PBL （椿）

Project Based Learning

9986J13

86COZZZ203

椿　美智子

椿美智子
Michiko Tsubaki

2026年度後期

2026年度

②Second semester

月曜3限

Monday 3th Period

経営学部　経営学科

Department of Management, School of Management

2.00単位

演習

Seminar

-

① [対面]対面授業/ [On-site] On-site class

本講義では、データ・サイエンス時代に必要となる能力向上を目指して、データ・サイエンスに関するProject Based Learningを行う。
数人のグループ毎に，機械学習の解析習得テーマを設定し，そのテーマに沿ったデータ分析プロジェクトを実施する。
具体的には，チーム全体で協力・ディスカッションしながら分析することによって，問題解決，価値創造のための活きたデータ分析方法を身に付けることを目的とする。

よって、本講義は講義実施形態としてゼミナールに近く、そのため、原則、全ての回に出席することは基より、事前学習や講義中の議論への積極的参加を前提とする講義である。

各講義では、受講生は、機械学習解析演習テーマの設定，関連するデータの設定，問題解決あるいは価値創造のための分析設定，分析，分析結果のプレゼンを行い，最終的に問題解決・価値創造に至るプロセスを経験し，修得する。

本講義では、データ・サイエンス時代に必要となる能力向上を目指して、データ・サイエンスに関するProject Based Learningを行う。
数人のグループ毎に，各マーケティング解析のための機械学習手法群毎に，解析法習得テーマを設定し，そのテーマに沿った解析プロジェクトを実施することにより，単に解析を勉強するという段階を脱し，問題解決，価値創造のための活きたデータ解析を身に付けることを目的とする。
本学科のディプロマ・ポリシーに定める「経営学研究に必要な基礎学力を修得すると共に，マーケティングや経営の分野に設定された専門領域科目を包括的に学び，自ら設定したテーマに関して，専門知識を以って研究を完成できる能力を身に付ける」を実現し，実践において重要な要素・能力を身に付ける．

受講生は、各マーケティング解析のための機械学習手法群毎に，解析法習得テーマの選定，関連するデータの選定，問題解決あるいは価値創造のための分析設定，分析，分析結果のプレゼンを行い，最終的に問題解決・価値創造に至るプロセスを経験し，そのプロセスを修得することを目標とする。

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/​​​

①本講義は原則、20名の定員で実施する。

②原則、全ての講義回への出席を求める。

③３週間ごとに、分析(2週)と分析のプレゼン(1週)を求める。

④受講生は積極的な議論への参加を当然とする。

グループワーク　Group work／プレゼンテーション　Presentation／PBL (課題解決型学習)　Problem-based learning／実習　Practical learning

-

■準備　各自/各グループの担当回の発表に向けて、調査/分析、資料作成、プレゼンテーションの準備を十分に行うこと　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　■復習　講義における発表、ディスカッション内容を振り返り、ニーズ（社会課題）、分析技術（解決策）、ビジネスモデル、価値創造/価値獲得の関係性について、考察を深めること

３週間毎の分析のプレゼンテーションと講義への貢献で評価する。　
成績評価方法：
・各発表回のプレゼンテーション 50%
・講義への貢献（質問/意見、議論）50％
に基づき、総合的に評価する
11回以上の出席をしなかった場合、プレゼン担当のプレゼンを行わなかった場合、プレゼンのパワーポイントを提出しなかった場合には履修放棄とみなす。

・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

Y

実践　マーケティングデータサイエンス　ーショッパー行動の探索的データ解析と機械学習モデル構築ー、　清水隆史・淺田晃佑著　学術図書出版社

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/

授業内で指定する。

基本的に下記のスケジュールで進めるが、受講生の理解度によって、変更する場合がある。

第1回　ガイダンス＋グループ編成　＋第１章「全体像と学習の進め方」、第２章「ショッパーマーケティングの課題」

第2回　分析の環境設定、第３章「ショッパー行動解析データ概論」、第４章「探索的データ解析(I)」のGW

第3回　第５章「探索的データ解析(II)」のGW

第4回　第６章「仮説検証型データ分析」のGW

第5回　第８章「モデル構築の準備」のGW

第6回　第９章「精度評価の手法」学習

第7回　第10章「決定木」の学習とテキスト通りの分析演習

第8回　第10章「決定木」におけるグループ独自の分析のGW

第9回　第10章「決定木」におけるグループ独自の分析のプレゼンテーション

第10回　第11章「ロジスティック回帰」の学習とテキスト通りの分析演習

第11回　第11章「ロジスティック回帰」におけるグループ独自の分析のGW

第12回　第11章「ロジスティック回帰」におけるグループ独自の分析のプレゼンテーション

第13回　第12章「アンサンブル」の学習とテキスト通りの分析演習

第14回　第12章「アンサンブル」におけるグループ独自の分析のGW

第15回　第12章「アンサンブル」におけるグループ独自の分析のプレゼンテーション

-

-

R，Python

オフィスアワー：質問は原則として，メールで受け付ける

Y

N