理工学部Faculty of Science and Engineering
MAN300XF(経営学 / Management 300)応用システム工学Applied Systems engineering
木村 光宏Mitsuhiro KIMURA
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | 理工学部Faculty of Science and Engineering |
添付ファイル名Attached documents | |
年度Year | 2021 |
授業コードClass code | H6818 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 春学期授業/Spring |
曜日・時限Day/Period | 木1/Thu.1 |
科目種別Class Type | |
キャンパスCampus | 小金井 |
教室名称Classroom name | |
配当年次Grade | |
単位数Credit(s) | |
備考(履修条件等)Notes | |
他学部公開科目Open Program | |
他学部公開(履修条件等)Open Program (Notes) | |
グローバル・オープン科目Global Open Program | |
成績優秀者の他学部科目履修制度対象Interdepartmental class taking system for Academic Achievers | |
成績優秀者の他学部科目履修(履修条件等)Interdepartmental class taking system for Academic Achievers (Notes) | |
実務経験のある教員による授業科目Class taught by instructors with practical experience | |
SDGsCPSDGs CP | |
アーバンデザインCPUrban Design CP | |
ダイバーシティCPDiversity CP | |
未来教室CPLearning for the Future CP | |
カーボンニュートラルCPCarbon Neutral CP | |
千代田コンソ単位互換提供(他大学向け)Chiyoda Campus Consortium | |
カテゴリー<理工学部>Category |
経営システム工学科 学科専門科目 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
Understanding some aspects of modern statistics with doing some computer exercises. Contents will include Bayesian statistics, basic concepts of machine learning and several related topics.
授業で使用する言語Default language used in class
日本語 / Japanese
授業の概要と目的(何を学ぶか)Outline and objectives
現代社会において、統計の知識と活用の能力を身に着けることは有用である。本授業では、実際にデータ分析に用いるための道具をいくつか紹介しながら理解させ実践力をつけることを目的とする。
到達目標Goal
応用統計的な側面に焦点を当て、以下の項目について学生は基礎理論を理解した上説明できるようになる。
1)Bayes統計学
2)機械学習の基礎(単純パーセプトロン他)と実装
3)回帰木、分類木
4)ランダムフォレスト
また、実際のツールの利用法、結果の解釈と応用について技術を習得する。
この授業を履修することで学部等のディプロマポリシーに示されたどの能力を習得することができるか(該当授業科目と学位授与方針に明示された学習成果との関連)Which item of the diploma policy will be obtained by taking this class?
ディプロマポリシーのうち、「DP1」と「DP2」と「DP4」に関連
授業で使用する言語Default language used in class
日本語 / Japanese
授業の進め方と方法Method(s)(学期の途中で変更になる場合には、別途提示します。 /If the Method(s) is changed, we will announce the details of any changes. )
座学による講義と貸与PCを用いた実践を行う。受講生の状況をみながら可能であれば反転授業の形式をとる。成果物については適時講評を行う。
アクティブラーニング(グループディスカッション、ディベート等)の実施Active learning in class (Group discussion, Debate.etc.)
あり / Yes
フィールドワーク(学外での実習等)の実施Fieldwork in class
なし / No
授業計画Schedule
※各回の授業形態は予定です。教員の指示に従ってください。
1:Bayes統計の基礎
基礎理論、歴史、検診問題、ベイズ推定の話
2:事前分布と事後分布
事前分布、共役事前分布、事後分布の話
3:サンプラー
マルコフ連鎖モンテカルロ法の解説、メトロポリス・ヘイスティングス法、ギブスサンプラー
4:RStanの利用
データ分析のツール例
5:応用データ分析(1)
食中毒事件における潜伏期間のベイズ推定問題(基礎)
6:応用データ分析(2)
食中毒事件における潜伏期間のベイズ推定問題(応用)
7:ミニレポート作成
授業内演習
8:機械学習へのアプローチ(1)
jupyter labの利用といくつかの基礎
9:機械学習へのアプローチ(2)
数学ツールとしてのpython
10:単純パーセプトロン
なにができるか、どうすれば実装できるか
11:Rの利用(基礎)
古典的な回帰分析と結果の見方
12:Rの利用(応用)
回帰木・分類木
13:Rの利用(発展)
ランダムフォレストの威力
14:番外編:Dempster-Shaferの確率理論
ちょっと変わった確率論の紹介
授業時間外の学習(準備学習・復習・宿題等)Work to be done outside of class (preparation, etc.)
【本授業の準備・復習等の授業時間外学習は、4時間を標準とする】反転学習の要素も取り入れる。たとえば、事前の作業としてソフトウェアパッケージのインストールを要請されることがある。その際、動画教材を用いることがある。また、簡単な課題にあらかじめ取り組んでおき、授業の際に解答解説を聞いて理解を深める形式もありうる。
テキスト(教科書)Textbooks
特になし.授業支援システムを介して関連資料を配布する.
参考書References
各自、関連するトピックに関係する資料を探してみること。
成績評価の方法と基準Grading criteria
数回に一度課される予定の提出物(50%)、試験もしくは最終レポート(50%)とする。平常の取り組み姿勢も成績評価に加味する。
学生の意見等からの気づきChanges following student comments
今年度が新内容での初回のため、特になし。
学生が準備すべき機器他Equipment student needs to prepare
貸与PC
その他の重要事項Others
コロナ禍対応等でスケジュール・内容等に変更が生じる可能性があるため、hoppii内の学習支援システムの当科目に関する掲示板等を授業期間を通じて注意しておくこと。