基本情報/Basic Information

開講科目名 ／Class	演習ⅠA／Seminar　ⅠA
授業コード ／Class Code	B600011007
ナンバリングコード ／Numbering Code	BACa508/DSCa508
開講キャンパス ／Campus	ﾎﾟｰﾄｱｲﾗﾝﾄﾞ
開講所属 ／Course	経営学部／Business Administration
年度 ／Year	2025年度／Academic Year
開講区分 ／Semester	前期／SPRING
曜日・時限 ／Day, Period	水2(前期)／WED2(SPR.)
単位数 ／Credits	2.0
主担当教員 ／Main Instructor	金澤　拓也／KANAZAWA　TAKUYA
遠隔授業 ／Remote lecture	No

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
金澤　拓也／KANAZAWA　TAKUYA	経営学部／Business Administration

授業の方法 ／Class Format	対面授業（演習）
授業の目的 ／Class Purpose	この科目は，経営学部のDPに示す，企業を始めとした多様な組織の事業計画・経営戦略の策定に必要なデータを収集し，意思決定に必要な課題をシステマティックに分析し，合理的な解決を図るのに必要な知識や技能を修得することを目指す。 産業界ではベテラン労働者の不足により人手作業を自動化する流れが加速している。これまで現場の経験と勘で行われていた予測・推定を，データからの統計的学習による機械学習モデルで置き換えることへの需要は高いが，機械学習はPythonプログラミング技術だけでなく交差検証によるチューニングや特徴量エンジニアリングなど独特の工夫を要する分野であり，習得は易しくない。そこで本ゼミナールでは系統的にPython基礎から出発して一人でデータからの学習＋モデル改善＋精度確認までを実行できるようにすることを目指す。 ただし深層学習（ディープラーニング）の実習は行わない。また扱うデータは主に表データとし，画像/音声/文章データは基本的には扱わない。 なお，この科目の担当者は，総合電機メーカーでAIとデータサイエンスの産業応用について研究開発を行った実務経験のある教員である。講義においては経験を生かして実践的な学びへと繋げていきたい。
到　達　目　標 ／Class Objectives	・Pythonでデータファイルの読み込みとグラフ描画を行える。 ・ハイパーパラメータとは何かを説明できる。 ・Pythonでデータを学習・検証・テスト用の３つに分ける手順がわかる。 ・Pythonによるデータの前処理（標準化，外れ値や欠損値の処理）の基本操作がわかる。 ・分類と回帰に適したモデルの名称をそれぞれ２つ以上挙げ，実際に使うことができる。
授業のキーワード ／Keywords	データ分析，機械学習，プログラミング，Python，グループディスカッション
授業の進め方 ／Method of Instruction	テキストに基づき，各回に行うタスクの概要を短く講義し，後は各自のPCで実習しながら教員が支援する。学生同士の教え合いも歓迎する。 必要に応じて，授業内容を補足するプリントを随時配布する。 PCの持参を指定した回には，充電され使用可能な状態のノートPCを必ず持参すること。
履修するにあたって ／Instruction to Students	教員からの連絡，資料提供にはMoodleを活用する。Moodle上の本科目のページから転送されるメールを必ず確認すること（確認しないことによって生じる不利益は履修者自身の責任による）。また，授業中にアナウンスした連絡事項を欠席で聞き逃した場合も，不利益は履修者自身の責任とする。 議論の内容を理解できなかった場合やテキストに書かれていない点が気になった場合は積極的に質問をすること。学生同士の議論にも協調性をもって積極的に参加することが望ましい。
授業時間外に必要な学修内容・時間 ／Required Work and Hours outside of the Class	テキストの予習復習で毎回１時間が目安である。
提出課題など ／Quiz,Report,etc	授業中に指示する。
成績評価方法・基準 ／Grading Method・Criteria	ゼミへの参加姿勢や態度＝50％，課題達成度・報告内容＝50％で評価。 以下のいずれかに該当する場合には，教員の判断により，不可とする。 　・合理的かつ正当な理由なく，５回欠席した場合 　・自分が主たる発表者として割り当てられた回を無断欠席した場合 　・遅刻が頻繁であるなど，ゼミに対する積極性が著しく欠けている場合 　・ゼミ履修者に対して迷惑行為を行い，改善が見られない場合 　・恒常的に指導教員の指示に従わない場合 体調不良で２週以上欠席する場合は医師の診断書の提出を必須とする。 ２０分以上の遅刻は，理由の如何を問わず欠席扱いとする。 最寄りの交通機関が遅延しやすい場合は，余裕をもって早めに家を出る等の対策をとること。
テキスト ／Required Texts	須藤秋良ほか　『スッキリわかるPythonによる機械学習入門　第2版』　インプレス　2024年　3,300円
参考図書 ／Reference Books	・A. C. Mullerほか　『Pythonではじめる機械学習 --- scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎』　オライリージャパン　2017年　3,740円 ・池田雄太郎ほか　『実務で役立つPython機械学習入門 --- 課題解決のためのデータ分析の基礎』　翔泳社　2023年　3,300円 ・江崎貴裕　『分析者のためのデータ解釈学入門　データの本質をとらえる技術』　ソシム株式会社　2020年　2,860円

No.	回 ／Time	主題と位置付け ／Subjects and position in the whole class	学習方法と内容 ／Methods and contents	備考 ／Notes
1	第1回	ガイダンス	コースの内容紹介，受講のルール説明，メンバー自己紹介など。
2	第2回	Python基礎	PCのPython環境の準備，およびPythonの基本的文法の復習。
3	第3回	numpy, scipy基礎	Pythonで数値計算を行うライブラリnumpyとscipyの基礎的な機能を知る。
4	第4回	matplotlib, seaborn基礎	Pythonでグラフを描くライブラリであるmatplotlibとseabornの使い方を身につける。
5	第5回	ここまでのまとめ	ここまでの内容を総括し，Pythonおよび重要ライブラリの使い方に慣れる。
6	第6回	機械学習の体験	テキスト４章。pandasに触る。
7	第7回	機械学習：分類１	テキスト５章。決定木による分類。
8	第8回	機械学習：回帰１	テキスト６章。線形モデルによる予測。
9	第9回	機械学習：分類２	テキスト７章。決定木による分類と特徴量重要度の考察。
10	第10回	機械学習：回帰２	テキスト８章。線形モデルによる予測と特徴量エンジニアリング。
11	第11回	さまざまなモデルたち	テキスト11～12章。「線形モデルと決定木」以外のモデル（ロジスティックモデルやランダムフォレスト，kNN回帰など）を使う。
12	第12回	モデルの評価とチューニング	テキスト13章。交差検証によるハイパーパラメータのチューニング。
13	第13回	教師なし学習	テキスト14～15章。PCAやt-SNEなどの次元削減，クラスタリングについて学習。
14	第14回	総合学習(1)	実データを基にこれまでの学習内容を生かした機械学習を行う。モデルを変えたり特徴量を追加したりしながら予測精度を上げる。
15	第15回	総合学習(2)	前週に続き，手を動かして今学期の実習内容を総復習する。