基本情報/Basic Information

開講科目名 ／Class	経営科学特殊研究／Advanced Research in Management Science
授業コード ／Class Code	K000362001
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	博士／
年度 ／Year	2026年度／Academic Year
開講区分 ／Semester	通年／FULL-YEAR
曜日・時限 ／Day, Period	火3(前期),火3(後期)／TUE3(SPR.),TUE3(AUT.)
単位数 ／Credits	4.0
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	基本的に対面授業
授業の目的 ／Class Purpose	経営科学とは、経営(マネジメント)の問題を数学や統計学、情報工学などの科学的手法を用いて論理的・定量的に分析し、より効率的で最適な意思決定を支援する学問分野です。これは単なる経験や勘に依存する判断を、数理モデル化とデータ分析を通じて体系化し、再現可能な形で実践することを目指します。現代社会では、ビッグデータの普及とAI技術の進化により、高度な統計分析を容易に実行できる環境が整いました。しかし、便利なツールやデータが溢れれば溢れるほど、それらを適切に活用し、本質的な知見を導き出すリテラシーの重要性がますます高まっています。AIやソフトウェアに「使われる」のではなく、それらを使いこなして経営課題の解決につなげる高度な専門性が求められています。 本講義では、博士後期課程にふさわしい高度な分析手法と経営科学の理論を修得します。前半では因果推論の考え方、問題発見・仮説思考といった研究の基盤を固めた上で、主成分分析、因子分析、クラスター分析、線形判別分析など多変量解析の手法を学びます。後半では時系列分析、異常検知、サポートベクターマシン(SVM)、決定木法(ランダムフォレスト)といった機械学習手法に加え、待ち行列理論、数理計画法、最適組合せ問題など数理最適化の理論的応用まで扱います。プログラミング言語Pythonを用いた実装演習を通じて、生産管理、マーケティング、顧客管理など組織活動全般の複雑な経営問題に対して適切な分析手法を選択・応用し、科学的根拠に基づく意思決定を行える研究者・実務家の養成を目指します。
到　達　目　標 ／Class Objectives	以下を本講義の到達目標とします： １．意思決定の高度な理論と応用を理解することができます。 ２．具体的な経営の意思決定問題に適切な手法を用いることができます。 ３．経営の意思決定問題に関心を持ち、適切な解法を用いて最適な意思決定を生み出します。
授業のキーワード ／Keywords	多変量解析、機械学習、因果推論、オペレーションズ・リサーチ
授業の進め方 ／Method of Instruction	対面授業を中心に進めます。授業時間中に演習問題を解いてもらいます。また、輪読形式の講義も行う場合があります。履修者の数に応じて、内容を(どこを重点的に行うかという意味で)柔軟に変更していきます。プレゼンを数回行ってもらいます。
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。
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、講義で使用する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。この講義では、PythonをGoogle Colabで動かしていきます。Googleが使えるようにしてください。また、本講義は数学・プログラムの講義ではないため、Pythonの説明は基本的に行いませんし、多くの数式が出てきます。大学初学年ぐらいの数学の知識があるという前提で話を進めていきます。そのため、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てください。それでも、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。
提出課題など ／Quiz,Report,etc	少なくとも1回のレポートを提出すること。また、宿題を数回出す場合があります。
成績評価方法・基準 ／Grading Method・Criteria	提出物(宿題を含む)、発表内容、講義のディスカッションへの貢献度、参加度で評価します。
テキスト ／Required Texts	特に指定しない。
参考図書 ／Reference Books	伊藤公一朗、データ分析の力 因果関係に迫る思考法、光文社新書、2017/4/18、9784334039868 Trevor Hastie・Robert Tibshirani・Jerome Friedman(著)、杉山将ほか(訳)、統計的学習の基礎―データマイニング・推論・予測―、共立出版、2014/06/26、9784320123625 Sebastian Raschka他、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、2020/10/22、9784295010074 梅谷俊治、しっかり学ぶ数理最適化 モデルからアルゴリズムまで、講談社、2020/10/23、9784065212707 東京大学教養学部統計学教室(編)、統計学入門、東京大学出版会、1991年、1991/07/09、9784130420655 竹居正登、入門 確率過程、森北出版、2020年、2020/7/28、9784627094413

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	1	イントロダクション	本講義の進め方について説明します。
2	2	意思決定と因果推論	意思決定の構造とプロセスを詳解します。不確実性下での選択、因果推論を含むデータ活用による情報の価値を体系的に説明します。輪読形式で行う予定です。
3	3	問題発見力と構想力	「あるべき姿」と「現状」のギャップから問題を捉え、観察力・判断力・分解力・統合力を用いた問題構造の把握方法を学びます。輪読形式で行う予定です。
4	4	仮説思考力	仮説と検証のサイクルを理解し、問題の「拡がり」「深さ」「重さ」から本質を分析する手法を学びます。輪読形式で行う予定です。
5	5	記述統計	記述統計の意味を再度復習しましょう。
6	6	推測統計	推測統計とは何か、仮説検定とは何か、再度復習しましょう。
7	7	重回帰分析	重回帰分析とは何か、再度復習しましょう。
8	8	政府統計の活用方法	オープンデータの説明と政府統計の使い方を勉強しましょう。
9	9	主成分分析1	主成分分析とは何か、その理論的背景を理解しましょう。
10	10	主成分分析2	主成分分析を実際にデータに適用してみましょう。
11	11	因子分析	因子分析とは何か、主成分分析との違いを理解しましょう。
12	12	クラスター分析1	クラスターを作る方法(データ間の距離や集団と考える閾値)について知りましょう。
13	13	クラスター分析2	クラスター分析を実際にデータに適用してみましょう。
14	14	線形判別分析	マハラノビス距離を用いた判別分析の理論を学び、グループ分類の手法を理解しましょう。
15	15	最終課題に向けた議論	最終課題に関してどのような目的でどのようなデータを使うのか検討していきます。
16	16	後期の進め方について	前期の振り返りをします。
17	17	時系列分析1	移動平均法や指数平滑法など基本的な予測手法を学びましょう。
18	18	時系列分析2	時系列データの特徴とトレンド・季節性の概念を理解しましょう。
19	19	時系列分析3	自己相関と交差相関についてしっかりと理解し、季節性の分解を勉強しましょう。
20	20	サポートベクトルマシーン1	サポートベクターマシンの基本概念とマージン最大化の考え方を理解しましょう。
21	21	サポートベクトルマシーン2	カーネル法を用いたSVMを学び、分類問題に適用してみましょう。
22	22	決定木法1	決定木の構造と分岐基準(ジニ係数など)の考え方を理解しましょう。
23	23	決定木法2	ランダムフォレストの仕組みを学び、実際のデータに適用してみましょう。
24	24	データの検討	今までの分析法をオープンデータなどに適用してみよう。
25	25	待ち行列理論	待ち行列の基本モデル(M/M/1など)を学び、サービス設計への応用を理解しましょう。
26	26	数理計画1	線形計画法の基礎とシンプレックス法の考え方を理解しましょう。
27	27	数理計画2	最適化問題の定式化と解法を学びましょう。
28	28	最適組み合わせ	巡回セールスマン問題やナップサック問題など組合せ最適化の基礎を学びましょう。
29	29	最終課題に向けた議論	設定した仮説またはリサーチクエスションに対してどのようなデータを使い、どのような分析をしていくのかを検討していきます。
30	30	最終発表	最終課題のプレゼンをしてもらいます。