ビッグデータ解析（１組）

科目授業名称（和文）　Name of the subject/class (in Japanese)

ビッグデータ解析（１組）

科目授業名称（英文）　Name of the subject/class (in English)

Big Data Analysis

授業コード　Class code

9987F31

科目番号　Course number

87MCDAA301

教員名

野口　怜

Instructor

Rei Noguchi

開講年度学期

2026年度前期

Year

2026年度

Semester

①First semester

曜日時限

金曜1限

Class hours

Friday 1st Period

開講学科・専攻　Department

経営学部　ビジネスエコノミクス学科

Department of Business Economics, School of Management

単位数　Course credit

2.00単位

授業の方法　Teaching method

講義

Lecture

外国語のみの科目（使用言語）　Course in only foreign languages (languages)

-

授業の主な実施形態　Main class format

① [対面]対面授業/ [On-site] On-site class

概要　Description

超ビッグデータ社会の真っ只中にある今、様々な意思決定や事象の理解において、これらビッグデータの活用、分析を行うことは必要不可欠である。本科目では、ビッグデータ分析の考え方、手法について学ぶとともに、プログラミング技術（Python）を活用して、データから新たな洞察を得るための技法を習得する。

目的　Objectives

ビッグデータ分析の基本的な考え方、手法、技術について習得することを目的とする。

本科目は、本学科のディプロマ・ポリシーの1に定められた「グローバル化や地球環境問題など広範かつ多様なビジネス環境で発生している諸々の問題に対して自然科学及び社会科学の知識を活用して解明するという基本的方針の下で理論的かつ実践的な考え方を身に付けている。」を実現するための科目である。

到達目標　Outcomes

新しいデータが与えられた際に、自ら考えて分析アプローチを立案し、推進できる力を身につけることを目標とする。

卒業認定・学位授与の方針との関係（学部科目のみ）

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/

履修上の注意　Course notes prerequisites

各自ノートパソコンを持参すること。
授業では標準の開発環境としてGoogle Colaboratoryを用いる。初回講義までに各自Googleアカウントを取得しておくこと。
（Google Colaboratory以外の開発環境については、各自の責任において環境構築・利用を行うこと）
プログラミング論1 or 2／線形代数／微積分／統計を履修済みもしくは、並行して受講中であることを前提とする。
本講義では受入上限人数が設定されているため、抽選が行われる可能性がある。
また経営学部以外の履修希望者は事前に担当教員に許可を得る必要がある。（詳細は経営学部事務にて確認すること）

アクティブ・ラーニング科目　Teaching type（Active Learning）

小テストの実施　Quiz type test／PBL (課題解決型学習)　Problem-based learning／実習　Practical learning

-

準備学習・復習　Preparation and review

予習（2時間程度）：講義⽇までに、これまでの講義内容を確認しておくこと。また、これまでに扱った分析コードを一通り動かしてみておくこと。
復習（2時間程度）：講義⽇の内容と、実施した演習について復習しておくこと。必要に応じて、復習用の講義外課題を与えることがある。

成績評価方法　Performance grading policy

各講義の課題もしくは小テスト（50%）と期末レポート（50%）に基づいて評価する。（到達度評価は実施しない予定である）
なお、特段の事由無く、演習未提出（ほぼ⽩紙の提出物、不正が疑われる提出物を含む）が4回以上（全15回の約1/4以上）となった場合、もしくは、期末レポート未提出の場合は、履修放棄とみなす。

※出席登録は、学内ネットワークからのアクセスのみ有効とする（以下リンクを参考）
モバイル出⽋管理システムの機能⼀部変更について（学生周知文）
学内Wi-Fi利用手順

学修成果の評価　Evaluation of academic achievement

・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

教科書　Textbooks/Readings

教科書の使用有無（有=Y , 無=N）　Textbook used(Y for yes, N for no)

N

書誌情報　Bibliographic information

講義資料、データ、分析サンプルコード等は講義開始前までにLETUSにて公開する。

MyKiTSのURL（教科書販売サイト）　URL for MyKiTS(textbook sales site)

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/

参考書・その他資料　Reference and other materials

必要に応じて紹介する。

授業計画　Class plan

【第01回】イントロダクション（ビッグデータ分析とは）
【第02回】ビッグデータ分析の進め方、統計学基本の復習
【第03回-第04回】データの理解（記述統計とデータの可視化）
【第05回-第06回】データの加工
【第07回】機械学習手法の基本
【第08回-第09回】教師あり学習①（数値予測：線形回帰、ニューラルネットワーク）
【第10回-第11回】教師あり学習②（分類予測：ロジスティック回帰、決定木）
【第12回】モデルの評価と過学習
【第13回-第14回】教師なし学習（クラスタリング）
【第15回】総合演習

※1 受講⽣の理解度や全体的な進捗状況などに応じて、⼀部内容を変更する可能性がある。
※2 すべての履修学⽣に対して、半数以上の授業回を対⾯で受講することを求める。

担当教員の実務経験とそれを活かした教育内容　Work experience of the instructor

民間企業での分析経験を活かし、実際に現場で求められるより実践的な分析スキルを養うための講義設計、演習内容としている。

教育用ソフトウェア　Educational software

-

Python（Google Colaboratory環境）

備考　Remarks

授業でのBYOD PCの利用有無　Whether or not students may use BYOD PCs in class

Y

授業での仮想PCの利用有無　Whether or not students may use a virtual PC in class

N

シラバス情報