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	データサイエンス応用B①／Advanced Data Science B
時間割コード／Course Code	1262100019
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	月／Mon　3
開講区分／Semester offered	後期／second semester
単位数／Credits	2.0
学年／Year	1,2,3,4
主担当教員／Main Instructor	守真太郎／MORI SHINTARO
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
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
守真太郎／MORI SHINTARO	理工学研究科／Graduate School of Science and Technology (Master’s Course)

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	○現代社会・ビジネスでのAI利活用について説明できる（見通す力） ○質的データ・量的データの回帰分析を交差検証を含め実践できる（解決していく力） ○代表的な機械学習手法（回帰・分類・ニューラルネットワーク等）を選択し、モデル構築から性能評価まで実施できる
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	第１回：データサイエンスと人工知能第２回：Pythonプログラミングの基礎1: プログラミングとは・変数とデータ型第３回：Pythonプログラミングの基礎2: 文字列操作・データ構造第４回：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第５回：Pythonプログラミングの基礎4: 反復処理・内包表記・関数第６回：Pythonプログラミングの基礎5: モジュール・ライブラリ第７回：機械学習と数学：線形代数と微分積分の確認第８回：データの特徴を知る1: データの確認・操作・データ集計第９回：データの特徴を知る2: データの可視化第１０回：データの特徴を知る3: 主成分分析・クラスター分析第１１回：機械学習のためのデータ設計: 汎化能力・交差検証第１２回：数値予測問題に取り組む:回帰分析第１３回：分類問題に取り組む: ロジスティック回帰分析第１４回：ニューラルネットワーク第１５回：学習状況の確認（試験含む）と解説
成績評価方法及び採点基準／A scholastic evaluation method and marking standard	・演習課題(70%)ならびに期末試験(30%)によって評価する。・演習課題：Pythonオンデマンド教材の進捗、データ分析・モデル構築の妥当性、分析結果解釈、再現可能なコードの提出を評価する（70%）・期末試験：基礎概念理解と手法選択の妥当性を評価する（30%）秀：適切な手法選択と交差検証を自立的に実施し、結果を論理的に説明できる優：標準的な手法を正しく実装し、妥当な評価ができる良：基本的なモデル構築ができる可：基礎概念を理解している生成AIの利用：条件付きで積極的利用可・第2回〜第6回（Python基礎）では補助的利用のみ可（自力で作成したコードの検証に限る）・第7回以降のデータ分析演習では積極的利用可とする。ただし、以下を満たすこと。　1. 生成したコードの仕組みを説明できること　2. 使用したプロンプトと改良過程をレポートに明示すること　3. 出力結果の妥当性を自ら検証すること
予習及び復習等の内容／Contents such as preparations for lessons and the review	予習：次回範囲の配布資料を読み、用語（回帰、損失関数、交差検証等）を説明できるようにする（各1時間）復習：演習課題を完成させ、結果の解釈（係数・精度・過学習の有無）の理解を深める（各1時間） (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（授業資料を配布する）。
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	shintaro.mori@hirosaki-u.ac.jp
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	〇第７回以外は対面講義である。必ずパソコンを持参すること。〇各回の演習は次回の講義前日までに完了すること。〇第７回はMoodle教材を用いたオンデマンド講義である。
科目ナンバー／The subject number
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	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	データサイエンス応用B①／Advanced Data Science B
時間割コード／Course Code	1262100019
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	月／Mon　3
開講区分／Semester offered	後期／second semester
単位数／Credits	2.0
学年／Year	1,2,3,4
主担当教員／Main Instructor	守真太郎／MORI SHINTARO
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
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	○現代社会・ビジネスでのAI利活用について説明できる（見通す力） ○質的データ・量的データの回帰分析を交差検証を含め実践できる（解決していく力） ○代表的な機械学習手法（回帰・分類・ニューラルネットワーク等）を選択し、モデル構築から性能評価まで実施できる
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	第１回：データサイエンスと人工知能第２回：Pythonプログラミングの基礎1: プログラミングとは・変数とデータ型第３回：Pythonプログラミングの基礎2: 文字列操作・データ構造第４回：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第５回：Pythonプログラミングの基礎4: 反復処理・内包表記・関数第６回：Pythonプログラミングの基礎5: モジュール・ライブラリ第７回：機械学習と数学：線形代数と微分積分の確認第８回：データの特徴を知る1: データの確認・操作・データ集計第９回：データの特徴を知る2: データの可視化第１０回：データの特徴を知る3: 主成分分析・クラスター分析第１１回：機械学習のためのデータ設計: 汎化能力・交差検証第１２回：数値予測問題に取り組む:回帰分析第１３回：分類問題に取り組む: ロジスティック回帰分析第１４回：ニューラルネットワーク第１５回：学習状況の確認（試験含む）と解説
成績評価方法及び採点基準／A scholastic evaluation method and marking standard	・演習課題(70%)ならびに期末試験(30%)によって評価する。・演習課題：Pythonオンデマンド教材の進捗、データ分析・モデル構築の妥当性、分析結果解釈、再現可能なコードの提出を評価する（70%）・期末試験：基礎概念理解と手法選択の妥当性を評価する（30%）秀：適切な手法選択と交差検証を自立的に実施し、結果を論理的に説明できる優：標準的な手法を正しく実装し、妥当な評価ができる良：基本的なモデル構築ができる可：基礎概念を理解している生成AIの利用：条件付きで積極的利用可・第2回〜第6回（Python基礎）では補助的利用のみ可（自力で作成したコードの検証に限る）・第7回以降のデータ分析演習では積極的利用可とする。ただし、以下を満たすこと。　1. 生成したコードの仕組みを説明できること　2. 使用したプロンプトと改良過程をレポートに明示すること　3. 出力結果の妥当性を自ら検証すること
予習及び復習等の内容／Contents such as preparations for lessons and the review	予習：次回範囲の配布資料を読み、用語（回帰、損失関数、交差検証等）を説明できるようにする（各1時間）復習：演習課題を完成させ、結果の解釈（係数・精度・過学習の有無）の理解を深める（各1時間） (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（授業資料を配布する）。
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	shintaro.mori@hirosaki-u.ac.jp
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	〇第７回以外は対面講義である。必ずパソコンを持参すること。〇各回の演習は次回の講義前日までに完了すること。〇第７回はMoodle教材を用いたオンデマンド講義である。
科目ナンバー／The subject number
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	特になし

授業情報／Class Information

基本情報/Basic Information

担当教員情報/Instructor Information