| 学習支援計画書の照会 |
|---|
| 授業科目区分 | 科目名 | 単位数 | 科目コード | 開講時期 | 履修方法 |
|---|---|---|---|---|---|
| 修学基礎教育課程 人間形成基礎科目 生涯学習 |
生涯学習特別講義（データサイエンス応用）(夏期集中講義) |
1 | G470-01 | １期（前学期） | 修学規程第４条を参照 |
| 担当教員名 | 研究室 | 内線電話番号 | 電子メールＩＤ | オフィスアワー |
|---|
| 授業科目の学習教育目標 | |
|---|---|
| キーワード | 学習教育目標 |
1. 機械学習 2. 回帰問題 3. 分類問題 4. 次元削減 5. クラスタリング |
本コースでは典型的な機械学習の問題である回帰問題、分類問題、次元削減、クラスタリン グの諸問題を、Python の機械学習ライブラリである scikit-learn を用いて適切に分析で きる実践的なスキルを身につけることを目指す。 |
| 授業の概要および学習上の助言 |
|---|
本コースでは機械学習のさまざまなアルゴリズムを用いたデータ分析手法について、講義と演習を通じて学ぶ（ただし時間の 関係で次のトピックは学習対象外とする: ディープラーニング、異常検知、時系列解析）。 講義は教科書「Python ではじめる機械学習」にほぼ沿った内容となり、機械学習の概要説明に続き、教師あり学習（回帰問 題と分類問題）および教師なし学習（次元削減とクラスタリング）について学ぶ。演習等で使用する Python の機械学習ライ ブラリ scikit-learn は、データの前処理から機械学習モデルの構築、訓練、評価に至るまで、可視化を除くほぼすべての機 械学習タスクをカバーしており、その洗練されたインターフェースはわずかな行数の Python プログラムで多くの処理を実現 することを可能にする。 本コースを受講することにより、受講生が機械学習に関わる現実の問題に対応できる実践的なスキルを身につけることを期待 する。 |
| 教科書および参考書・リザーブドブック |
|---|
教科書：Pythonではじめる機械学習[オライリー・ジャパン] 参考書：会社を変える分析の力[講談社]、仕事ではじめる機械学習[オライリー・ジャパン] ﾘｻﾞｰﾌﾞﾄﾞﾌﾞｯｸ：指定なし |
| 履修に必要な予備知識や技能 |
|---|
Python を使った基本的なプログラムが理解できること。また、マニュアルおよびオンライン情報の助けを借りて、自ら基本 的な Python プログラムが書けること。具体的には if 文、for 文、関数の定義、リストや辞書の処理、オブジェクトに対す るメソッド呼び出しなどについての理解が必須。 |
| 学生が達成すべき行動目標 | ||
|---|---|---|
| No. | 学科教育目標 （記号表記） |
|
| ① | D | 教師あり学習における過剰適合、適合不足の現象を説明できる |
| ② | D | 教師あり学習（回帰問題）の代表的なモデルを用いた訓練および予測ができる |
| ③ | D | 教師あり学習（分類問題）の代表的なモデルを用いた訓練および予測ができる |
| ④ | D | 教師なし学習（次元削減およびクラスタリング）の代表的な手法を利用できる |
| ⑤ | D | 対象となる問題から適切な特徴量を抽出し、機械学習アルゴリズムの入力データを準備することができる |
| ⑥ | D | 教師あり学習のモデルを適切に評価し、必要に応じてチューニングすることができる |
| 達成度評価 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 指標と評価割合 ＼ 評価方法 | 試験 | クイズ 小テスト |
レポート | 成果発表 （口頭・実技） |
作品 | ポートフォリオ | その他 | 合計 | ||
| 総合評価割合 | 0 | 0 | 80 | 0 | 0 | 0 | 20 | 100 | ||
| 総合力指標 | 知識を取り込む力 | 0 | 0 | 40 | 0 | 0 | 0 | 0 | 40 | |
| 思考・推論・創造する力 | 0 | 0 | 30 | 0 | 0 | 0 | 0 | 30 | ||
| コラボレーションとリーダーシップ | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ||
| 発表・表現・伝達する力 | 0 | 0 | 10 | 0 | 0 | 0 | 0 | 10 | ||
| 学習に取組む姿勢・意欲 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 20 | ||
| 評価の要点 | |||
|---|---|---|---|
| 評価方法 | 行動目標 | 評価の実施方法と注意点 | |
| 試験 | ① |
| |
| ② | |||
| ③ | |||
| ④ | |||
| ⑤ | |||
| ⑥ | |||
| 小テスト クイズ | ① |
| |
| ② | |||
| ③ | |||
| ④ | |||
| ⑤ | |||
| ⑥ | |||
| レポート | ① | レ |
各回の演習問題に対する回答をレポートで提出する。 |
| ② | レ | ||
| ③ | レ | ||
| ④ | レ | ||
| ⑤ | レ | ||
| ⑥ | レ | ||
| 成果発表（口頭・実技） | ① |
| |
| ② | |||
| ③ | |||
| ④ | |||
| ⑤ | |||
| ⑥ | |||
| 作品 | ① |
| |
| ② | |||
| ③ | |||
| ④ | |||
| ⑤ | |||
| ⑥ | |||
| ポートフォリオ | ① |
| |
| ② | |||
| ③ | |||
| ④ | |||
| ⑤ | |||
| ⑥ | |||
| その他 | ① | レ |
講義中の演習をきちんと行っているか、疑問点はその場で質問して後に残さないようにしているか、など の受講態度をもとに評価する。 |
| ② | レ | ||
| ③ | レ | ||
| ④ | レ | ||
| ⑤ | レ | ||
| ⑥ | レ | ||
| 具体的な達成の目安 | |
|---|---|
| 理想的な達成レベルの目安 | 標準的な達成レベルの目安 |
「標準的な達成レベル」に加えて、 ・機械学習モデルの評価結果に基づき、特徴量の追加・加工や モデルのチューニングを行うことができる |
・対象となる問題を教師あり学習または教師なし学習の問題と して（教師あり学習の場合は回帰問題なのか分類問題なのかも 含めて）正しくとらえることができる ・対象となる問題から特徴量を抽出し、機械学習アルゴリズム の入力データを準備することができる ・適切と思われる機械学習モデルを選択し、それを訓練・評価 することができる |
| 授業明細 |
|---|
| 回数 | 学習内容 | 授業の運営方法 | 学習課題 予習・復習 | 時間：分 |
|---|---|---|---|---|
1 |
機械学習の概要 プログラミング環境の説明 |
実務家教員による講義と演習 |
教科書第1章の予習と復習 |
60 |
2 |
教師あり学習(1) |
実務家教員による講義と演習 |
教科書第2章の予習と復習 |
60 |
3 |
教師あり学習(2) |
実務家教員による講義と演習 |
教科書第2章の予習と復習 |
60 |
4 |
教師なし学習と前処理 |
実務家教員による講義と演習 |
教科書第3章の予習と復習 |
60 |
5 |
データの表現と特徴量エンジニアリング |
実務家教員による講義と演習 |
教科書第4章の予習と復習 |
60 |
6 |
モデルの評価と改良 |
実務家教員による講義と演習 |
教科書第5章の予習と復習 |
60 |
7 |
総合演習 |
実務家教員による講義と演習 |
総復習 |
60 |