科目名
(英語名) |
__科目名__
(__科目名(英語)__) |
| 担当教員 |
西村 まどか |
| 開講時期 |
__開講時期__ |
| 科目ナンバー |
__科目ナンバー__ |
| 授業コード |
1459 |
| 単位 |
__単位__ |
| 授業概要 |
データの整形, データのアクセス方法, データの表現方法を学ぶ |
| 到達目標 |
データビジュアライゼーションの元になる技術を Python 言語であれば何を使っているのかわかるようになる |
| スキルの育成方法 |
毎回の講義に関連したレポートをまとめることで批判的思考力, 論理的思考力, 情報収集力, 課題発見力, 問題解決力を育成する。 |
| 授業計画 |
| 回 | 授業内容 | 事前事後学修内容・所要時間 |
|---|
| 1 | 情報可視化の概観 | [事後] 今回のテーマのまとめ(2時間) |
| 2 | データと線形関係 | [事後] 今回のテーマのまとめ(2時間) |
| 3 | 多変量量的データの表現方法 | [事後] 今回のテーマのまとめ(2時間) |
| 4 | 多変量質的データの表現方法 | [事後] 今回のテーマのまとめ(2時間) |
| 5 | ネットワークの表現手法 | [事後] 今回のテーマのまとめ(2時間) |
| 6 | 階層データの表現手法 | [事後] 今回のテーマのまとめ(2時間) |
| 7 | 地理データの表現手法 | [事後] 今回のテーマのまとめ(2時間) |
| 8 | | |
| 9 | | |
| 10 | | |
| 11 | | |
| 12 | | |
| 13 | | |
| 14 | | |
受講者の事前知識と進度により適宜変更する。
|
| 成績評価基準 |
出席態度 2 割, レポート提出 4 割, 課題の理解度 4 割 |
| 前提科目 |
数学a, b, 統計学a, b, データリテラシー\n(同時履修可能) データサイエンス入門a, データサイエンス入門b, 経営工学a, 経営工学b, 応用数学a, 応用数学b, 応用数学c, 応用数学d |
| 後継科目 |
機械学習 a, b, c, d |
| 教科書 |
Pythonで学ぶはじめてのデータサイエンス, 吉田雅裕, 技術評論社, ISBN 978-4-297-13421-1. |
| 参考書 |
情報可視化入門, 三木和男, 森北出版, ISBN978-4-627-85591-5.\nデータビジュアライゼーションの基礎—明確で、魅力的で、説得力のあるデータの見せ方・伝え方, Claus O. Wilke, https://www.oreilly.co.jp/books/9784873119533/, ISBN: 784873119533.\nPython インタラクティブ・データビジュアライゼーション入門, @driller 他, https://www.asakura.co.jp/detail.php?book_code=12258, ISBN: 978-4-254-12258-9. |
| その他・注意事項 |
データサイエンス入門a, b と合わせて取ることを強く推奨する。\nスライドと音声による講義の提供は全ての回において提供できる。毎回レポートの提出及び出席管理は電子的な手法で行う。操作方法は提供する URL にアクセスし設定を自分で行うこと。このため、板書を取るノート, 筆記用具および VPN を用いて学内からアクセスできる携帯電話, PC, 手書きでレポートを提出する際に用いる USB メモリ等の環境整備が必要である。初回受講時には Anaconda をインストールした PC を持参すること。タブレット端末での機械学習プログラミングはかなり困難である。
|