基本情報/Basic Information

開講科目名 ／Course	データサイエンス発展Ⅱ／Advanced Data Science II
時間割コード ／Course Code	1262200001
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　5
開講区分 ／Semester offered	後期／second semester
単位数 ／Credits	2.0
学年 ／Year	2,3,4
主担当教員 ／Main Instructor	増本　広和
科目区分 ／Course Group	教養教育科目
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
山崎　拓也／YAMAZAKI TAKUYA	理工学研究科／Graduate School of Science and Technology (Master’s Course)
守 真太郎／MORI SHINTARO	理工学研究科／Graduate School of Science and Technology (Master’s Course)
増本　広和	教育推進機構／
尾﨑　翔／OZAKI SHO	理工学研究科／Graduate School of Science and Technology (Master’s Course)
今井 雅／IMAI MASASHI	理工学研究科／Graduate School of Science and Technology (Master’s Course)
前田 拓人／MAEDA TAKUTO	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　CP・DP　３　学び続ける力
授業としての具体的到達目標 ／Concrete arrival target as the class	○ データに対して適切なAI手法を選択し，その理由を説明できる（見通す力） ○ ニューラルネットワーク（CNN・RNN等）を実装し，データに適用できる（解決していく力） ○ 課題設定からモデル構築・評価・改善までの一連のプロセスを設計し，結果を論理的に報告できる（解決していく力） ○ AIモデルの社会実装における倫理的・技術的課題を指摘できる（学び続ける力）
授業の概要 ／Summary of the class	「データサイエンス発展I」を履修し、Pythonプログラミングでデータ分析の経験をある者を対象とする。AI（ニューラルネットワークモデル）のアルゴリズムを学び、具体的な課題を用いて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： ガイダンス(グループ分け)とニューラルネットワークの復習 第２回：TensorFlowでニューラルネットワークを実装 第３回：画像データ1: 畳み込みニューラルネットワークとは 第４回：画像データ2: 画像分類演習 第５回：時系列データ1: 時系列データの見方と周期性 第６回：時系列データ2: 時系列データの分解と季節調整 第７回：時系列データ3: ニューラルネットワークによるモデル化と異常値検知 第８回：自然言語処理1: 音声データの基礎 第９回： 自然言語処理2: ニューラルネットワークモデル -------------------------------------------------- 第１０回：課題解決に挑戦1: グループごとに課題を3つから選択 -------------------------------------------------- 第１１回：課題解決に挑戦2: 分析に取り組む1 第１２回：課題解決に挑戦3: 中間報告会 第１３回：課題解決に挑戦4: 分析に取り組む2 第１４回：課題解決に挑戦5: グループ発表会 第１５回：課題解決に挑戦6: 全体発表会
成績評価方法及び採点基準 ／A scholastic evaluation method and marking standard	・第1〜9回の課題：モデル実装の正確性，結果の解釈，コードの再現性を評価（60%） ・第１０〜１５回の最終課題：課題設定の妥当性，モデル選択理由，評価指標の適切性，発表内容を総合評価（40%） 秀：自立的にモデル改善まで行い、論理的に説明できる 優：標準的実装と評価が適切にできる 良：基本的実装ができる 可：概念理解はあるが実装に不十分な点がある 生成AIの利用：積極的利用可（最終課題において推奨する） ・第1回〜第9回の基礎演習では補助的利用のみ可とする（自力で作成した解答・コードの検証に限る）。 ・第10回以降の最終課題では、生成AIの活用を推奨する。ただし、提出物については以下を満たすこと。 　　生成したコード・モデルの仕組みを説明できること 　　使用したプロンプトや改良過程をレポートに明示すること 　　結果の妥当性を自ら検証し、改善点を考察すること 　　説明できない場合は評価対象としない。
予習及び復習等の内容 ／Contents such as preparations for lessons and the review	予習：次回扱う手法（CNN、RNN等）の概要を確認し，基本用語を説明できるようにする（各1時間） 復習：演習課題のコードを整理し，評価指標と結果解釈を深化させる（各1時間）
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	下山輝昌、松田雄馬、三木孝行(著)、「Python実践データ分析100本ノック 第3版」、秀和システム新社 (2025)
留意点・予備知識 ／Point to keep in mind, back ground	「データサイエンス発展I」が履修済みであること。
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	masumoto@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	○教室での講義と演習を行う。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。 ○後半の6回では課題解決学習に取り組む。詳細は講義・Moodle上で発表する。
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	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