基本情報/Basic Information

開講科目名 ／Class	演習ⅠB／Seminar　ⅠB
授業コード ／Class Code	B600021007
ナンバリングコード ／Numbering Code	BACa609/DSCa609
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	2026年度／Academic Year
開講区分 ／Semester	後期／AUTUMN
曜日・時限 ／Day, Period	水2(後期)／WED2(AUT.)
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。 前期の演習ⅠAに続き，Pythonを用いたデータ分析・予測のさまざまな手法を体験し，使えるようにする。初心者より一歩進んだレベルで機械学習のライブラリを使いこなし，その結果を解釈して他人に説明できるようになることを目指す。必ずしも長い複雑なプログラムをスラスラ書けることがゴールではなく，むしろ疑問が湧いたらその都度自分で調べながら少しづつ書き足していける粘り強さ・あきらめの悪さの方が大切である。またグループワークを通じて共同作業による議論も奨励する。わからない事があったら周囲の人に率直に質問する姿勢と，自分でまずは一応考えてみる姿勢のバランスが大切である。 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でデータ分析する際の手順がわかる。 ・データの特性に応じて前処理やモデルの種類を選択できる。 ・データをnumpy/pandasで扱うことができる。 ・Webブラウザ上で動くシンプルなアプリを作成できる。
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。履修人数によってはグループワークを変更して個人ワークとする場合がある。 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（必要に応じて電源ケーブルとマウスも）を必ず持参すること。 各回の内容は進度によってシラバスの予定からずれる可能性があるので，授業中のアナウンスを聞いて準備すること。
履修するにあたって ／Instruction to Students	本科目は対面実施を基本とする。演習内容に関係のない私語は禁止する。 演習に関する連絡，資料提供などは主にMoodleを用いる。本科目のMoodleページから転送されるメールを必ず確認すること。Moodleのメールを確認しなかった場合，演習中に口頭で伝えた連絡事項を自己都合による欠席で聞き逃した場合，配布されたプリントを自己都合による欠席で受け取れなかった場合，持参すべき物（PC，スマホ，プリント等）を不注意または故意に持参しなかった場合，の不利益は全て履修者自身の責任とする。なおプリント類の後日の再配布は原則として行わない。 テキストを購入するかは任意であるが，テキストを購入しない判断による不利益は全て自己責任とする。 議論の内容やプリントの記載に疑問がある場合は積極的に質問をすること。参加者同士の議論には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	毎週1.5時間程度，復習のためPCで自分の手を動かして演習中に学んだことを確かめることが望ましい。
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。 レポートやプレゼンの資料作成に生成AIを用いてもよいが，用いる場合はどのように利用したかを記載しなければならない。もし資料内容・発表内容の主たる内容が生成AIの出力のコピーであると判断された場合には0点にするか大幅に減点する。 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，４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 体調不良で欠席した場合は病院を受診した証明（医師の診断書または病院の領収書または公認欠席届）の提示を必須とする。提示がなければ自己都合欠席として扱う。 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，ISBN：9784295020608
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，受講のルール説明など。
2	第2回	AIの説明性・解釈性とは	AIの予測値がなぜその値なのか？を説明/理解するための手段をいくつか試行し，体験する。Shapなど。
3	第3回	時系列予測 (1)	株価や気温，売上，客数その他の時間的データの分析と予測を学ぶ。
4	第4回	時系列予測 (2)	前週に続き時系列の分析と予測を学ぶ。
5	第5回	生成AIを用いたデータ分析 (1)	生成AI（Microsoft 365 Copilotなど）を用いたデータ分析の方法を体験する。
6	第6回	生成AIを用いたデータ分析 (2)	前週の続きを行う。
7	第7回	グループワーク (1)	自分たちで選んだデータセットに対してこれまで学んだ機械学習（予測・異常検知・次元削減など）を試して結果を評価する。
8	第8回	グループワーク (2)	前週の続きを行う。
9	第9回	Streamlit入門 (1)	PythonでシンプルなWebアプリを作るためのライブラリであるStreamlitの基本機能を理解する。
10	第10回	Streamlit入門 (2)	Streamlitで作ってみたい簡易アプリを構想する。
11	第11回	Streamlit入門 (3)	前週の続きを行う。手を動かしてアプリを作る。
12	第12回	Streamlit入門 (4)	自作アプリを互いに見せあい，工夫した点やできなかった事などを説明する。
13	第13回	卒論への助走 (1)	AIやデータ分析で学んだことをもとに何を卒論でやりたいか考える。自己の興味があること・ないことを言語化する。
14	第14回	卒論への助走 (2)	前週の続き。自分の興味のあることについて世の中がどこまで進んでいるか情報収集する。アプリ・論文など「情報」の形は様々である。
15	第15回	卒論への助走 (3)	本ゼミを振り返り，自分の興味・関心のありかをとぎすますとともに，春休みの行動計画を立てる。