授業科目詳細

2025 年度の講義概要のデータベースを検索します。カリキュラムツリーへのリンク

科目名 Course title サブテーマ Subtitle

データマイニング

授業形態/単位 Term/Credits クラス Class

秋/2

授業概要 Course Description 到達目標 Course Objectives

授業種別 / Teaching Types: 講義（対面型）
言語 / Language: 日本語(Japanese)
授業概要 / Course Description: 　情報通信技術の発達により、様々なデータを自動的に収集・蓄積できるようになった。データマイニングは、蓄積された大量のデータから、問題解決に有用な知識や規則を抽出する技術の総称であり、金融、流通、製造、通信、医療など様々な分野に適用されている。本講義では、データマイニングで用いられる基本的なデータ分析手法を学習し、実習を通じて各手法の理解度を深める。
到達目標 / Course Objectives: 　本講義の到達目標は以下の通りである。
①　データマイニングに関する基本的な知識や技術を身につける。
②　基本的なデータ分析手法を理解し、それらを利用できる。
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: 第　１回　データマイニングについて：人工知能と学習理論
第　２回　KNN法（基礎理論）
第　３回　KNN法（事例紹介および応用）
第　４回　RBF Neural Network（基礎理論）
第　５回　RBF Neural Network（事例紹介および応用）
第　６回　線形判別分析（基礎理論）
第　７回　線形判別分析（事例紹介および応用）
第　８回　前半のまとめおよび演習課題
第　９回　線形回帰分析（基礎理論）
第１０回　線形回帰分析（事例紹介および応用）
第１１回　サポートベクターマシン（基礎理論）
第１２回　サポートベクターマシン（事例紹介および応用）
第１３回　クラスター分析（基礎理論）
第１４回　クラスター分析（事例紹介および応用）
第１５回　後半のまとめおよび最終課題
授業時間外学習 / Expected work outside of class: 　講義内容の基礎知識にもとづきデータの解析や演習を行うため、講義内容の理解をするよう復習しておくこと。

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。
　平常成績（レポート・課題など）を30点、平常試験（授業内で実施するテスト）を35%、最終まとめの課題35点とし、計60点以上を合格とする。
基準・評価 / Evaluation Criteria・Assessment Policy: 出席率70％以上のものを成績評価対象とする。

参考書 References: 加藤，羽室，矢田　　『データマイニング』　　朝倉書店　　
元田，津本，山口，沼尾　　『データマイニングの基礎』　　オーム社　　
杉山，藤越，小椋　　『多変量データ解析』　　朝倉書店　　
佐藤　　『多変量データの分類ー判別分析・クラスター分析ー』　　朝倉書店　　
中山，岡部，荒川，尹　　『多目的最適化と工学設計－しなやかシステム工学アプローチ』　　（現代図書）　　
C. C. Aggarwal　　『Data Mining: The Textbook』　　Springer

担任者への問合せ方法 Instructor Contact: オフィスアワー
　　授業の前後に対応する．
その他
　　関大LMSのメッセージ機能を活用する．
　　メールや関大LMS、インフォメーションシステムの
　　　FAQ 機能を通じて事前に在室を確認されたい．
メールアドレス
　　yeboon@kansai-u.ac.jp