- 学部・研究科
Faculty/Graduate School - シ
- 時間割コード
Course Code - 62496
- 科目名
Course title
サブテーマ
Subtitle - プログラミングプロジェクト実習２
- 授業形態/単位
Term/Credits - クラス
Class -
- 春/1
- 1
- 担任者名
Instructor - 吉田 壮/本仲 君子/近藤 健一
- 曜限
Day/Period - 月1
- 授業概要
Course Description
到達目標
Course Objectives -
授業種別 / Teaching Types
実験・実習・製図（対面型）
言語 / Language
日本語(Japanese)
授業概要 / Course Description
人工知能は，データや経験から学習を行い自律的に認識・判断・推論を行うことができる技術であり，自動運転や自然言語処理など様々な分野で応用が期待されている．また，マーケティングなどにおいても，ビッグデータからユーザの行動や嗜好などの傾向を導き出す統計分析も近年注目されている．これら最先端分野のソフトウェア開発で主流となっているプログラミング言語がPythonである．
本講義では，Python言語の基本を学ぶとともに，Pythonの特長である豊富な科学技術計算ライブラリを用いて，データサイエンスや人工知能の最先端分野で必要とされる高度なプログラムを効率よく作成する技術を習得する．到達目標 / Course Objectives
① 知識・技能の観点
（１）Pythonの基本習得: Python言語の基本的な文法（変数，関数，条件分岐，繰り返し処理，リスト等）を理解し，プログラムを作成できる．
（２）ライブラリの操作: NumPy，SciPy，Pandas，Matplotlibを用いた科学技術計算，データ加工，可視化の具体的な手法を修得している．
（３）機械学習の実装: 教師あり学習（回帰，決定木，k近傍法）および教師なし学習（クラスタリング，主成分分析）のアルゴリズムをライブラリで実行できる．
② 思考力・判断力・表現力等の能力の観点
（１）データ分析の立案と評価: 与えられたデータに対して適切な統計手法（相関，散布図等）を選択し，分析結果から傾向や特徴を導き出すことができる．
（２）モデルの最適化判断: 機械学習において，モデルの検証結果に基づき，チューニングの必要性や手法を論理的に判断できる．
（３）スクレイピングの応用: Webサイトの構造を理解し，必要な情報を効率的に取得・加工するための手順を設計できる．
③ 主体的な態度の観点
（１）自律的な学習・環境構築: Anaconda3等の演習環境を自ら管理し，予習・復習を通じてプログラミング技能の向上に継続的に取り組むことができる．
（２）課題解決への意欲: 毎回の課題やレポートに対し，学んだ技術を応用して自発的にプログラムの実装やデータ解析を完遂しようとする姿勢を持つ．授業手法 / Teaching Methods
・教員による資料等を用いた説明や課題等へのフィードバック
・学生による学習のふりかえり
・課題探究（プロジェクト学習、課題解決型学習、ケーススタディ等含む）
- 授業計画
Course Content -
授業計画 / Course Content
本講義は，1年次配当科目「基礎プログラミング」で学んだC言語による基本的なプログラミング技法を習得していること，ならびに授業開始前に演習内容説明動画で予習してくることを前提とする．
基本的な講義の内容は以下の通りである．
１．教科書に沿って以下の内容を学ぶ（１回〜５回）
・ガイダンスと演習準備
・Pythonによるファイルやフォルダの操作
- 変数・関数の取り扱い
- 条件分岐を用いたファイル操作
- 繰り返し処理を用いたファイル操作
- 累積演算代入子を用いたフォルダ数管理
- リストを用いたファイル一括処理
・PythonによるWebページデータのスクレイピング
- Webページに表示されているデータの取得
- HTMLからのデータ取得
- 取得データの加工
- データのCSVファイルへの書き出し
・CSVファイルに書き出したデータの分析
- 平均など基本的な統計による分析
- データそれぞれの相関係数を求める分析
- 散布図を用いた分析
２．科学計算，データ加工，グラフ描画ライブラリを用いた基礎的なデータ解析について学ぶ（６〜8回）
・NumpyとScipyを使った基礎的な科学計算
・Pandasを使った基礎的なデータ加工処理
・Matplotlibを使った基礎的なデータ可視化
３．機械学習ライブラリを用いた実践的なデータ解析について学ぶ（9〜14回）
・教師あり学習（回帰分析）
・教師あり学習（決定木/k近傍法）
・教師なし学習（クラスタリング）
・教師なし学習（主成分分析）
・モデルの検証とチューニング
・機械学習のまとめ
オンデマンド配信授業回 第2回から第13回までの演習内容説明動画（全12本）
（各回約30分～45分，学習課題の自宅演習 約60分）授業時間外学習 / Expected work outside of class
（１）第1回から第5回は教科書に沿って授業を進めるので予習して授業を受けること．自宅パソコンにAnaconda3をインストールし，演習内容を復習すること．
（2）第2回から第13回までの演習内容の説明動画（各回30分～45分）を関大LMSにて配信する．毎回の講義課題のプログラムを時間内に完了するため，事前に予習しておく必要がある点に留意すること．
（３）１年次配当科目である基礎プログラミングで学んだC言語による基本的なプログラミング技法を復習することも望ましい(文法的に類似した点がたくさんあるため)．
- 成績評価の方法・基準・評価
Grading Policies /
Evaluation Criteria -
方法 / Grading Policies
定期試験を行わず、平常試験(小テスト・レポート等)で総合評価する。
・毎回の講義で取り組む課題・レポート：100%基準・評価 / Evaluation Criteria・Assessment Policy
・Python言語による基本的なプログラミングの知識・技能
・Pythonライブラリを用いた基礎的な科学技術計算，データ解析手法の知識・技能
・Pythonの機械学習ライブラリを活用した実践的なデータ解析の知識・技能
- 教科書
Textbooks 立山 秀利 『入門者のPython プログラムを作りながら基本を学ぶ』 講談社 (2018/9/19)
-
参考書
References
- フィードバックの方法
Feedback Method 毎回の講義で取り組む課題の解説を講義時間内に行う．
- 担任者への問合せ方法
Instructor Contact オフィスアワー
関大LMSで随時質問を受け付けます
- 備考
Other Comments 【オンデマンド配信授業回に関する情報】
（1）配信元：関大LMS
（2）配信時期／期限：全12回分の説明動画を，第1回授業開始時から順次配信．配信期間は7月末日まで．予習・復習に活用すること．
（3）質問対応：質問は対面授業時または関大LMSのメッセージで受け付けます．