タイトル

開講年度 開講学部等
2026 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(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
機械学習の種類
 		AIの歴史、データ駆動型社会、データサイエンス活用事例
機械学習の基礎と展望
回帰・判別・クラスタリング
 		授業内容の復習（目安時間：４時間）
第2回 機械学習の種類
データとデータセット
データの前処理その1
 		教師あり学習，教師なし学習、強化学習
線形単回帰
量的データと質的データ
カテゴリデータの数値化
欠損値の処理 		授業内容の復習（目安時間：４時間）
第3回 いろいろな距離尺度
回帰分析
 		いろいろな距離尺度
線形単回帰分析
決定係数
 		授業内容の復習（目安時間：４時間）
第4回 モデルの評価
重回帰分析 		損失関数，訓練誤差と汎化誤差、クロスバリデーション(CV)
未学習，過学習
重回帰分析, 多重線形性 		授業内容の復習（目安時間：４時間）
第5回 判別分析

 		線形判別法
２クラス分類と多クラス分類
サポートベクターマシン

 		授業内容の復習（目安時間：４時間）
第6回 主成分分析と因子分析 主成分分析
因子分析 		授業内容の復習（目安時間：４時間）
第7回 クラスタリング
クラス間距離 		デンドログラム
クラス間距離
階層的クラスタリング
非階層的クラスタリング(k-means法)
クラスタリングの評価 		授業内容の復習（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（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
学期末の筆記テストのみで評価します。

注意事項
- 5回以上の欠席は欠格条件となります。
- インフルエンザ等の出席停止となる感染症の場合の欠席は，診断書の提出により上記の欠格条件の扱いを考慮します。
- 例外として，期末テストの欠席の扱いは以下のとおりとします。
- 部活の大会等は、1週間前までに申告すれば、別日程で受験を認める。
- 当日の体調不良は、授業開始前までに連絡があれば、別日程で受験を認める。ただし、病院に行ったことを示す書類の提出が必要です。
教科書にかかわる情報
備考
教科書の指定はありません。
moodleで補足資料を配布する場合があります。
参考書にかかわる情報
参考書 書名 Pythonデータサイエンスハンドブック : Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習 ISBN 9784814400638
著者名 Jake VanderPlas著 ; 菊池彰訳 出版社 オライリー・ジャパン 出版年 2024
備考
参考書の指定はありません。
メッセージ
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）

  • 産業と技術革新の基盤をつくろう
(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。
関連科目
物理と情報のための基礎数学I、確率論、データサイエンス技術I、データサイエンス技術演習、パターン認識，機械学習、最適化理論
履修条件
連絡先
西井　nishii(at)yamaguchi-u.ac.jp
※(at)を@に変換してください。
オフィスアワー
西井 月曜13:30-15:00
会議等で不在のことが多いので，事前に連絡をとってください。
講義内容でわからない点の質問には学習相談室を活用してください。

ページの先頭へ