基本情報/Basic Information

開講科目名 ／Class	応用経営情報処理Ⅱ／Applied Management Information Processing Ⅱ
授業コード ／Class Code	B600321001
ナンバリングコード ／Numbering Code
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	後期／AUTUMN
曜日・時限 ／Day, Period	月2(後期)／MON2(AUT.)
単位数 ／Credits	2.0
主担当教員 ／Main Instructor	山田　耕／YAMADA KO
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
山田　耕／YAMADA KO	経営学部／Business Administration

授業の方法 ／Class Format	講義形式(対面)
授業の目的 ／Class Purpose	この講義はデータマイニングⅠを踏まえ、その応用に焦点を当て、特にマーケティングにおけるデータ分析の方法論について掘り下げていきます。ビッグデータ時代の到来により、多種多様なデータにうまく合わせてそれを利活用する能力が求められるようになっています。本講義では、今までに勉強してきた記述統計学・多変量解析の知識をベースとして、より高度な統計分析を付け加えてビッグデータ分析を学んでいきます。また、分析時に注意すべきポイント(たとえば、数理モデルを現実の値に当てはまめる時に何を気にすべきかなど)はどのようなことかを学び、さらに専門的なデータ分析の文献を読み解く訓練も行います。分析に関する高度な知識とスキルを提供することで、理論的知識だけでなく多種多様なデータに対応できるデータサイエンスの専門家になることを目指します。
到　達　目　標 ／Class Objectives	この授業の目標は、データマイニングⅠの内容を踏まえた上で様々なデータの理解およびそれを自分で導出できるようにすることです。具体的には、実際のデータを用いた情報の整理(分析の解釈と注意点)、様々な統計分析の仕組みの理解がしっかりとできるようになることを目標とします。本講義の到達目標は以下となります： ・観測データへ数理モデルを適用する際の注意点などを説明することができる。 ・実践的なマーケティング分析スキルの習得
授業のキーワード ／Keywords	過学習とモデル選択、バイアス、ネットワーク分析、機械学習等
授業の進め方 ／Method of Instruction	講義を中心に進めて、何回か演習的な講義を含めます。何回か講義を行った後に(Microsoft Forms上(予定)で)小テストを行います。シラバスの内容は学生の皆さんの学修の状況を考慮して、変更することもあります。
履修するにあたって ／Instruction to Students	全講義数の3分の1以上欠席した場合、単位を取得することはできません。また、大学が認めていない事由による遅刻は減点の対象とします。また、データマイニングⅠは履修している前提で進めていきます。
授業時間外に必要な学修内容・時間 ／Required Work and Hours outside of the Class	予習として、講義中に紹介した資料を読んできてください(少なくとも60分)。復習として授業中に配布した資料を熟読してください(少なくとも60分)。復習では、自ら授業で学んだ概念について理解しているか確認し、学んだ概念を第三者に説明できるのか考えてみてください。また、必要に応じて文献・論文等をインターネットや図書館で探し、わからない部分について調べ、わからないことがあったら次回の授業で質問するようにしてください。一応、数学やPythonの復習は状況に応じて行うが、本講義は数学やPythonプログラムの講義ではないので、詳しくは行いません。そのため、抜けている知識があれば、自分で調べて対応してください。
提出課題など ／Quiz,Report,etc
成績評価方法・基準 ／Grading Method・Criteria	小テストや課題を何回か課します。 期末試験が30%、小テストや課題が40%、講義態度が30%という割合で評価します。
テキスト ／Required Texts	適宜、資料を配布します。
参考図書 ／Reference Books	Sebastian Raschka・Yuxi (Hayden) Liu・Vahid Mirjalili・株式会社クイープ・福島真太朗 、Python機械学習プログラミング PyTorch＆scikit-learn編、インプレス、2022 Sebastian Raschka・Vahid Mirjalili・福島真太朗・株式会社クイープ、[第3版]Python機械学習プログラミング 達人データサイエンティストによる理論と実践、インプレス、2020 有賀 友紀・大橋俊介、RとPythonで学ぶ[実践的]データサイエンス&機械学習、技術評論社、2019 清水隆史・淺田晃佑、実践 マーケティングデータサイエンス: ショッパー行動の探索的データ解析と機械学習モデル構築、学術図書出版社、2023

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	データマイニングⅠを復習する。
2	第2回	モデルへの適合性について	オーバーフィッティングとその回避方法を理解する。
3	第3回	意思決定のための分析思考1	良いモデルとは何か？
4	第4回	意思決定のための分析思考2	バイアスを排除する。
5	第5回	モデル性能の評価と可視化について	様々な不確実性のもとでのモデル性能の可視化の技法を学ぶ。
6	第6回	商品の分析1	商品に対する消費者の購買行動の特徴に応じて分類してみる。
7	第7回	商品の分析2	商品に対する消費者の購買行動の関係性を明らかにするを理解する。
8	第8回	店舗選択要因分析1	分類手法の理論を説明する。
9	第9回	店舗選択要因分析2	ポジショニングマップ分析を理解する。
10	第10回	店舗選択要因分析3	他の分類手法を理解する。
11	第11回	つながりを表現する分析1	(人や文章も含む)モノとモノとの関連性を明らかにするネットワーク分析を理解する。(基礎編)
12	第12回	つながりを表現する分析2	(人や文章も含む)モノとモノとの関連性を明らかにするネットワーク分析を理解する。(応用編)
13	第13回	ネットワーク分析	グラフクラスタリングによる分析を理解する。
14	第14回	評価データ分析	評価データを統計的手法や機械学習などを用いて解析し、傾向やパターンを明らかにする方法を学ぶ。
15	第15回	最終確認テスト	第14回目講義までの内容に関する理解度をテストで確認する。