マネジメントサイエンス

科目基本情報

シラバスコード	S-176R11-01	ナンバリング	Cd302Sac
科目名	マネジメントサイエンス
科目名英文	Management Science
学部	工学部	授業形態	講義
学科・科目区分	コンピュータ応用学科	教職科目対応	―
科目分野	専門発展	実践的教育対応	実務経験のある教員による科目
配当年次	3年次	学期	後学期
必選区分	選択	単位数	2 単位
担当教員	福田太志
アクティブラーニング	振り返り学習、ICTの活用

科目の位置づけと目的

情報社会において様々なデータを分析することが必須のスキルとして要求される。マーケティングデータ分析で学んだ内容をもとに、データの分析方法や検定方法を中心とした統計処理を学ぶ。特に、企業の戦略策定時に用いられる市場分析の手法の一連の流れを学ぶ。

授業の進め方

データサイエンティストスキルの各項目に対する具体的な解説に基づいて，スキルを習得・活用・実践する上でのポイントを理解し，課題を解きながらデータサイエンス検定（リテラシーレベル）の問題に解答出来るレベルの達成を目指す．

なお、本科目は、企業における担当教員（福田）のデータ活用・業務改善支援や資格試験対策講座の運営経験に基づき、データ分析やビジネス応用について教授する、実践的教育対応科目である。

課題（試験やレポート等）に対するフィードバックの方法

毎回Moodleを用いて課題を行う。
追加レポートに関しては評価を行った上でフィードバックコメントを残すので参照すること。

履修の条件

履修対象者として指定されたもの

教科書

書籍名：データサイエンティスト検定（リテラシーレベル）公式リファレンスブック第3版
出版社：技術評論社
ISBN：‎ 978-4297141301

参考書

書籍名：徹底攻略データサイエンティスト検定問題集［リテラシーレベル］対応第2版
出版社：インプレス
ISBN：978-4295021353

到達目標

身に付ける力と対応する指標	単位修得に必要なレベル	目指すべきレベル
データの数理的な基礎が理解できる（a：受け取る力）	ベクトル・行列の基本的な計算ができる	線形代数の知識を活用して、データ処理や機械学習モデルの基盤を理解できる
統計的手法によるデータ分析ができる（a：受け取る力, c：進める力）	平均・中央値・最頻値・標準偏差の計算ができる	確率分布や推定の概念を活用し、データの傾向や異常を適切に判断できる
AI・機械学習の基礎が理解できる（a：受け取る力）	機械学習の基本的な概念（教師あり・教師なし学習）を説明できる	適切なデータ前処理を行い、簡単な機械学習アルゴリズムを適用できる
データの可視化と説明力の向上する（a：受け取る力, c：進める力）	基本的なグラフ（ヒストグラム・散布図など）を作成できる	適切な可視化手法を選択し、データの傾向をわかりやすく説明できる
データ倫理とAIの社会的影響が理解できる（a：受け取る力）	バイアスやプライバシー問題について基本的な説明ができる	AIの倫理的課題を理解し、公正なデータ活用の重要性を認識できる

指標と評価割合

		評価方法
		受講態度	授業中の活動	予習・復習	成果物・発表	試験	学修の振り返り
共通指標	a：受け取る力	20	20	10		40	10
	b：深める力
	c：進める力	20	20	10		40	10
	d：高める力
	e：伝える力
	f：つなげる力
固有指標	g：知識・理解
固有指標	h：技術・活用
全体の評価割合		20	20	10	0	40	10

授業計画

回数	学修内容	予習・復習内容		時間
１	授業ガイダンス当該科目で学ぶべき全体像を把握する	予習１	授業内容を良く確認しておくこと。	1
１	授業ガイダンス当該科目で学ぶべき全体像を把握する	復習１	受講方法や成績算出方法などを理解し学ぶべき事柄を整理しておくこと。	1
２	ベクトルの内積を理解し、線形式を内積で表せる行列とベクトルの計算を正しく行い、線形式を行列の積で表せる逆行列の定義と求め方を理解し、連立方程式を解ける固有ベクトルと固有値の意味を理解する導関数が傾きを求める式であることを理解する	予習２	テキストＤＳ１～ＤＳ５までを読み概要を理解しておく。	2
２		復習２	Moodleに掲出の課題に取り組み提出すること。	2
３	偏微分を理解し、勾配を求められる積分と面積の関係を理解し、確率密度関数の定積分で確率を求められる集合の基本をベン図で説明できる論理演算と集合演算の対応を理解している順列・組合せの式を理解し、適切に使い分けられる確率の基本概念を説明できる平均・中央値・最頻値の違いを説明できる分散・標準偏差・四分位・パーセンタイルを理解し、適切に使い分けられる母平均と標本平均、不偏分散と標本分散の違いを説明できる	予習３	テキストＤＳ６～ＤＳ１４までを読み概要を理解しておく。	2
３		復習３	Moodleに掲出の課題に取り組み提出すること。	2
４	標準正規分布の平均と分散を知っている相関関係と因果関係の違いを説明できる名義・順序・間隔・比例尺度の違いを理解しているピアソンの相関係数の分母と分子を説明できる代表的な確率分布を5つ以上説明できる二項分布が試行回数の増加で近似される分布を知っている量的・質的変数の関係の強さを算出できる指数関数と対数関数の関係を理解し、適切なグラフを使い分けられるベイズの定理を説明できる	予習４	テキストＤＳ１５～ＤＳ２３までを読み概要を理解しておく。	2
４		復習４	Moodleに掲出の課題に取り組み提出すること。	2
５	分析や図表からバラツキ、有意性、分布傾向などを読み取れる想定に影響されず、数値を客観的に解釈できる適切な区間設定でヒストグラムを作成し、データのバラつきを把握できる適切な軸設定でクロス集計表を作成し、属性間の偏りを把握できる散布図を描いて2変数の関係性を把握できる点推定と区間推定の違いを説明できる統計的仮説検定の帰無仮説と対立仮説の違いを説明できる第1種の過誤、第2種の過誤、p値、有意水準の意味を説明できる片側検定と両側検定の違いを説明できるデータの対応の有無を考慮し、適切な検定手法を選択・適用できる信頼度、支持度、リフト値を用いてXとYの関係を評価できる処置の効果を測るため、処置群と対照群を分けて比較・分析する必要性を理解している	予習５	テキストＤＳ２８～ＤＳ５３までを読み概要を理解しておく。	2
５		復習５	Moodleに掲出の課題に取り組み提出すること。	2
６	因果効果の推定には交絡因子の考慮が重要であると理解している選択バイアスが生じる可能性を理解している単独のグラフの集計・記載ミスをチェックできるデータの項目・量・質を正しく検証し、結果を説明できるデータの背景を考慮し、鵜呑みにしない重要性を理解している目的に応じて集計し、データから事実を把握できる集計の切り口や比較対象の設定がデータ分析に重要であると理解している取り扱うデータの発生トリガー・頻度・統計量・分布を把握している時系列データの基本的な扱いを説明できる	予習６	テキストＤＳ５４～ＤＳ７３までを読み概要を理解しておく。	2
６		復習６	Moodleに掲出の課題に取り組み提出すること。	2
７	標本誤差とサンプリングバイアスの違いを説明できる実験計画法の三原則を説明できる外れ値異常値欠損値を理解し適切に検出除去変換ができる標準化を理解し適切に実施できる名義尺度の変数をダミー変数に変換できる数値データの特徴量化ができるデータの性質を理解するために可視化して考える重要性を理解している	予習７	テキストＤＳ８２～ＤＳ１０１までを読み概要を理解しておく。	2
７		復習７	Moodleに掲出の課題に取り組み提出すること。	2
８	可視化の目的の広がりを説明できる散布図の縦軸・横軸を適切に選べる積み上げ縦棒グラフの層化を適切に選べるサンプリングやアンサンブル平均でデータ量を適切に減らせる統計量を使ってデータを加工し、効果的に可視化できるデータの意味を可視化して伝える重要性を理解している相手や場に応じて適切な情報濃度を判断できる軸表現の基礎を理解し、不必要な誇張を避けられる強調表現の効果と、不適切な強調表現を理解している	予習８	テキストＤＳ１０２～ＤＳ１２１までを読み概要を理解しておく。	2
８		復習８	Moodleに掲出の課題に取り組み提出すること。	2
９	1～3次元の比較を目的に応じて図表化できる図表の変化をアニメーションで可視化できる多変量の比較を適切に可視化できる外れ値を見出す適切な表現手法を選択できる可視化の基本的な視点を挙げられる単回帰分析で最小二乗法、回帰係数、標準誤差、決定係数を理解し、モデルを構築できる重回帰分析で偏回帰係数、標準偏回帰係数、重相関係数、自由度調整済み決定係数を説明できる	予習９	テキストＤＳ１２２～ＤＳ１４０までを読み概要を理解しておく。	2
９		復習９	Moodleに掲出の課題に取り組み提出すること。	2
１０	線形回帰とロジスティック回帰の違いを理解し、適切に使い分けられる ROC曲線とAUCを用いてモデルの精度を評価できる混同行列、Accuracy、Precision、Recall、F値、特異度を理解し、精度を評価できる RMSE、MAE、MAPE、決定係数を理解し、精度を評価できる機械学習の手法を3つ以上知り、概要を説明できる	予習１０	テキストＤＳ１４１～ＤＳ１６１までを読み概要を理解しておく。	2
１０		復習１０	Moodleに掲出の課題に取り組み提出すること。	2
１１	機械学習モデルを使用したことがあり、解決できる問題を理解している教師あり学習と教師なし学習の違いを理解している過学習とは何か、その問題点を説明できる次元の呪いとは何か、その問題点を説明できる教師あり学習におけるアノテーションの必要性を説明できるデータのバイアスや少数派の扱いによる差別的な振る舞いのリスクを理解している	予習１１	テキストＤＳ１６２～ＤＳ１６７までを読み概要を理解しておく。	2
１１		復習１１	Moodleに掲出の課題に取り組み提出すること。	2
１２	大域的な説明と局所的な説明の違いを理解しているホールドアウト法と交差検証法の仕組みを理解し、データを適切に分割できる時系列データでは時間軸に沿って訓練データとテストデータを分割する理由を理解しているデータドリフトによる精度劣化を防ぐため、運用時に精度をモニタリングする必要があることを理解しているニューラルネットワークの基本を理解し、入力層、隠れ層、出力層、活性化関数の重要性を説明できる決定木ベースのアンサンブル学習をライブラリを使って実行し、変数の寄与度を正しく解釈できる	予習１２	テキストＤＳ１６８～ＤＳ１７３までを読み概要を理解しておく。	2
１２		復習１２	Moodleに掲出の課題に取り組み提出すること。	2
１３	連合学習ではデータを共有せず、パラメータを共有してモデルを統合していることを理解しているモデルの改善よりもデータの質と量の向上が予測性能の改善に効果的な場合があることを理解している深層学習の主なメリットを理解しているデータサイエンスやAIにおけるモダリティの意味を説明できる時系列分析で重要な視点（長期トレンド、季節成分、周期性、ノイズ、定常性など）を理解しているクラスター分析と分類モデルの違いを説明できる階層クラスター分析と非階層クラスター分析の違いを説明できる階層クラスター分析のデンドログラムの見方を理解し、適切に解釈できる	予習１３	テキストＤＳ１７４～ＤＳ２２９までを読み概要を理解しておく。	2
１３		復習１３	Moodleに掲出の課題に取り組み提出すること。	2
１４	ネットワーク分析の基本概念を理解しているコンテンツベースフィルタリングと協調フィルタリングの違いを説明できるテキストデータのクリーニング処理を適切に実施できる形態素解析や係り受け解析のライブラリを使い、基本的な文書構造解析ができる自然言語処理のタスクを理解し、各タスクの入出力を説明できる画像のデジタル表現の仕組みと代表的な画像フォーマットを知っている画像の色変換やフィルタ処理を適切に行える画像データのクリーニング処理を適切に実施できる画像認識の基本タスクと応用タスクを理解し、入出力を説明できる	予習１４	テキストＤＳ２４０～ＤＳ２６８までを読み概要を理解しておく。	2
１４		復習１４	Moodleに掲出の課題に取り組み提出すること。	2
１５	動画のデジタル表現の仕組みと代表的な動画フォーマットを理解し、動画から画像を抽出できる WAVやMP3の特徴や用途、サンプリングレートや符号化などの基本的な変換処理を説明できる大規模言語モデルのハルシネーションの原因を、学習データの誤りや不足の観点から説明できるまとめ	予習１５	テキストＤＳ２７４～ＤＳ２８２までを読み概要を理解しておく。	4
１５		復習１５	Moodleに掲出の課題に取り組み提出すること。	2
１６	定期試験	予習１６	授業範囲を全て復習し試験に備えること。	1
１６	定期試験	復習１６	試験結果を参照し内容理解に努めること。	1

主担当教員のオフィスアワー

福田太志
授業前後で教室にて質問を受け付けます。また、メールでの問い合わせは以下を参考にしてください。

メールで質問する際は以下のアドレスに大学名、授業名、氏名、学籍番号を明示して連絡してください。
k13007@center.shonan-it.ac.jp

（備考）
メールを集約している関係上taishi@pczama.comから返信がある場合があるので見落とさないように気を付けてください。

備考

参考書である問題集の購入は必須ではありませんが、課題および定期試験の参考となるため購入をお勧めします。

シラバス検索トップ