山口大学教務システム - 1041200013-データサイエンス技術Ⅱ

開講年度	開講学部等
2025	理学部
開講学期	曜日時限	授業形態	AL（アクティブ・ラーニング）ポイント
前期後半	金5～6	講義
時間割番号	科目名[英文名]			使用言語	単位数
1041200013	データサイエンス技術Ⅱ(物理・情報科学科)[(Data Science Technology Ⅱ)]			日本語	1
担当教員（責任）[ローマ字表記]					メディア授業
西井　淳[NISHII Jun]					ー
担当教員[ローマ字表記]
西井　淳　[NISHII Jun]
特定科目区分		対象学生	物理・情報科学科令和3年度以降入学者対象	対象年次	2～4
ディプロマ・ポリシーに関わる項目			カリキュラムマップ(授業科目とDPとの対応関係はこちらから閲覧できます)

授業の目的と概要

データサイエンスの基本手法を学び、データサイエンスに必要な基礎的な技術と技能を身につける。
具体的には、教師あり学習や教師なし学習等のデータ解析および機械学習の基本手法を学び，データを定量的に分析・評価するための手法を目的に応じて選べるようになる。

授業の到達目標


- データサイエンスと機械学習の基本的な手順を身につけている。 - データ解析において目的に応じた解析手段を選択できる。 - データを処理して、適切な結果を得る手順を説明できる。

授業計画

【全体】

データ解析および機械学習の基本手法を概説する。
下記の各回の内容は順序を入れ替える場合があります。

	項目	内容	授業時間外学習	備考

第1回	機械学習の歴史データとデータセット	AIの歴史、データ駆動型社会、データサイエンス活用事例ビッグデータ(データ収集・活用事例) 機械学習の基礎と展望回帰・判別・クラスタリング構造化データと非構造化データ	授業内容の復習および宿題（目安時間：４時間）

第2回

機械学習の種類
機械学習の手順
データの表現
回帰分析
モデルの推定と評価

教師あり学習，教師なし学習、強化学習
機械学習の手順
線形単回帰
学習データと検証データ
散布図
損失関数、訓練誤差と汎化誤差、クロスバリデーション(CV)
モデル推定：オッカムの刃、過学習

授業内容の復習および宿題（目安時間：４時間）

第3回

いろいろな回帰分析

パラメトリック回帰(線形重回帰，非線形回帰)
ノンパラメトリック回帰

授業内容の復習および宿題（目安時間：４時間）

第4回

判別分析
距離とは

２クラス分類と多クラス分類
線形判別
データ間距離、クラス間距離

授業内容の復習および宿題（目安時間：４時間）

第5回

判別分析

サポートベクターマシン
決定木
k近傍法

授業内容の復習および宿題（目安時間：４時間）

第6回

教師なし学習(時限削減・特徴抽出)

主成分分析(PCA)、因子分析

授業内容の復習および宿題（目安時間：４時間）

第7回

教師なし学習（クラスタリング）

階層的なクラスタリング
k-means法(非階層的な推測)、ボロノイ分割

授業内容の復習および宿題（目安時間：４時間）

第8回

機械学習の総括、まとめ

データサイエンスと機械学習について総括するおよび期末試験

授業内容の復習および宿題（目安時間：４時間）

※AL（アクティブ・ラーニング）欄に関する注
・授業全体で、AL（アクティブ・ラーニング）が占める時間の割合を、それぞれの項目ごとに示しています。
・A〜Dのアルファベットは、以下の学修形態を指しています。
【A：グループワーク】、【B：ディスカッション・ディベート】、【C：フィールドワーク（実験・実習、演習を含む）】、【D：プレゼンテーション】

A: --%　B: --%　C: --%　D: --%

成績評価法

宿題30%, 学期末の筆記テスト70%で評価します。

教科書にかかわる情報

備考

Moodleで講義資料を提供する。

参考書にかかわる情報

備考

使用しない

メッセージ

データサイエンス技術IIで学ぶ機械学習の手法は、この分野の基礎的な知識の部分です。より深く学びたい学生は、専門科目で学べます。

キーワード

回帰問題、判別法、クラスタリング、機械学習、教師あり、教師なし

持続可能な開発目標（SDGs）

(インフラ、産業化、イノベーション)強靱（レジリエント）なインフラ構築、包摂的かつ持続可能な産業化の促進及びイノベーションの推進を図る。

メディア授業