科目ナンバー

SG-AI5-7A01

履修条件・関連科目等

・線形代数と微分（偏微分を含む）の基礎をしっかりと身につけていること。
・RもしくはPythonを用いたプログラミングのスキルをもつこと。
・統計学および機械学習の代表的なデータ分析手法のアルゴリズムを理解していること。

授業で使用する言語

日本語

授業で使用する言語（その他の言語）

授業の概要

指導教員と相談の上、研究テーマを定める。研究テーマに関連したテキスト、論文を読み、内容を深く理解し、説明する。研究の進捗について適宜報告（発表）する。発表に際してはレジュメを用意する。

科目目的

課題を見つけ、その解決に必要なデータは何かを判断できる力を習得することを目的とする。

到達目標

以下を到達目標とする。
・データ収集における制約と困難さを理解し、具体的にデータ収集の戦略が立てられる。
・大規模なサイズのデータセット（ビッグデータ）を計算機に読み込む際の困難な点を理解し、回避策を正しく判断できる。
・ビッグデータの一部を抽出し、複数の形式のグラフに描画できる。
・時系列データの場合は簡単な予測を、またそうでない場合は簡単な判別問題を、複数の機械学習の手法でもって行える。

授業計画と内容

各研究室単位で実施するものとする。具体的な授業計画は以下の通り。

第１回　イントロダクション、論文研修第一について
第２回　文献調査の方法
第３回　教員による論文紹介①
第４回　教員による論文紹介②
第５回　学生による論文紹介①
第６回　学生による論文紹介②
第７回　研究指導①
第８回　研究指導②
第９回　研究進捗発表①
第10回　研究進捗発表②
第11回　研究進捗に対する質疑応答①
第12回　研究進捗に対する質疑応答②
第13回　研究発表に対する質疑応答、まとめ
第14回　論文研修第一の総括と論文研修第二に向けた課題設定

授業時間外の学修の内容

指定したテキストやレジュメを事前に読み込むこと／その他

授業時間外の学修の内容（その他の内容等）

参考文献を参考に自立的にプログラミングを行い、結果を検証することで、コンピタンスを高める努力を行うことが必要である。

授業時間外の学修に必要な時間数／週

・学位論文の作成等に対して専門分野に関する必要な研究指導を行うことを基本とします。

成績評価の方法・基準

成績評価の方法・基準（備考）

課題や試験のフィードバック方法

授業時間内で講評・解説の時間を設ける／その他

課題や試験のフィードバック方法（その他の内容等）

メールやSlackを用いた指導も併用する。オフィスアワーをほぼ週一で設け、随時、質問や相談に対応する。

アクティブ・ラーニングの実施内容

PBL（課題解決型学習）／ディスカッション、ディベート／プレゼンテーション

アクティブ・ラーニングの実施内容（その他の内容等）

授業におけるICTの活用方法

実施しない

授業におけるICTの活用方法（その他の内容等）

実務経験のある教員による授業

いいえ

【実務経験有の場合】実務経験の内容

【実務経験有の場合】実務経験に関連する授業内容

テキスト・参考文献等

参考文献：
（１）樋口知之　著、予測にいかす統計モデリングの基本　改訂第2版―ベイズ統計入門から応用まで 、講談社、2022、ISBN: ‎ 978-4065285701
（２）樋口編・著、データ同化入門、朝倉書店、2011、ISBN: 978-4254127867
（３）佐藤忠彦著、樋口知之著、ビッグデータ時代のマーケティング、講談社、2013、ISBN: 978-4061573024
その他、授業の中で適宜指示する。

その他特記事項

参考URL

https://researchmap.jp/matrix/

https://www.ism.ac.jp/~higuchi/