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A①／Advanced Data Science A
時間割コード／Course Code	1262100053
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	火／Tue　2
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	玉田　嘉紀／TAMADA YOSHINORI
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
玉田　嘉紀／TAMADA YOSHINORI	医学研究科／

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	○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） ○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こと（解決していく力） ○高度な機械学習手法を学び課題解決につなげられること(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する。前半では、データサイエンスに不可欠な数学的基礎をPythonを用いた数値計算を通じて習得する。後半では、回帰分析の手法を中心に、具体的な課題解決に向けた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. プログラミングと数学: プログラミングとは: JupyterNotebook入門 3. プログラミングと数学: Pythonプログラミング入門 4. プログラミングと数学: 数列の計算 5. プログラミングと数学: 微分・積分: 関数とグラフ 6. プログラミングと数学: 線形代数1: ベクトル・長さ・内積・行列の積 7. プログラミングと数学: 線形代数2: 行列式・逆行列・一次方程式 8. データの特徴を知る1: データの確認・操作・データ集計 9. データの特徴を知る2: データの可視化 10. データの特徴を知る3: 教師なし学習 11. AIとデータ設計: 汎化能力・交差検証 12. 数値予測問題に取り組む: 回帰分析 13. 分類問題に取り組む1: ロジスティック回帰分析 14. 分類問題に取り組む2: ニューラルネットワーク 15. 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。評価方法の詳細は講義のMoodleで確認すること。演習課題を生成AIに直接解かせることは禁止するが、自力で求めた解答や作成したプログラムの確認や検証のために利用することを推奨する。また、試験では生成AIの利用を禁止し、違反した場合はカンニングとして厳正に対処する。
予習及び復習等の内容／Contents such as preparations for lessons and the review	授業予定をもとに検索することで、扱うテーマ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（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望ましい。
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。金曜日 16:30-18:00 医学科・本町キャンパス GWB 棟２階教授室１にて直接質問を受け付ける。ただしメールにて要予約。
Eメールアドレス・HPアドレス／E-mail address, HP address	y.tamada@hirosaki-u.ac.jp https://ytlab.jp/ja/index.html
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	〇対面講義の場合、教室での講義と演習を行う。出席を確認する。質問があれば講師，TAに質問する。各回の演習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、受講期間内にすべての教材を学ぶこと。期末試験の日程は別途連絡する。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。
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A①／Advanced Data Science A
時間割コード／Course Code	1262100053
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	火／Tue　2
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	玉田　嘉紀／TAMADA YOSHINORI
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	○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） ○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こと（解決していく力） ○高度な機械学習手法を学び課題解決につなげられること(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する。前半では、データサイエンスに不可欠な数学的基礎をPythonを用いた数値計算を通じて習得する。後半では、回帰分析の手法を中心に、具体的な課題解決に向けた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. プログラミングと数学: プログラミングとは: JupyterNotebook入門 3. プログラミングと数学: Pythonプログラミング入門 4. プログラミングと数学: 数列の計算 5. プログラミングと数学: 微分・積分: 関数とグラフ 6. プログラミングと数学: 線形代数1: ベクトル・長さ・内積・行列の積 7. プログラミングと数学: 線形代数2: 行列式・逆行列・一次方程式 8. データの特徴を知る1: データの確認・操作・データ集計 9. データの特徴を知る2: データの可視化 10. データの特徴を知る3: 教師なし学習 11. AIとデータ設計: 汎化能力・交差検証 12. 数値予測問題に取り組む: 回帰分析 13. 分類問題に取り組む1: ロジスティック回帰分析 14. 分類問題に取り組む2: ニューラルネットワーク 15. 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。評価方法の詳細は講義のMoodleで確認すること。演習課題を生成AIに直接解かせることは禁止するが、自力で求めた解答や作成したプログラムの確認や検証のために利用することを推奨する。また、試験では生成AIの利用を禁止し、違反した場合はカンニングとして厳正に対処する。
予習及び復習等の内容／Contents such as preparations for lessons and the review	授業予定をもとに検索することで、扱うテーマ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（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望ましい。
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。金曜日 16:30-18:00 医学科・本町キャンパス GWB 棟２階教授室１にて直接質問を受け付ける。ただしメールにて要予約。
Eメールアドレス・HPアドレス／E-mail address, HP address	y.tamada@hirosaki-u.ac.jp https://ytlab.jp/ja/index.html
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	〇対面講義の場合、教室での講義と演習を行う。出席を確認する。質問があれば講師，TAに質問する。各回の演習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、受講期間内にすべての教材を学ぶこと。期末試験の日程は別途連絡する。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。
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