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	計算科学応用演習（24S以前）／Applied Computational Science
時間割コード／Course Code	7251000021
ナンバリングコード／Numbering Code
開講所属／Course Offered by	理工学部／
曜日コマ／Day, Period	金／Fri　3
開講区分／Semester offered	前期／first semester
単位数／Credits	2.0
学年／Year	3,4
主担当教員／Main Instructor	守真太郎／MORI SHINTARO
科目区分／Course Group	専門教育科目
教室／Classroom
必修・選択／Required/Elective
授業形式／Class Format	講義科目
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
守真太郎／MORI SHINTARO	理工学研究科／

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	○時系列データの基本概念と統計モデル（ARIMA, SARIMA,LSTMなど）を理解し、適用できる（見通す力） ○Pythonを用いた時系列データの解析・予測・特徴量エンジニアリングができる (解決していく力）
授業の概要／Summary of the class	○回帰分析や分類問題の基礎を復習し、Kaggleコンペ形式で実践する ○時系列データの理論（ARIMA, SARIMA,LSTM）を習得する ○株価予測コンペを通じて、時系列データ解析の実践力と応用力を身につける
授業の内容予定／Contents plan of the class	第１回：時系列予測第２回：ランダムウォーク第３回：移動平均モデル第４回：自己回帰モデル第５回：自己回帰移動平均モデル第６回：非定常時系列とARIMAモデル第７回：周期構造とSARIMAモデル第８回：外部変数の導入とSARIMAXモデル第９回：複数の時系列とVARMAモデル第１０回：時系列分析演習第１１回：時系列予測とディープラーニング第１２回：LSTMモデル第１３回：株価予測コンペ第１４回：株価予測コンペ・中間発表第１５回：コンペ結果発表 ※講義の進行・理解度などにより内容や予定が異なる場合があります。
成績評価方法及び採点基準／A scholastic evaluation method and marking standard	第12回までの課題を70%，最終課題（株価予測コンペ）の成績を30％のウェイトで評価し、総合的に成績評価を行います。
予習及び復習等の内容／Contents such as preparations for lessons and the review	教科書・参考書に記載の参考文献や検索により、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。必ず手を動かしてやっておくこと。(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	「Pythonによる時系列予測 (Compass Data Science)」Marco Peixeiro (著), 株式会社クイープ (翻訳)出版社 ‏ : ‎ マイナビ出版 (2023/10/25)
参考文献／bibliography	「Pythonによる時系列分析: 予測モデル構築と企業事例」髙橋威知郎（オーム社）
留意点・予備知識／Point to keep in mind, back ground	教養教育科目「データサイエンス発展I,II」を履修していること。未履修の場合、履修後に本演習を履修すること。
授業内容に関する質問・疑義等／Question, doubt about class contents	オフィスアワー以外でも大体OKです。用事でいないこともあるので、事前にメールかTeamsのチャットで連絡するのが確実です．
Eメールアドレス・HPアドレス／E-mail address, HP address	https://sites.google.com/site/shintaromori/
学問分野1（主学問分野）／Discipline 1	B12:解析学，応用数学およびその関連分野
学問分野2（副学問分野）／Discipline 2	J60:情報科学、情報工学およびその関連分野
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	演習が中心になります。
科目ナンバー／The subject number	0
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	無／Nothing
その他／Others	特になし。

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	計算科学応用演習（24S以前）／Applied Computational Science
時間割コード／Course Code	7251000021
ナンバリングコード／Numbering Code
開講所属／Course Offered by	理工学部／
曜日コマ／Day, Period	金／Fri　3
開講区分／Semester offered	前期／first semester
単位数／Credits	2.0
学年／Year	3,4
主担当教員／Main Instructor	守真太郎／MORI SHINTARO
科目区分／Course Group	専門教育科目
教室／Classroom
必修・選択／Required/Elective
授業形式／Class Format	講義科目
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	○時系列データの基本概念と統計モデル（ARIMA, SARIMA,LSTMなど）を理解し、適用できる（見通す力） ○Pythonを用いた時系列データの解析・予測・特徴量エンジニアリングができる (解決していく力）
授業の概要／Summary of the class	○回帰分析や分類問題の基礎を復習し、Kaggleコンペ形式で実践する ○時系列データの理論（ARIMA, SARIMA,LSTM）を習得する ○株価予測コンペを通じて、時系列データ解析の実践力と応用力を身につける
授業の内容予定／Contents plan of the class	第１回：時系列予測第２回：ランダムウォーク第３回：移動平均モデル第４回：自己回帰モデル第５回：自己回帰移動平均モデル第６回：非定常時系列とARIMAモデル第７回：周期構造とSARIMAモデル第８回：外部変数の導入とSARIMAXモデル第９回：複数の時系列とVARMAモデル第１０回：時系列分析演習第１１回：時系列予測とディープラーニング第１２回：LSTMモデル第１３回：株価予測コンペ第１４回：株価予測コンペ・中間発表第１５回：コンペ結果発表 ※講義の進行・理解度などにより内容や予定が異なる場合があります。
成績評価方法及び採点基準／A scholastic evaluation method and marking standard	第12回までの課題を70%，最終課題（株価予測コンペ）の成績を30％のウェイトで評価し、総合的に成績評価を行います。
予習及び復習等の内容／Contents such as preparations for lessons and the review	教科書・参考書に記載の参考文献や検索により、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。必ず手を動かしてやっておくこと。(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	「Pythonによる時系列予測 (Compass Data Science)」Marco Peixeiro (著), 株式会社クイープ (翻訳)出版社 ‏ : ‎ マイナビ出版 (2023/10/25)
参考文献／bibliography	「Pythonによる時系列分析: 予測モデル構築と企業事例」髙橋威知郎（オーム社）
留意点・予備知識／Point to keep in mind, back ground	教養教育科目「データサイエンス発展I,II」を履修していること。未履修の場合、履修後に本演習を履修すること。
授業内容に関する質問・疑義等／Question, doubt about class contents	オフィスアワー以外でも大体OKです。用事でいないこともあるので、事前にメールかTeamsのチャットで連絡するのが確実です．
Eメールアドレス・HPアドレス／E-mail address, HP address	https://sites.google.com/site/shintaromori/
学問分野1（主学問分野）／Discipline 1	B12:解析学，応用数学およびその関連分野
学問分野2（副学問分野）／Discipline 2	J60:情報科学、情報工学およびその関連分野
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	演習が中心になります。
科目ナンバー／The subject number	0
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	無／Nothing
その他／Others	特になし。

授業情報／Class Information

基本情報/Basic Information

担当教員情報/Instructor Information