基本情報/Basic Information

開講科目名 ／Class	演習ⅠB／Seminar　ⅠB
授業コード ／Class Code	B600021021
ナンバリングコード ／Numbering Code	BACa609/DSCa609
開講キャンパス ／Campus	ﾎﾟｰﾄｱｲﾗﾝﾄﾞ
開講所属 ／Course	経営学部／Business Administration
年度 ／Year	2024年度／Academic Year
開講区分 ／Semester	後期／AUTUMN
曜日・時限 ／Day, Period	水2(後期)／WED2(AUT.)
単位数 ／Credits	2.0
主担当教員 ／Main Instructor	金澤　拓也／KANAZAWA　TAKUYA
遠隔授業 ／Remote lecture	No

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
金澤　拓也／KANAZAWA　TAKUYA	経営学部／Business Administration

授業の方法 ／Class Format	対面授業（演習）
授業の目的 ／Class Purpose	この科目は，経営学部のDPに示す，企業を始めとした多様な組織の事業計画・経営戦略の策定に必要なデータを収集し，意思決定に必要な課題をシステマティックに分析し，合理的な解決を図るのに必要な知識や技能を修得することを目指す。 演習ⅠAに引き続き，実践的なデータ分析のためのツールの使いこなし，およびデータの観察から仮説を立てる演習を行う。機械学習は多くの種類のモデルの中からどれを選ぶか初心者は戸惑いやすい。こうした陥穽を避けるための方策を学ぶ。また，個人ワークおよびグループディスカッションで自分の興味や関心について検討することで，興味の持てるテーマについてイメージをつかみ，演習Ⅱや卒業論文執筆への準備を行う。 なお，本科目ではAIモデル内部の仕組みの理論的解説や，画像・文章・動画・音声等のいわゆる非構造化データの分析については取り扱わない。 この科目の担当者は，総合電機メーカーでAIとデータサイエンスの産業応用について研究開発を行った実務経験のある教員である。講義においては経験を生かして実践的な学びへと繋げていきたい。
到　達　目　標 ／Class Objectives	・AI系ツールの基礎的な使い方がわかる。 ・ツールの機能に不明な点があるときネット検索して自分で必要なヒントを見つけることができる。 ・演習Ⅱで取り組む卒業論文のテーマ設定のために必要な知識を獲得することができる。 ・プレゼンテーション資料の作り方や発表に関する技能を習得できる。
授業のキーワード ／Keywords	データ分析，機械学習，プログラミング，最適化，人工知能，プレゼン，グループディスカッション
授業の進め方 ／Method of Instruction	PCを使った演習形式で行う。教員による講義が入ることもある。また宿題として簡単な課題を出すことで記憶の定着を促進することがある。 必要に応じてテキスト以外の追加資料を配布する。
履修するにあたって ／Instruction to Students	積極的に質問をすること。教員の説明を聞くだけでなく学生同士の議論にも積極的に協調性をもって参加することが望ましい。 また，日頃からAI/機械学習/データサイエンスの利活用に関する社会のニュースにアンテナを張っておくこと。
授業時間外に必要な学修内容・時間 ／Required Work and Hours outside of the Class	テキストをよく読むこと。復習１時間が目安である。
提出課題など ／Quiz,Report,etc
成績評価方法・基準 ／Grading Method・Criteria	授業時間中の課題や宿題の達成度（65%）と報告・発表を聴く姿勢・聴いての質問やコメント（35％）で評価する。 単位修得には3分の2以上の出席が必要である。
テキスト ／Required Texts	須藤秋良　『スッキリわかる　Pythonによる機械学習入門』　株式会社インプレス　２０２０年　３，０００円＋税
参考図書 ／Reference Books	トーマス・S・マラニー，クリストファー・レア 著，安原和見 訳　『リサーチのはじめかた』　筑摩書房　２０２３年　２，２００円＋税

No.	回 ／Time	主題と位置付け ／Subjects and position in the whole class	学習方法と内容 ／Methods and contents	備考 ／Notes
1	第1回	ガイダンス	ゼミの進め方，テキストの紹介，評価方法の説明。
2	第2回	Pythonとは	プログラミング言語Pythonの文法の復習を行う。
3	第3回	数値計算	Pythonはいわば超高性能な電卓として使うこともできる。そこで，複雑な計算でも簡単に行える，numpyというライブラリを紹介する。
4	第4回	データの扱い１	Pythonで機械学習に使うデータを読み込んだり保存したりする練習を行う。
5	第5回	データの扱い２	データを扱うツールとして有名なpandasというライブラリを紹介する。データを可視化する練習を行う。
6	第6回	機械学習の準備	機械学習のためのライブラリ scikit-learn を紹介し，どのようなモデルが含まれている（すぐ使える）状態なのかを見ていく。
7	第7回	機械学習の試行１	シンプルなデータをもとに，学習と予測のフローを行い，結果を考察する。
8	第8回	機械学習の試行２	前回に続き，学習と予測のフローに慣れ親しむ。
9	第9回	良いモデルとは	いったん作成できたAIモデルの性能評価を行う方法や，過学習・汎化・モデル選択といった基礎的概念について学ぶ。
10	第10回	機械学習の試行３	前回の内容を踏まえ，よりよいモデルを作って選ぶプロセスを体験する。
11	第11回	卒論への助走１	参考書『リサーチのはじめかた』の演習をベースに，自分の興味あるテーマと，逆に自分が退屈に感じるテーマを探る作業を行う。
12	第12回	卒論への助走２	前回の作業を続けるとともに，グループで互いの作業内容を共有する。
13	第13回	卒論への助走３	自分が現時点で興味あるテーマに関連したデータを収集する。簡単のため，インターネットから入手できるデータに絞る。チャットAI（BardやChatGPTなど）も随時活用する。
14	第14回	卒論への助走４	機械学習モデルを用いてそのデータのより深い理解と予測にチャレンジする。この時点で明確な結果は出なくてもよいが，作業内容はきちんと報告すること。
15	第15回	まとめ	演習ＩＢの内容を振り返る。自分の１年間勉強してきたことをまとめる。