シラバス参照／View Syllabus
|
シラバス参照／View Syllabus
|
| 科目一覧へ戻る／Return to the Course List | 2021/08/23 現在／As of 2021/08/23 |
|
開講科目名 ／Course |
システムズ?エンジニアリングb／SYSTEMS ENGINEERING(B) |
|---|---|
|
開講所属 ／Course Offered by |
経済学部経営学科／ECONOMICS MANAGEMENT |
|
ターム?学期 ／Term?Semester |
2021年度／2021 Academic Year 秋学期／FALL SEMESTER |
|
曜限 ／Day, Period |
月2／Mon 2 |
|
開講区分 ／semester offered |
秋学期／Fall |
|
単位数 ／Credits |
2.0 |
|
学年 ／Year |
3,4 |
|
主担当教員 ／Main Instructor |
広瀬 啓雄 |
|
教員名 ／Instructor |
教員所属名 ／Affiliation |
|---|---|
| 広瀬 啓雄 | 経営学科／MANAGEMENT |
|
授業の目的?内容 ／Course Objectives |
経営?経済や社会において，企業機密の漏洩や温暖化あるいは非正規雇用労働者の増加や成果主義への移行など、さまざまな現象が現れている。このような問題を解決するためのひとつのアプローチとしてシステム論的なアプローチとそれを支援する方法論がある。 また，IoTにより多種多様なデータが収集可能となり，これまでの統計的なアプローチだけでなく，機械学習や人工知能の技術を応用したデータから意思決定する場面も多く見られる。 この授業の前期では，このような時代でシステム構築をするための，ハードウェア?ソフトウェアの基礎知識，ソフトウェア工学の基礎を学び，経営情報システムを構築する手順とマネジメントする方法論を取得することを目的とする。後期は，これからツールとして当たり前に普及するであろう機械学習やAIの基礎知識を習得し，実際にデータ分析ができるスキルと知識を身につける。 また，この授業では，学科専門科目としてコンピュータで処理される情報の原理および情報を扱う人間社会を理解し，社会にあふれる膨大なデータから意味のある情報を取り出して，必要となる内容をプログラミング，データベース，Web サイト，機械学習を活用して集約することにより問題解決につなげる能力を身に付けることを最終目標とする。 |
||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
|
授業の形式?方法と履修上の注意 ／Teaching method and Attention the course |
前期は独自のe-Learningシステムにアップされたテキストを学習し，自動採点機能の練習問題を解く方式で，知識習得を中心に学習する。授業終了後に行う練習問題の正解率は，レポートの点として計算する。 プログラミング開発は，Google Colabolatoryを使う。Windows，Macを問わず，インターネットに接続できる環境であれば，PCでを使い自宅からでも学習可能である。 もし，Zoomによる遠隔授業となる場合は，授業中に動画＆PPTによる学習をして，その学習が終了後に，各自，練習問題の取り組む。授業の様子は，復習で利用できるように動画として保存し，Manabaにアップする。 レポートについては，次回授業時に特徴的なコメントおよび解説を行う。 |
||||||||||
|
事前?事後学修の内容 ／Before After Study |
授業終了時に授業のまとめと確認問題が出される。次回までに指定されたサーバに提出する。事前学習として1時間，事後学習として1時間程度の学習が望ましい。 | ||||||||||
|
テキスト1 ／Textbooks1 |
|
||||||||||
|
テキスト2 ／Textbooks2 |
|
||||||||||
|
テキスト3 ／Textbooks3 |
|
||||||||||
|
参考文献等1 ／References1 |
|
||||||||||
|
参考文献等2 ／References2 |
|
||||||||||
|
参考文献等3 ／References3 |
|
||||||||||
|
評価方法 ／Evaluation |
授業ごとのレポート50％、期末試験またはレポート50％。 この授業の目指す難易度は，Pythonで簡単なデータ処理をして，その結果をグラフ表示する。学習した，線形モデルで教師あり回帰モデルをつかって機械学習によりデータを予測するプログラム，ロジスティック回帰モデルを使った機械学習により識別予測をするプログラム，mnistを例題としたDeep Learningで，ハイパーパラメータのチューニングができるレベルを想定している。 |
||||||||||
|
関連科目 ／Related Subjects |
システム?エンジニアリングaを履修していることを前提として授業を行う。 | ||||||||||
|
備考 ／Notes |
特になし | ||||||||||
|
到達目標 ／Learning Goal |
経営システムに関する専門知識を習得し、経済や企業に関する諸問題を数理的に分析のうえ、解決策を提示できるようにする。 |
| 回 ／Time |
授業計画（主題の設定） ／Class schedule |
授業の内容 ／Contents of class |
事前?事後学修の内容 ／Before After Study |
|---|---|---|---|
| 1 | ガイダンス 人工知能と機械学習 |
学習内容の説明 人工知能と機械学習の概要説明 |
特になし |
| 2 | Pythonプログラミングの基礎(1) | Python基本文法 データの型 |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 3 | Pythonプログラミングの基礎(2) | データ構造 list構造 |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 4 | Pythonプログラミングの基礎(3) | 制御文 条件分岐 if文 |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 5 | Pythonプログラミングの基礎(4) | 制御文 繰り返し処理 for文 |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 6 | Pythonプログラミングの基礎(5) | 制御文 繰り返し処理 while文 |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 7 | Pythonでデータ分析(1) | 基本統計量の計算 | (事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 8 | Pythonでデータ分析(2) | 確率分布関数 データのグラフ化(確率分布) |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 9 | Pythonでデータ分析(3) | 相関係数と回帰分析 散布図 |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 10 | Pythonでデータ分析(4) | 平均値の検定 箱ひげ図 |
(事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 11 | 機械学習 決定木 | 決定木アルゴリズムと分析事例学習 | (事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 12 | 機械学習 ナイーブベイズ | ナイーブベイズのアルゴリズムと分析事例学習 | (事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 13 | 機械学習 ベイジアンネットワーク | ベイジアンネットワークのアルゴリズムと分析事例学習 | (事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |
| 14 | 人工知能 ニューラルネットワーク | ニューラルネットワーク分析と分析事例学習 | (事後学習)e-Learningシステムで課題を提示するので，次週までに提出(30分程度) |