基本情報/Basic Information

開講科目名 ／Course	計算機特別演習Ａ／Exercise in Computational Science A
時間割コード ／Course Code	S261000010
ナンバリングコード ／Numbering Code
開講所属 ／Course Offered by	理工学研究科／Graduate School of Science and Technology (Master’s Course)
曜日コマ ／Day, Period	火　4
開講区分 ／Semester offered	前期／first semester
単位数 ／Credits	2.0
学年 ／Year	1,2
主担当教員 ／Main Instructor	守 真太郎／MORI SHINTARO
科目区分 ／Course Group	大学院（博士前期課程）　専門科目
教室 ／Classroom
必修・選択 ／Required/Elective	選択
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／Graduate School of Science and Technology (Master’s Course)

難易度（レベル） ／Level	レベル５
対応するＤＰ ／DP	○ ARMA・SARIMA などの確率過程モデルを理論的性質を解析できる（DP1） ○ 最尤推定およびベイズ推定の考え方を説明でき、確率モデルのパラメータ推定とその不確実性を適切に評価できる（DP1） ○ 時系列モデルおよびベイズ統計を用いてデータに応じた確率モデルを構築し、不確実性を含めた推定結果を解釈することで課題解決に結びつけることができる（DP2）
授業としての具体的到達目標 ／Concrete arrival target as the class	○ 定常性・季節性などの概念を理解し、ARMA・ARIMA・SARIMA などの確率過程モデルを用いて時系列データを数理的に記述・モデル化できる。 ○ 実データ（株価・気温・価格データなど）に対して適切な時系列モデルを選択し、モデル診断および予測精度の評価を行うことができる。 ○ 最尤推定およびベイズ推定の理論的枠組みを理解し、確率モデルのパラメータを推定できる。 ○ 事後分布のサンプリングを通じて推定の不確実性を評価し、点推定と分布推定の違いを説明できる。 ○ 時系列モデルとベイズ推定を統合的に用い、不確実性を含めた推定結果を解釈し、データに基づく課題解決に結びつけることができる。
授業の概要 ／Summary of the class	本講義では、時系列データの数理的モデリングと確率モデルの推定手法を体系的に学ぶ。前半では、ランダムウォーク、定常性・非定常性の概念から出発し、ARMA・ARIMA・SARIMA などの確率過程モデルを用いて時系列データを記述・予測する方法を扱う。さらに、季節性やトレンドを含む実データ（株価、気温、価格データ等）を題材に、モデル選択および予測精度の評価を行う。 後半では、確率モデルのパラメータ推定法として最尤推定を復習したうえで、ベイズ推定の枠組みを導入する。事前分布・事後分布の考え方を理解し、サンプリング手法を用いて事後分布を数値的に評価する方法を学ぶ。これにより、点推定にとどまらず、不確実性を含めた推定結果の解釈ができる能力を養う。 本講義を通じて、時系列モデルの構築から推定、不確実性の評価までを一貫して扱い、数理的根拠に基づいてモデルを構築・推定し、不確実性を含めたデータ分析を自律的に遂行できる能力を養う。
授業の内容予定 ／Contents plan of the class	PART１：時系列モデリング 第１回：時系列モデリングと予測（ランダムウォーク、定常性・非定常性） 第２回：株価データとランダムウォーク・単位根検定 第３回：ARMA過程の基礎理論1 第４回：ARMA過程の基礎理論２ 第５回：演習１：株価データとARIMA過程モデリング 第６回：季節性と時系列分解・SARIMAモデル 第７回：SARIMAモデルで気温データのモデリング 第８回：Prophetによる時系列モデリング 第９回：演習２：りんご価格データのモデリング ----------------------- PART２：ベイズ推定 第１０回：最尤法の復習 第１１回：最尤法によるフィッティング 第１２回：ベイズ推定 第１３回：演習３：ベイズ推定 第１４回：事後分布のサンプリング方法 第１５回：演習４：ベイズサンプリングと推定
成績評価方法及び採点基準 ／A scholastic evaluation method and marking standard	本講義は、時系列モデルの構築およびベイズ推定の実装を重視する演習科目である。成績評価は以下の項目により総合的に行う。 １．レポート課題（60％） 全４回の演習に基づきレポート課題を課す。提出物は以下の観点から評価する。 ・モデル選択の妥当性 ・数理的根拠の説明の明確さ ・計算過程および実装の正確性 ・結果の解釈および不確実性の評価 単なる数値結果の提示ではなく、モデルの仮定・限界・推定結果の意味を説明できているかを重視する。 ２．その他の演習（４0％） 演習１〜４以外の他の１１回にも課題を用意している。解析方法や実データ分析結果の説明を評価する。 ・論理的な説明ができているか ・数理的概念を正確に用いているか ・質問に対して適切に応答できるか 採点基準： 秀：時系列モデルおよびベイズ推定を適切に統合し、数理的根拠を明確に説明できる。推定結果の不確実性を含めた高度な解釈ができる。 優：理論を正しく理解し、標準的なモデル構築および推定が正確に行える。 良：基本的なモデル構築および推定が行え、主要概念を理解している。 可：基礎概念を理解しているが、説明や実装に不十分な点がある。 ＊生成AIの利用について： 補助的利用のみ可（自力で作成した解答の検証に限る。解答生成への直接利用は禁止）
予習及び復習等の内容 ／Contents such as preparations for lessons and the review	参考書をもとに、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２時間程度行う必要があります)。
教材・教科書 ／The teaching materials, textbook	指定しない
参考文献 ／bibliography	松浦健太郎『STANとRでベイズ統計モデリング』（共立出版、２０１６年）
留意点・予備知識 ／Point to keep in mind, back ground	「確率・統計I」「計算科学応用演習」の単位が修得済みであること。
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、掲示板、メール等（shintaro.mori@hirosaki-u.ac.jp）で質問すること。
Eメールアドレス・HPアドレス ／E-mail address, HP address	メール：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
地域志向科目 ／Local intention subject	なし
授業形態・授業方法 ／Class form, class method	○演習形式。PC課題に取り組む。
科目ナンバー ／The subject number	MS-5-1114-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
対応する汎用的スキル１ ／Transferable Skill1	有
対応する汎用的スキル２ ／Transferable Skill2	有
対応する汎用的スキル３ ／Transferable Skill3	無
対応する汎用的スキル４ ／Transferable Skill4	無
対応する汎用的スキル５ ／Transferable Skill5	無

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