応用数学２

Applied Mathematics 2

9976588

76PIMAT303

味戸　正徳、稲垣　和哉、栁沼　秀樹

Hideki YAGINUMA, Masanori AJITO, Kazuya INAGAKI.

2025年度前期

2025年度

①First semester

木曜5限

Tuesday, 5th Period

創域理工学部　社会基盤工学科

Department of Civil Engineering, Faculty of Science and Technology

2.0単位

講義

Lecture

-

① [対面]対面授業/ [On-site] On-site class

データサイエンスの基礎となる統計的機械学習の理論と実データを用いたプログラミングおよび解析について，座学と演習を併用した講義を実施する．授業の中で「学修・教育到達目標の達成度の確認」をテスト形式で行う．

統計的機械学習理論の数理的な理論と実データ分析による解釈に関する知識を身に着け，実問題に応用できるようになることを目的とする．

1．データサイエンスの必要性と有効性を説明できるようになる．
2．統計的機械学習理論における各手法の数理性質や意味を説明できるようになる．
3．プログラミング(python)による実装と実データを用いた解析および解釈ができるようになる．
上記1〜3の内容に関する試験において，教員が定める合格最低点以上の点を取得することをもって，到達目標の達成と判断する．

【社会基盤工学科が定める学習・教育目標との関連】
上記 [到達目標] は，下記の主として関連する学習・教育目標に基づいている．
主として関連する学習・教育目標：目標（A） 土木技術に必要な数学，物理，情報技術などの基礎知識を習得するとともに，応用できるようになる．

リンク先の [評価項目と科目の対応一覧]から確認できます（学部対象）。
履修登録の際に参照ください。
​You can check this from “Correspondence table between grading items and subjects” by following the link(for departments).
https://www.tus.ac.jp/fd/ict_tusrubric/​​​

代数学，微分積分学，確率統計（応用数学3）およびプログラミング演習の内容について十分に復習をしておくこと．

小テストの実施　Quiz type test／実習　Practical learning

-

準備学習：講義コンテンツを事前に確認．
復習：各回の講義内容を十分に復習・理解しプログラミングや演習問題に取り組む．

プログラミング演習課題（2回 計50%）と試験（50%）により評価する．

【フィードバックの方法】
授業内試験の結果はすぐに採点し，翌週の授業において答案を返却する．プログラミング演習課題の結果について解説を行う．

・S：到達目標を十分に達成し、極めて優秀な成果を収めている
・A：到達目標を十分に達成している
・B：到達目標を達成している
・C：到達目標を最低限達成している
・D：到達目標を達成していない
・-：学修成果の評価を判断する要件を欠格している

・S：Achieved outcomes, excellent result
・A：Achieved outcomes, good result
・B：Achieved outcomes
・C：Minimally achieved outcomes
・D：Did not achieve outcomes
・-：Failed to meet even the minimal requirements for evaluation

N

-

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
​https://gomykits.kinokuniya.co.jp/tokyorika/​​​

It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
​​https://gomykits.kinokuniya.co.jp/tokyorika/

適宜，参考となる書籍や資料を提示する

全ての授業を対面で受講することを求める。

1. データサイエンスの概要と実社会への適用
　　データサイエンスの必要性や有効性，社会的なインパクト等を説明できる．
　　機械学習を学ぶ上で必要となる数学（行列演算，微分積分，確率統計）を使える．
　　機械学習とはどのようなものかを説明できる．

2. データ解釈
　　データの基礎集計分析を説明することができる．
　　データの可視化を説明することができる．
　　データを用いたコードの実行と解釈ができる．

3. 教師あり学習：回帰（1）
　　回帰問題を説明することができる．
　　線形回帰を説明することができる．
　　機械学習の性能評価について説明できる．
　　データを用いたコードの実行と解釈ができる．

4. 教師あり学習：回帰(2)
5. 特徴量エンジニアリング
6. 教師あり学習：分類（1）
7. 教師あり学習：分類（2）
　 ツリーモデル（決定木，ランダムフォレスト）を説明することができる．
     データを用いたコードの実行と解釈ができる．

8. プログラミング演習（1）
     具体的な問題に対して適切な教師あり学習モデルを適用することができる．
　 プログラミングによりモデルの学習および評価ができる．

9. 教師なし学習：グラスタリング

10. 教師なし学習：次元圧縮
　 次元圧縮手法を説明することができる．
11. ニューラルネットワーク(1)
12. ニューラルネットワーク(2)
13. プログラミング演習（2）
     具体的な問題に対して適切な教師なし学習を適用することができる．
　  具体的な問題に対してニューラルネットワークを適用することができる．
　 プログラミングによりモデルの学習および評価ができる．

14. 理解度の確認（期末）
　これまでに学習した内容に関する問題を解くことができる．

15. 学習・教育到達目標の達成度を自覚する．
　到達目標の達成度を確認し，自身の現状を把握する．

コンサルタントでの実務経験を活かして，講義を実施する．

-

python（オンライン実行環境を利用）

特になし．

Y

N