータ設計：汎化能力と交差検証 10. 数値予測問題に取り組む1: データの確認・特徴把握 11. 数値予測問題に取り組む2: 予測モデルの作成 12. 数値予測問題に取り組む3:予測精度の改善 13. 分類問題に取り組む1: データの確認・特徴把握 14. 分類問題に取り組む2: 予測モデルの作成・ 15. 分類問題に取り組む3: 予測精度の改善
成績評価方法及び採点基準／A scholastic evaluation method and marking standard	eラーニング教材の履修状況、PBL課題の達成状況により評価する。評価方法の詳細は講義のMoodleで確認すること。期末試験は実施しない。
予習及び復習等の内容／Contents such as preparations for lessons and the review	eラーニング教材のリストをもとに検索することで、授業で扱う内容について事前に学んでおくとよいでしょう。また、授業で扱いきれなかった題材について授業後に学ぶことでより知識が身につきます。(予習,復習は,最低でも各1時間程度行う必要があります。)
教材・教科書／The teaching materials, textbook	教科書を使用しない（講義資料を配布する）。
参考文献／bibliography	「見て試してわかる機械学習アルゴリズムの仕組み機械学習図鑑」（秋庭伸也、杉山阿聖、寺田学(著)、加藤公一(監修)、翔泳社、2019）
留意点・予備知識／Point to keep in mind, back ground	「データサイエンス基礎」が履修済みであることが好ましい。
授業内容に関する質問・疑義等／Question, doubt about class contents	Teamsのチャット機能を用いて質問すること。
Eメールアドレス・HPアドレス／E-mail address, HP address	なし。
学問分野1（主学問分野）／Discipline 1	J60:情報科学、情報工学およびその関連分野
学問分野2（副学問分野）／Discipline 2	該当なし
学問分野3（副学問分野）／Discipline 3	該当なし
実務経験のある教員による授業科目について／About the class subject by the teacher with the work experience	なし
地域志向科目／Local intention subject	なし
授業形態・授業方法／Class form, class method	○授業はeラーニング教材を自習する形式で実施する。〇対面講義の場合、教室に来てその講義の教材を自習すること。出席を確認する。質問があれば講師、TAに質問する。各回の講義の教材は次回の講義までに完了すること。〇オンデマンド講義の場合、3週間の受講期間内にすべての教材を学ぶこと。質問はTeamsのチャットにより行う。出席は教材の履修状況で把握する。 ○eラーニング教材はプログラミングに苦手意識を持つ学生に十分配慮した、穴埋め、または、数行程度の単純なプログラミング課題である。
科目ナンバー／The subject number	LA-1-2202-J60
メディア授業による著作物利用の有無について／Whether or not copyrighted works are used in media classes	有／Yes
その他／Others

授業情報／Class Information

基本情報/Basic Information

担当教員情報/Instructor Information