シラバス表示
シラバスの詳細な内容を表示します。
→ 閉じる（シラバスの一覧にもどる）
科目の基本情報
| 開講年度 | 2024 年度 | |
|---|---|---|
| 開講区分 | 共通教育・大学基礎科目 | |
| 受講対象学生 |
学部(学士課程) : 1年次 生物資源学部1年総合科学コースの学生を対象としている． |
|
| 授業科目名 | データサイエンスII | |
| でーたさいえんすに | ||
| Data Science II | ||
| 単位数 | 2 単位 | |
| ナンバリングコード | gedu-fndn-DASC2123-019
|
|
| 開放科目 | 非開放科目 | |
| 分野 | ||
| 分類・領域 |
教養基盤科目・基礎教育 (2022（令和4）年度〜2015（平成27）年度入学生対象) |
|
| 開講学期 |
後期 |
|
| 開講時間 |
月曜日 9, 10時限 |
|
| 授業形態 |
対面授業 * 状況により変更される可能性があるので定期的に確認して下さい
「オンライン授業」・・・オンライン会議ツール等を利用して実施する同時双方向型の授業 |
|
| 開講場所 | 教養教育棟1号館 4階 情報教育室 | |
| 担当教員 | 森尾 吉成 （生物資源学部） | |
| MORIO, Yoshinari | ||
| SDGsの目標 |
|
|
| 連絡事項 | * 状況により変更される可能性があるので定期的に確認して下さい |
|
学修の目的と方法
| 授業の概要 | 近年，デジタル化社会の進展は著しく，多種多様なデータがビッグデータとして蓄積され続けている．この蓄積されたビッグデータを活用しながら社会が抱える課題に対する答えを出せる人材が世界中で求められており，その人材はデータサイエンティストと呼ばれている．データサイエンティストには，社会課題の背景を理解した上で課題を整理・判断する力，情報処理，AI，統計学などの情報科学系の知恵を使う力，ビッグデータを現場で使える形に変え実装・運用する力，の3つの力が必要とされている．本講義は，データサイエンスの基礎知識の習得を目的とした「データサイエンスI」科目の発展科目であり，生物資源学分野でビッグデータやAIが取り扱われている事例を教材としながら，データをより詳細に，より高速に取り扱うスキルを身に付ける機会を提供して，これら3つの力を育成する．また，生物資源学分野の視点を持ちながら社会が抱える課題に取り組む中で，課題解決には専門知識以外に，これら3つの力が必要なことに気づく機会を提供する． |
|---|---|
| 学修の目的 | データサイエンティストに求められる3つの力，1）社会課題の背景を理解した上で課題を整理・判断する力，情報処理，AI，2）統計学などの情報科学系の知恵を使う力，3）ビッグデータを現場で使える形に変え実装・運用する力，をそれぞれ訓練する．また，ビッグデータを取り扱う上で必要な情報倫理に関する知識を身に付けるとともに，人と意見を交換したり，データをやり取りする際に必要なコミュニケーション力を訓練する． |
| 学修の到達目標 | （知識） ・生物資源学分野に関連するデータを取り扱う． ・ファイルフォーマット，データフォーマット，データ型，ファイルパスが説明できる． （技術） ・端末ソフトを使ってシェルコマンドを操作できる． ・プログラミング言語（Python，Rなど）を使ってデータを取り扱う簡単なプログラムを作成できる． ・表計算ソフトやプログラミング言語を使ってデータを整理・分析できる． ・表計算ソフトやスクリプト言語ベースのソフト（gnuplotなど）を使ってグラフを描画することができる． ・自分のアイデアや複雑な問題を図解によって整理でき，データの解析結果などをスライドに整理したプレゼンテーションができる． ・自分のアイデア，データの解析結果などを学術的な表現を使って文章にまとめることができる． （態度） データサイエンスに関して興味を持つとともに，基本的なスキルを身に付けようと思うようになる． |
| ディプロマ・ポリシー |
|
| 成績評価方法と基準 | 予習復習成果報告10%，課題レポート50%，プレゼンテーションピア評価10%，期末試験30%の計100％で評価する.ただし，4回以上欠席した場合は再受講とする. 予習復習成果報告では，毎週の予習復習成果報告の受理した件数をカウントする．レポート課題では，プレゼンテーション課題への取り組み成果をまとめたレポートを評価し，全レポート数に対する受理したレポート数の割合を計算する．プレゼンテーションピア評価では，複数回行われるグループでのプレゼンテーションにおいて最も高いピア評価を獲得した回数に評価点を与える．期末試験では，学修の到達目標に掲げる項目に関する知識やスキルを習熟度を評価する．なお，詳しい評価基準は，第1回目の授業の際に説明を行う． |
| 授業の方法 | 講義 |
| 授業の特徴 |
プロジェクト型PBL 反転授業 プレゼンテーション/ディベートを取り入れた授業 Moodleを活用する授業 eポートフォリオを活用する授業 キャリア教育の要素を加えた授業 その他、能動的要素を加えた授業（ミニッツペーパー、シャトルカードなど） |
| 授業アンケート結果を受けての改善点 | 予習中心の学習行動による動機付けを促す環境作りを行う． 毎時間アンケートを用いて習熟度をチェックし，サポートおよび授業改善等を行う． |
| 教科書 | 資料を配布します． |
| 参考書 | ・久恒啓一，「図で考える人は仕事ができる 実践編」，日本経済新聞社，ISBN978-4-532-31073-3 ・Garr Reynolds，「プレゼンテーションZEN」，ピアソン，ISBN978-4-86401-087-0 |
| オフィスアワー | （時間） 毎週月曜日 12:00～13:00 （場所） 415号室 |
| 受講要件 | 第1回目の授業から，毎回ノートパソコンを持参すること． |
| 予め履修が望ましい科目 | データサイエンスI |
| 発展科目 | 生物資源学部の専門科目の，プログラミング，生物情報工学，数値計算法 |
| その他 | 第1～２回の授業用教材として，奥原先生（データサイエンス教育センター/工学研究科情報工学専攻）提供によるビデオ・教材を用意します． |
授業計画
| MoodleのコースURL |
|---|
| キーワード | データサイエンス、デジタル化社会，AI，データサンティスト |
|---|---|
| Key Word(s) | Data Science, Digital Society, AI, Data scientist |
| 学修内容 | 1．社会で起きている変化、活用されているデータ・AI データやAIが活用されている最新の動向や，活用されている領域・現場・技術について紹介する． 2．AI利活用のためのデータ処理の概要の説明（データを読む１） AIを活用する時に行われているデータ処理の事例を紹介する． 3．データを取り扱うためのファイルフォーマットとデータフォーマットを説明（データを読む２） テキストファイル，画像ファイル，音声ファイル，3次元点群ファイル，などのファイルフォーマットと拡張子について説明する．ビッグデータを取り扱う際に利用されるテキストファイルの説明では，カンマ区切りデータであるCSVファイルとタブ区切りデータTSVファイルについて説明する． 4．データファイルを取り扱うためのファイルパスとシェルコマンドを説明（データを読む３） データファイルを取り扱うために必要な知識としてファイルパスについて説明し，さらに，ターミナルソフトを使ってシェルコマンドを操作する方法について説明する． 5．オープンデータにあるビッグデータを読む（データを読む４） 生物資源学分野に関連するオープンデータを紹介し，データの読み込みおよびデータの理解をするとともに，データのスケール，単位，データの傾向など，データを取り扱う際の留意点を理解する． 6．R言語を用いたビッグデータ分析（データを扱う1） R言語を用いてファイル容量の大きいデータファイルに関する統計値を計算する． 7．Pythonを用いたプログラミング（データを扱う2） Python言語を用いたプログラミングの基本スキルを身に付け，オリジナルな基本統計解析プログラムを開発する． 8．スクリプト言語で操作できるグラフ描画ソフトを使ってグラフを効率的に描画（データを扱う３） gnuplotなどのスクリプト言語で操作するグラフ描画ソフトの使い方を説明し，グラフを描画する． 9．画像データを取り扱う方法について説明（データを扱う４） 画像ファイルフォーマットを紹介するとともに，ペインソフトを用いて画像座標，RGBやHSVをはじめとする色情報を取得する方法について説明し，スマートフォン等で撮影した画像の色情報を抽出する． 10．Webページで公開されているデータを利用するためのHTML言語の理解（データを扱う５） インターネット上に公開されたデータを利用するために必要なHTML言語を理解するとともに，Web上のデータを処理する． 11．オープンデータにあるビッグデータを処理する（データを読む５） 表計算ソフト，プログラミング言語を使ってビッグデータを処理し，グラフ描画ソフトを使ってデータを可視化する． 12．成果報告プレゼンテーションのためのスライド作成および（データを説明する１） データ処理の結果を発表するために必要な資料作りの手順を知るとともに，データをアカデミックレベルで表現するためのポイントを理解する． 13．成果を発表するプレゼンテーション（データを説明する２） データ処理課題に取り組んだ成果を発表し，意見交換を行う． 14．アカデミック・ライティングのためのレポート書式設定（データを説明する３） データを分析した結果をレポートや論文にまとめるときに留意するライティング作法として，文字フォント設定，スタイル設定，ページレイアウト設定，段落設定について説明する． 15．アカデミック・ライティングのための数式と図表の作成（データを説明する４） データを分析した結果をレポートや論文にまとめるときに留意するライティング作法として，数式作成，図表およびタイトルの挿入とレイアウトについて説明する． 講義の順序などは変更することがある． |
| 事前・事後学修の内容 | まず，この授業では，毎週次に挙げる3つの課題，1）8時間活動と1分間プレゼンテーションおよびレポート提出，2）予習復習の成果のMoodleへの報告，3）授業後半におけるeポートフォリオへの活動記録，に取り組む． それ以外に，各週の授業内容に応じて，以下に示す事後学習が求められる． 1．社会で活用されているデータやAIを調べる． 2．今後社会で活用されると期待されるデータでやAIについて調べる． 3．データファイルとデータフォーマットについて復習する．CSVファイルやTSVファイルを読み込む処理を行う． 4．ターミナルソフトを起動し，基本的なシェルコマンドを実行する．ファイルパスやフォルダパスを指定してコマンドを実行する． 5．授業で提示されたオープンデータを読み込んで処理してみる． 6．授業中に提供された巨大なデータファイルをRに読み込ませて，簡単な処理をしてみる． 7．Python言語を使って基本的な統計解析プログラムを作ってみる． 8．スクリプトでグラフを描画してみる． 9．写真撮影し，画像データを調べてみる． 10．HTML言語を用いて基本的なWebページを作ってみる． 11．実際のオープンデータを使って独自に分析してみる． 12．オープンデータなどのデータの処理結果を整理する． 13．データを処理した成果をプレゼンテーションするための準備を行う． 14．データの処理結果を文章にまとめる． 15．データを処理方法や処理結果を説明するために，数式入力，図表作成を行う． |
| 事前学修の時間:60分/回 事後学修の時間:180分/回 |