研究会B （波江野）

Research Seminar B

9991788

91CKPBL102

波江野　洋

Hiroshi Haeno

2026年度後期

2026年度

②Second semester

集中講義

水曜日3限

創域情報学部　情報理工学科

Department of Information Science and Technology, Faculty of Information Science and Technology

2.00単位

実習

On-site practical training

-

① [対面]対面授業/ [On-site] On-site class

医療における機械学習は、検査値・既往歴・画像所見・電子カルテなど多様なデータから、リスク予測、早期検出、治療選択といった課題を支援する技術である。特に表形式（tabular）データでは、欠損・カテゴリ・クラス不均衡・分布変動へのロバストな扱い、評価指標の選択と閾値設計が要点となる。本講義では教育用データを用い、Kaggle形式で基本的な機械学習モデルの構築から交差検証設計、特徴量作成、モデル改善、エラー解析までを一連の流れとして実践的に学ぶ。

医療系表形式データの基本を理解し、再現性のある医療データのAI解析方法を身につける。さらに、チームによる課題解決への取り組みを体験する。

Kaggle Playgroundで基本的な機械学習モデルを構築し、適切な評価指標で改善点を自力で見出すことができる
表形式データを用いて前処理〜学習〜推論を一貫化できる
過学習やリークを抑えた交差検定設計ができる
課題に応じて評価指標を使い分けられる
再現可能なパイプラインコードを作成することができる
チームの一員として課題解決に向けて貢献できる

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/​​​

各自ノートPCを持参してもらいそのコンピュータで解析を実践する。
本講義ではKaggle（カグル）を使用する。
https://www.kaggle.com/
Kaggleは、データ分析・機械学習の学習や実践のためのオンラインプラットフォームであり、データセットの配布、解析用ノートブック環境、予測課題（コンペ）への提出・評価機能を提供する。
講義中にKaggleアカウントを作成し、講義で指定するページのデータセットおよび解析環境（Kaggle Notebook）を利用する。

グループワーク　Group work／プレゼンテーション　Presentation／実習　Practical learning

-

講義で使用するPDF資料は事前にLETUSに掲示する。掲示資料を各自で読み、概ね2時間程度を目安に内容を十分理解したうえで講義に参加すること。
講義後は、講義内容に関連する図書・論文等を参考に、概ね2時間程度を目安に復習し、各自の疑問点の解消に努めること。

授業態度 20%
各講義ごとの提出物 50%
最終プレゼンテーション 30%

・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/

1. ガイダンス＋環境準備
目的・到達目標・評価方法の説明
Python環境（Jupyter/Colab/Kaggle Notebook）確認、提出物の形式説明
医療データの扱い（匿名化・目的外利用・リーク概念の導入）

2. Python基礎演習（データを読む）
pandas基礎：読み込み、型、欠損、集計、可視化（最小限）
演習：簡単なCSVで「欠損割合を出す」「目的変数の分布を見る」
欠損処理、カテゴリ処理（one-hot）、train/test分割の概念
演習：前処理して学習用の表を作る

3. 機械学習の座学（何をしているか）
教師あり学習の全体像、過学習、汎化、特徴量
機械学習モデル構築の考え方
ロジスティック回帰（or 決定木）で分類モデル
指標：AccuracyとROC-AUCについて
演習：同じデータでスコアを出す
K-fold / StratifiedKFold、リークが起きる典型
演習：同じモデルでも分割でスコアが変わる体験

4. パイプラインの座学＋演習
前処理から学習を一体化した機械学習パイプライン構築の目的（漏洩防止・再現性）
演習：前処理〜学習〜推論をPipelineに統合

5. Kaggle入門（操作に慣れる回）
Kaggle Playground（or チュートリアル）でNotebookを動かす
提出の流れ（submission.csvの作り方）
演習：とにかく1回提出（スコアは気にしすぎない）

6. Kaggleチュートリアル実践①（基本モデルの完成）
前処理→基本モデル→検証→提出
改善を1〜2個だけ：欠損戦略、カテゴリ処理、class_weightなど
比較表（改善前後のCV）を残す練習
木構造モデルの導入
演習：基本モデルを木構造モデルに置き換え、CVで比較→提出

7. Kaggleチュートリアルでの構築モデル発表会
自ら構築したモデルの意図と性能の説明をする

8. 医療データセット（Playground医療）個人実践①
課題設定、指標確認、EDA、ベースライン、CV、提出
可能ならPR-AUCも紹介（不均衡の文脈で）

9. 医療データセット 個人実践②（改善と説明）
改善を1〜2手だけ実施
しきい値調整（感度/特異度のトレードオフ）を体験

10. 医療データセットでの構築モデル発表会
自ら構築したモデルの意図と性能の説明をする

11. グループ実践
3〜4名で役割分担（前処理/モデル/評価・発表）
Notebook整理（seed固定、手順、結果表）＋提出

12. グループ実践
11のグループ実践の続き

13. 発表・相互レビュー・総括
各グループ発表（改善根拠・リーク対策・指標選択・再現性）
総括：実務での注意（倫理・公平性・分布変動）をチェックリスト化

14. グループ実践
新しく3〜4名で役割分担（前処理/モデル/評価・発表）
Notebook整理（seed固定、手順、結果表）＋提出

15. 発表・相互レビュー・総括
各グループ発表（改善根拠・リーク対策・指標選択・再現性）
総括：実務での注意（倫理・公平性・分布変動）をチェックリスト化

-

-

-

N

N