2025年度後期データマイニング

曜日・時限 木曜日2時限 期別 後期 週時間数 2
ナンバリング GP331306
開講学科等 情報通信工学部-情報工学科
教員名 古崎 晃司
古崎 晃司
職務履歴

https://research.osakac.ac.jp/index.php?%e5%8f%a4%e5%b4%8e%e3%80%80%e6%99%83%e5%8f%b8

教員情報データベースに遷移します

目的

大量のデータの中から有用な規則,仮説,知見などの新しい知識を見つけるデータマイング技術について,基本的な知識と実践力を習得することを目的とする.データマイニングの技術は,統計学,ソフトウェア科学,コンピュータ工学,情報システム,情報メディアなど,多くの分野と関わっている.本講義では,これらの各分野における情報学の知識を中心に,その技術の基礎となる統計的解析,機械学習,自然言語処理などを用いた,データ分析の基本的な理論と手法を解説する.各手法をより深く理解するために,実データを対象とした分析を手法に応じたソフトウェアを利用して行い,データ分析の実践力を身に着けることを目指す.

授業計画

授業回 形式 学修内容 学修課題
1 A,C データマイニングとは
相関分析
事前学修 相関分析の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 相関分析に関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
2 A,C 回帰分析 事前学修 回帰分析の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 回帰分析に関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
3 A,C 重回帰分析 事前学修 重回帰分析の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 重回帰分析に関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
4 A,C ロジスティック回帰分析 事前学修 ロジスティック回帰分析の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 ロジスティック回帰分析に関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
5 A,C 主成分分析 事前学修 主成分分析の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 主成分分析に関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
6 A,C 因子分析 事前学修 因子分析の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 因子分析に関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
7 A,C データマイニングツールの利用
決定木
事前学修 決定木の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 データマイニングツールWekaを用いた決定木に関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
8 A,C パターンマイニング,相関ルール 事前学修 パターンマイニング,相関ルールの基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 パターンマイニング,相関ルールに関する練習課題に取組み,データ分析の結果をまとめる.(3時間)
9 A,C 階層的クラスタリング・k-means法 事前学修 クラスタリングの基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 階層的クラスタリング・k-means法に関する練習課題に取組み,データ分析の結果をまとめる.(2時間)
10 A,C クラスタリング・EMアルゴリズム 事前学修 クラスタリング・EMアルゴリズムについて,参考資料をもとに調べておく.(2時間)
事後学修 クラスタリング・EMアルゴリズムに関する練習課題に取組み,データ分析の結果をまとめる.(2時間)
11 A,C サポートベクトルマシン(SVM) 事前学修 サポートベクトルマシン(SVM)の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 サポートベクトルマシン(SVM)に関する練習課題に取組み,データ分析の結果をまとめる.(2時間)
12 A,C アンサンブル学習 事前学修 アンサンブル学習の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 アンサンブル学習に関する練習課題に取組み,データ分析の結果をまとめる.(2時間)
13 A 深層学習の基礎
ニューラルネットワークの原理
事前学修 深層学習の基本的な考え方,手法について,参考資料をもとに調べておく.(2時間)
事後学修 深層学習に関する練習課題に取り組み,データ分析の結果をまとめる.(2時間)

授業形式記号

  • A:一斉授業(通常の講義)
  • B:問題発見・解決学習、プロジェクト学習
  • C:体験、実験、実習、演習など
  • D:調査 分析、解析など
  • E:ものづくり、作品制作
  • F:グループワーク(ディスカッション・ディベートを含む)
  • G:プレゼンテーション
  • H:地域・企業 連携型学習
  • I:その他

到達目標

〇修得する資質・能力:知識・理解力、応用力【DP-P-1-1】
 1.データマイングの概要と基本的な実施手順を理解する.
 2.データマイニングの各手法について,理論の基本的な考え方を理解する.
 3.実データに対し,データマイニングの基本的な手法を適用できる.
〇修得する資質・能力:コミュニケーション力【DP-P-2-1】【DP-P-2-2】
 4.データマイニングの手法を適用した結果を解釈し,人に説明することができる.

評価方法と評価観点

評価方法 配点合計知識・理解力応用力コミュニケーション力態度・志向性創造力 合計
定期試験またはレポート試験 40% 80% 20% 100%
小テスト、小論文 0%
グループワーク 0%
プレゼンテーション 0%
レポート、宿題 60% 40% 30% 20% 10% 100%
授業での姿勢(ノート、質疑など) 0%
作品、パフォーマンス(実技、実演) 0%
その他1(具体的に: 0%
その他2(具体的に: 0%
100% 56% 26% 12% 6% 0% 100%

教科書・参考書

教科書:特になし.適宜,資料を配布する.

参考書:
「データマイニングの基礎」元田浩,津本周作,山口高平,沼尾正幸共著,オーム社
「データマイニングと集合知-基礎からWeb,ソーシャルメディアまで-」,石川博,新美礼彦,白石陽,横山昌平著,共立出版

オフィスアワー

火曜日5限,A-S242(A号館2階25)
学内外の用務で不在の場合もあるので,できるだけ事前連絡の上で訪問する.
授業で出した課題については,解答を適宜解説すると共に,考え方をまとめた資料をオンラインで公開することでフィードバックする.

その他

講義中にエクセルや,フリーソフトウェア等を用いてデータ処理を行うため,パソコンを持参すること.

実務経験のある教員による授業科目