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 | 2022/03/28 現在／As of 2022/03/28 |
|
開講科目名 ／Course |
情報とシステム／INFORMATION AND SYSTEM |
|---|---|
|
開講所属 ／Course Offered by |
大学院／ |
|
ターム?学期 ／Term?Semester |
2022年度／2022 Academic Year 春学期／SPRING SEMESTER |
|
曜限 ／Day, Period |
月3／Mon 3 |
|
開講区分 ／semester offered |
通年／Yearlong |
|
単位数 ／Credits |
4.0 |
|
主担当教員 ／Main Instructor |
広瀬 啓雄 |
|
科目区分 ／Course Group |
大学院科目 講義科目 |
|
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 |
ITの時代、エコの時代あるいは知識社会やグローバル社会といわれる今日、企業機密や個人情報の漏洩、経済格差、地球温暖化や非正規雇用労働者の増加あるいは成果主義への移行など、さまざまな現象が現れている。 このような現象の本質を把握するためには、現象をひとつの問題として認識し、その本質を明らかにし、問題解決に導くことは大変重要なことである。このような問題解決を図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。 第１部(春学期)では、企業経営における問題を解決するための基礎となる、問題の本質を把握するためのシステム認識プロセスやグラフ理論を基礎とした認識方法、ならびに問題の定義とシステム分類を示し，多種多様な情報処理システムの基本的な原理を習得する。とくに，現在主流となっているWebシステムの実装を事例として深く学習する。 第2 部(秋学期)では，機械学習と人工知能の基本的な原理を習得するために，実際にPCをつかいプログラミング言語の習得，機械学習や人工知能で具体的事象の予測ができることを目的として学習を進める。 |
||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
|
授業の形式?方法と履修上の注意 ／Teaching method and Attention the course |
第1部(前期)では、まずは，情報処理システムの基本原理を習得する。次に，実際のテーマを設定し、PHP & MySQL（開発環境はEclipse）によるWebベースのシステム構築により実践する演習も含む。 第2部(後期)では，ビッグデータを分析する手法として機械学習や人工知能の基礎知識を学習し，Pythonにより実データの分析する演習も含む。 キーワード：機械学習，人工知能，意思決定と不確実性、予測法、統計的システムモデリング、システムと情報などが主題となる。 PCをつかって実際にプログラムを作成するので，ノートPCがあると自宅でも学習できる。ノートPCがない場合は，大学の実習室で学習する。 提出されたレポートに関しては，特徴的な意見を集約し，次回の授業においてコメント?補足的な解説を行う。 |
||||||||||
|
事前?事後学修の内容 ／Before After Study |
授業の都度，課題や学習するための資料がmanabaにアップされるので，事前学習(2時間)?事後学習(2時間)が必要となる。特別な学習が必要な場合は，manabaの掲示板で指示する。 | ||||||||||
|
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 |
期末試験または期末レポートによる評価4割，毎回の授業で課されるレポートによる評価6割で評価する。 | ||||||||||
|
備考 ／Notes |
ノートPCがあると自宅でも学習できる。Dockerにより開発環境を構築するので，OSは問わない。 | ||||||||||
|
関連科目 ／Related Subjects |
特になし | ||||||||||
|
到達目標 ／Learning Goal |
情報システム学についての修士レベルの知識を修得し，実際に情報システムを開発?運用できるようにする． |
| 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 | 1. オリエンテーション：受講者の確認?決定 年間予定、授業方法等の注意事項についての説明 | 学習支援システム(LMS)の説明，授業概要 | 特にな事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 2 | コンピュータの基本原理 | 情報の内部表現，OS，コンピュータアキーテクなど | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 3 | システム開発手法～開発手順と開発モデル～ | 要求分析，設計，開発モデル | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 4 | システム開発手法～サービスマネジメントとセキュリティマネジメント～ | 情報システムの運用とセキュリティマネジメント | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 5 | システム開発手法～プロジェクトマネジメント～ | PMBOKによるプロジェクトマネジメント手法 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 6 | Linuxシステム | Linuxに仕組みとプログラム開発のための基本コマンド | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 7 | Dockerによる開発環境 | Dockerの仕組みと開発環境構築手法 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 8 | Webシステム | WebサーバApacheの仕組みと基本設定 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 9 | Webプログラミング(1) ～PHPの基本コマンド～ |
PHPの基本構文 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 10 | Webプログラミング(2) ～HTML Form～ |
POST，GETメソッドによるForm変数の受け渡し | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 11 | Webプログラミング(3) ～セッション変数～ |
セション変数の仕組み，ログインシステムの実装 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 12 | Webプログラミング(4) ～DBシステムの基本～ |
SQLコマンドとDB(Database)システム | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 13 | Webプログラミング(5) ～DBと連携したシステム構築～ |
DBと連携したWebシステム | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 14 | 前期の統括 | コンピュータシステムの基礎知識，システム開発手法，Webシステムに関する総括 | 事前学習:これまでの総復習(2時間程度) 事後学習:特になし |
| 15 | 人工知能概論 | 人工知能の基本的事項について説明 システム開発のための環境構築 |
事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 16 | Pythonプログラミング(1) | Google Colabolatoryの基本操作 Pythonの基本 |
事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 17 | Pythonプログラミング(2) | 様々なデータ構造の取り扱い | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 18 | Pythonプログラミング(3) | モジュールの使い方 Numpy |
事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 19 | Pythonプログラミング(4) | モジュールの使い方 Pandas |
事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 20 | Pythonプログラミング(5) | データの見えるか(グラフ) | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 21 | 機械学習(1) | 決定木による予測 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 22 | 機械学習(2) | ベイジアンネットワークによる予測 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 23 | 機械学習(3) | ナイーブベイスによる予測 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 24 | ニューラルネットワーク(1) | 基本的な仕組み | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 25 | ニューラルネットワーク(2) | CNNによる予測 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 26 | 深層学習(1) | 基本的な仕組み | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 27 | 深層学習(2) | Deep Learningによる予測 | 事前学習:特になし 事後学習:学習内容復習他のための課題を授業中またはLMSで指示(2時間程度) |
| 28 | 全体の総括 | まとめ，ディスカッション | 事前学習:これまでの総復習(2時間程度) 事後学習:特になし |