デザイン工学部Faculty of Enginneering and Design
PRI300ND(情報学基礎 / Principles of informatics 300)データサイエンス(2019年度以降入学生)(2021年度開講)データサイエンス(2019年度以降入学生)(2021年度開講)
野々部 宏司Koji NONOBE
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | デザイン工学部Faculty of Enginneering and Design |
添付ファイル名Attached documents | |
年度Year | 2021 |
授業コードClass code | B2742 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 秋学期後半/Fall(2nd half) |
曜日・時限Day/Period | 金3/Fri.3,金4/Fri.4 |
科目種別Class Type | |
キャンパスCampus | 市ヶ谷 |
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 | |
選択・必修Optional/Compulsory | 選択必修 |
入学年度Admission year | 2019 |
カテゴリー(2023年度~)Category (2023~) | |
カテゴリー(2019~2022年度)Category (2019~2022) |
システムデザイン学科 専門科目 展開科目 |
カテゴリー(招聘学科)Category | SD |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
In this course, through exercises using the data analysis tool R, students will learn some multivariate analysis techniques and their application to decision-making.
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
大量のデータを迅速に収集・蓄積できるようになった現代において,合理的な意思決定を行うためにデータを活用することの重要性は以前にも増して高まっている.この授業では,データ分析ツールを用いた演習を通して,主に多変量解析の代表的な手法について,それらの基本的な考え方と活用方法について学ぶ.
到達目標Goal
データに基づく意思決定を行うために,データの集計・視覚化ができること.さらに,分析目的に合った適切な多変量解析手法を適用し,その結果を活用できること.
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?
デザイン工学部システムデザイン学科ディプロマポリシーのうち、「DP2」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. )
授業は毎回2コマ連続で実施する.毎回,説明の後,理解度確認のためにRおよびRStudioを用いた演習を授業時間内に行う.また,授業時間外に行うべき課題を各テーマごとに課す.
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.)
なし / No
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:ガイダンス,RとRStudioの基礎
授業の目的や進め方について説明した後,RやRStudioの基本的な使い方を確認する.
2:Rによるデータの基本的処理
Rを用いて,データの集計や分析,視覚化を行う方法について学ぶ.
3:重回帰分析
予測や要因分析を行うための手法として用いられる重回帰分析について学ぶ.
4:ロジスティック回帰分析・判別分析・決定木
データを分類するための手法として,ロジスティック回帰分析,判別分析,決定木について学ぶ.
5:主成分分析・因子分析・コレスポンデンス分析
少ない変数でデータの特徴やデータの潜在的な構造を把握する手法として,主成分分析,因子分析,コレスポンデンス分析について学ぶ.
6:クラスター分析・多次元尺度構成法
データ間の類似性に基づいてデータをグループ化したり視覚化したりする手法として,クラスター分析,多次元尺度構成法について学ぶ.
7:演習課題(最終課題)
授業内容の復習を行い,各自で設定した問題に対して,授業で扱った手法を適用する.
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.)
・(初回授業前)RとRStudioの事前インストール
・授業内容の復習
・演習課題の実施と提出
本授業の準備学習・復習時間は、各2時間を標準とします.
テキスト(教科書)Textbooks
指定しない.資料を配布する.
参考書References
・川端一光,岩間徳兼, 鈴木雅之,「Rによる多変量解析入門 データ分析の実践と理論」,オーム社,2018.
・嶋田正和,阿部真人,「Rで学ぶ統計学入門」,東京化学同人,2017.
・兼子毅,「Rで学ぶ多変量解析」,日科技連出版社,2011.
・青木繁伸,「Rによる統計解析」,オーム社,2009.
など.その他,授業内に適宜提示する.
成績評価の方法と基準Grading criteria
演習課題の提出物により,以下の割合で評価する.
・演習課題(第6回まで):70%
・最終課題:30%
ただし,授業を3回以上欠席した場合は評価の対象外(E判定)とする.特別な理由がない限り30分以上の遅刻は欠席とみなす.
学生の意見等からの気づきChanges following student comments
なし(新規開講科目のため).
学生が準備すべき機器他Equipment student needs to prepare
・edu2020貸与ノートパソコン(個人所有のノートパソコンでも可):事前にRとRStudioをインストールし,問題なく起動することを確認しておくこと.
・学習支援システム:お知らせの配信・資料やスライドの配布・課題の提示や回収・授業内小テスト等に利用する.