学務情報システム

シラバス参照

科目名/Subject		Pythonによるデータ科学入門

曜日・講時・教室/Day/Period/Place		後期火曜日５講時情報教育実習室　Ｍ１０５

科目群/Categories		全学教育科目展開科目-総合科目

単位数/Credit(s)		2

対象学部/Object		全

担当教員(所属) /Instructor (Position)		早川　美徳，三石　大　所属：データ駆動科学・AI教育研究センター

開講期/Term		2/4/6/8セメスター

科目ナンバリング /Course Numbering		ZDG-OAR801J

使用言語 /Language Used in Course		日本語

授業題目
/Class
Subject

Pythonによるデータ科学入門
Introduction to data science with Python

授業の
目的と概要
/Object and
Summary
of Class

近年、社会の様々な場面で大規模なデータが蓄積・流通されており、それらを安全かつ有効に公共の福祉や社会活動に役立てられる見識と能力が、現代的なリテラシーとして求められている。データの中から価値ある情報を抽出し、それを活用するためには、統計学の基本事項を理解した上で、計算機科学の様々な成果を援用しつつ、プログラム環境を含む各種ツールを適切に使いこなすスキルが必要となる。本科目では、データ科学や機械学習の分野では標準的なソフトウェアとなっているPython言語と関連するライブラリを用いた実習を交えながら、具体的・実践的なデータ処理方法について学ぶ。

In recent years, large-scale data has been accumulated and distributed in various scenes of society, and insights and abilities to use them safely and effectively for public welfare and social activities are required as modern literacy. In order to extract valuable information from such data, it is necessary to understand the basics of statistics as well as to acquire the skills on appropriate usage of various tools, including programming environments. In this course, students will learn concrete and practical data processing methods using the Python language and related libraries, which became a standard software environment in the fields of data science and machine learning.

学修の
到達目標
/Goal of
Study

計算機科学的・論理的な思考方法と数理統計の手法を組み合わせて、データから意味のある情報を抽出し、解析する手順を理解し、Pythonプログラミングを通じ、基本的な手法について具体的に実装できるようになること。

Successful course participants will learn the necessary steps to extract and analyze meaningful information from bulk data by combining statistics and computational thinking methods and will be able to develop Python codes based on those ideas.

授業内容・
方法と
進度予定
/Contents
and
Progress
Schedule
of the Class

1. オリエンテーション
2. Pythonプログラミング基礎(1)
3. Pythonプログラミング基礎(2)
4. Pythonプログラミング基礎(3)
5. Pythonによるデータ処理(1)
6. Pythonによるデータ処理(2)
7. Pythonによるデータ処理(3)
8. 回帰分析と主成分分析
9. 統計モデルによる推定 (1)
10. 統計モデルによる推定 (2)
11. モンテカルロ・シミュレーション(1)
12. モンテカルロ・シミュレーション(2)
13. ニューラルネットワークと機械学習(1)
14. ニューラルネットワークと機械学習(2)
15. 総合演習

1. Orientation
2. Basics of Python programming (1)
3. Basics of Python programming (2)
4. Basics of Python programming (3)
5. Data processing with Python (1)
6. Data processing with Python (2)
7. Data processing with Python (3)
8. Regression analysis and principal component analysis
9. Statistical modeling and inference (1)
10. Statistical modeling and inference (2)
11. Monte Carlo simulations (1)
12. Monte Carlo simulations (2)
13. Artificial neural networks and machine-learning (1)
14. Artificial neural networks and machine-learning (2)
15. Summary and exercise

成績評価
方法
/Evaluation
Method

授業への参加状況および演習課題の提出(40点)と最終課題に対するレポート(60点)の合計100点を基礎に評価される．

Participation in class: 40%
Final homework assignments: 60%

教科書
および
参考書
/Textbook
and
References

関連ＵＲＬ
/ＵＲＬ

授業時間外
学修
/Preparation
and Review

授業で示す課題に取り組み、指示された方法で成果物を提出すること。各回の内容に関係
したコンピュータ・プログラムの作成を課す予定である。

実務・
実践的授業
/Practical
business
※○は、
実務・実践的
授業であるこ
とを示す。
/Note:"○"
Indicates
the practical
business

その他
/In Addition

数学（線形代数学、微分積分学）および数理統計学の基本的事項、および初歩的なプログラミング（言語は問わない）について既習していることが望ましい。

１単位の授業科目は、４５時間の学修を必要とする内容をもって構成することを標準としています。１単位の修得に必要となる学修時間の目安は、「講義・演習」については１５～３０時間に授業および授業時間外学修（予習・復習など）３０～１５時間、「実験、実習及び実技」については３０～４５時間の授業および授業時間外学修（予習・復習など）１５～０時間です。
One-credit courses require 45 hours of study. In lecture and exercise-based classes, one credit consists of 15-30 hours of class time and 30-15 hours of preparation and review outside od class. In laboratory, practical skill classes, one credit consists of 30-45 hours of class time and 15-0 hours of preparation and review outside of class.