シラバス参照

授業情報／Class Information

科目一覧へ戻る 2025/05/07 現在

基本情報/Basic Information

開講科目名
／Class 		データサイエンス応用Ⅰ／Applied Data ScienceⅠ
授業コード
／Class Code 		B305001001
ナンバリングコード
／Numbering Code 		ECOc301
開講キャンパス
／Campus 		有瀬
開講所属
／Course 		経済学部／Economics
年度
／Year 		2025年度／Academic Year　　
開講区分
／Semester 		前期／SPRING
曜日・時限
／Day, Period 		火2(前期)／TUE2(SPR.)
単位数
／Credits 		2.0
主担当教員
／Main Instructor 		毛利　進太郎／MOURI SINTARO
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
毛利　進太郎／MOURI SINTARO 経済学部／Economics
授業の方法
／Class Format		 講義・演習
授業の目的
／Class Purpose		 この科目は経済学部のDPに示されている経済データに関する基礎的知識を習得し，統計的な処理ができるために講義とコンピュータによる演習によって知識と技能を身に着けることを目指しています．
現代の経済学では多様な分析手法が発展し様々なデータを分析することが可能となっています．そのためには多様な分析手法の分析手法への理解と実際にコンピュータを用いた分析技能の双方が必要とされます．この講義ではプログラミング言語Pythonを用い，様々なデータを実際に分析を試みることで，Pythonに対する基本的な技能とそれらの分析手法の知識の習得を目的とします．この授業はリテラシー科目に属し，「基礎情報処理実習」などのコンピュータの実習の講義において取得した技能，また「統計学」，「情報システム論」の知識を応用する科目として位置づけられます．
この講義ではクラスタリングや決定木による人工知能AIにつながる分析手法をPythonで実装することを演習することで，それらの分析手法について理解し，またPythonによるプログラミングの基本てきな技能を身につけることを目標とします．
到　達　目　標
／Class Objectives		 多様な分析方法についての理解とプログラミング言語Pythonを用いた実装の基本を身につける．
授業のキーワード
／Keywords		 データサイエンス，Python
授業の進め方
／Method of Instruction		 情報処理実習室で講義を行いつつ，PCを操作し実習を行います．
資料配布：Moodleにて資料配布，課題提出を行います．
履修するにあたって
／Instruction to Students		 各自、ICT実習で学ぶPCの操作について習熟していることが望ましい．
授業時間外に必要な学修内容・時間
／Required Work and Hours outside of the Class		 学修の目安となる時間は予習復習に0.5時間，また毎回の演習課題を行うのに1時間程度が必要となる．学修ではコンピュータの基本的な操作，また自宅での学習環境を構築して予習・復習を行うことが前提である．
提出課題など
／Quiz,Report,etc		 毎回，課題を指示します．課題については次回，解説を行いフィードバックします．
成績評価方法・基準
／Grading Method・Criteria		 提出課題（100%）によって評価します．
テキスト
／Required Texts		 友原章典　「文系ためのPythonデータ分析」有斐閣　2024年　￥2,100　
参考図書
／Reference Books
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 Pythonの準備と操作 Pythonを利用する環境についてと簡単な操作について学ぶ．
2 第2回 データの扱い Pythonによるデータの扱い方について学ぶ．
3 第3回 基本統計量 基本統計量の導出方法について学ぶ．
4 第4回 データの関係性の分析１ 相関について学ぶ．Pythonの操作について習熟する．
5 第5回 データの関係性の分析2 回帰分析について学ぶ．Pythonの操作について習熟する．
6 第6回 クラスタリング クラスタリングの分析について学ぶ．Pythonによって実装する．
7 第7回 決定木 決定木による分析・予測について学ぶ．Pythonによって実装する．
8 第8回 ランダム・フォレスト１ 決定木を用いたランダムフォレストによる予測について学ぶ．Pythonによって実装する．
9 第9回 ランダム・フォレスト２ 回帰分析を用いたランダムフォレストによる予測について学ぶ．Pythonによって実装する．
10 第10回 傾向スコア・マッチング 傾向スコア・マッチングについて学ぶ．
11 第11回 シミュレーションモデル SIRモデルについて学ぶ．
12 第12回 最適化 離散・連続の最適化手法について学ぶ．
13 第13回 テキストデータの分析 形態素解析について学ぶ．
14 第14回 まとめの演習１ これまで学んだことをもとに各自データ分析の演習を行う．
15 第15回 まとめの演習２ これまで学んだことをもとに各自データ分析の演習を行う．

科目一覧へ戻る