Foundations of Information Science

開講年度

2025Year

開講学期

Second Semester

科目名

Foundations of Information Science

授業種別

Lecture

科目名（英語）

Foundations of Information Science

授業情報(授業コード・クラス・授業形態)

A1000299 Foundations of Information Science

担当教員

YAMATO Junji

単位数

2.0Credits

曜日時限

Fri.2Period

キャンパス

Hachioji Campus

教室

02-264講義室

学位授与の方針

1 基礎知識の修得 0 ％
2 専門分野の知識・専門技術の修得 100 ％
3 汎用的問題解決力の修得 0 ％
4 道徳的態度と社会性の修得 0 ％

具体的な到達目標

データ分析の基礎として、どのようなデータに意味があり、逆にどのようなデータを取得する必要があるのかを識るため、数理モデルや分析的な考え方の基礎を学ぶ。Python言語によるデータの操作、分析、可視化を通してデータ分析の基礎を学び、高等学校「情報」教職課程における"問題解決とコンピュータの活用"、"情報の管理と問題解決"に関する内容を学習することで、実践力のある問題解決力を養成する。

受講にあたっての前提条件

既習科目指定は特にないが、線形代数、統計の基礎とプログラミングが十分に理解できていることが望ましい。

授業の方法とねらい

情報科学科の学修の基礎である経営情報、情報システム、データ科学の概要と相互関係を習得し、データ分析、データ取得、収集の意味を理解した上でデータ分析法の基礎を学ぶ。これらを通じて「情報」教職課程の問題解決に関わる事項を学習する。
データ分析の基礎として、どのようなデータに意味があり、逆にどのようなデータを取得する必要があるのかを識るため、数理モデルや分析的な考え方の基礎を学ぶ。Python言語によるデータの操作、分析、可視化を通してデータ分析の基礎を学び、高等学校「情報」教職課程における"問題解決とコンピュータの活用"、"情報の管理と問題解決"に関する内容を学習することで、実践力のある問題解決力を養成する。

AL・ICT活用

Discussion Debate／Group Work／Presentation

第1回

授業形態

対面

事前学習

線形代数、統計の基礎とプログラミングについて復習しておくこと。

1時間

授業内容

１．ガイダンス
情報科学科の学修の柱である経営情報、情報システム、データ科学に関して、活用のおおまかな手順や相互の関係を学ぶことにより、システム並びに数理の重要性を理解する。
今後の授業・課題で利用するPython環境について基本的な知識を学ぶ

事後学習・事前学習

授業で紹介されたオープンデータの内容について各自調査を行う。
演習室または各自のPCで課題を実行できる環境(Python処理系)について確認し、必要なセットアップを行う。

2時間

第2回

授業形態

対面

授業内容

２．情報の蓄積・管理とデータベース
データの種類と用途に応じた蓄積、管理、検索のためのデータベース基礎概念を理解することで、データ分析、問題解決における活用方法を習得する。オープンデータを利用してデータの背後にある相関関係、因果関係について理解する。

事後学習・事前学習

Python処理系の基礎課題を実行する。
レポート課題＃１

3時間

第3回

授業形態

対面

授業内容

３．データ分析の基本
様々なデータの分析において疑似相関が発生する例とその背後に潜む要因について学ぶ

事後学習・事前学習

オープンデータを利用して、相関関係と因果関係の差異について具体例を探索し、考察する。
＃レポート課題＃２

2時間

第4回

授業形態

対面

授業内容

４. 問題解決の概要
SWOT分析、ポートフォリオ分析、ビジネスモデルキャンバスなど問題整理に用いられるフレームワークを学ぶことにより、問題解決の体系的手法の必要性を習得する。
Python言語で主要なデータ型と再帰について学ぶ。

事後学習・事前学習

ビジネスモデルキャンバスを利用して、自分の利用している各種サービスや商品提供企業について、ビジネスモデルをまとめる。
Python言語で再帰を用いた例題を解き、考察レポートをまとめる。
レポート課題＃３

4時間

第5回

授業形態

対面

授業内容

５．問題の発見と整理
ブレーンストーミングやKJ法などの思考ならびに課題整理の手法を体験することで、潜在的な問題の発見や問題の形式化方法を習得する。ここまでで並行してPython言語の基礎を学び演習を行う。

事後学習・事前学習

各班のブレインストーミングの結果をまとめる。アイデアシートとBMCを含むレポートとしてまとめて提出する。
アイデアのまとめは班単位での共同作業推奨だが、レポートは各自で書くこと。
レポート課題＃４

4時間

第6回

授業形態

対面

授業内容

6．Python言語のまとめ
関数、構造型、オブジェクト、またデバッグの基本までのまとめと演習を行う。

事後学習・事前学習

教科書8章のPersonクラス、Fractionクラスを用いた例題の実行、および8章のMortgageクラスを用いた住宅ローンの課題について各種条件下での比較を行い、結果をまとめる。
レポート課題＃５

4時間

第7回

授業形態

対面

授業内容

７. アルゴリズムとデータ構造
探索、ソートを例にアルゴリズムの基礎とデータの型と構造の基本を学ぶ。
計算複雑性についての概要説明と、いくつかの重要な計算複雑性のクラスについて説明と比較を行う。

事後学習・事前学習

各種ソーティングのアルゴリズムについて、実装と効率比較を行う。結果について指数オーダーでの速度差をわかりやすく表現できるよう工夫して可視化を行う。
レポート課題＃６

4時間

第8回

授業形態

対面

授業内容

8. 可視化のためのグラフ
データの適切な可視化のための各種グラフの書き方、尺度の基本と、不適切な可視化について学ぶ。
データアクセスの高速化に必須のハッシュについて学ぶ。

事後学習・事前学習

10章の例題を用いてハッシュの衝突についての特性を分析する。
レポート課題＃７
次回の予習として、15章、16章のサンプルコードを入力し、実行可能にしておく。

4時間

第9回

授業形態

対面

授業内容

9．確率・統計とプログラム、モンテカルロ・シミュレーション
確率・統計とシミュレーションの関係、モデル化とシミュレーションの考え方や方法を理解させ，実際の問題解決に活用できるようにする。

事後学習・事前学習

16章で取り上げられたCrapsゲームの戦略、および追加で設定するゲーム課題について、シミュレーションで勝敗について検証し、解析的な考察と比較検証を行う。
レポート課題＃８
次回予習として、17章、18章を熟読し、コードを入力して動作確認しておく。

4時間

第10回

授業形態

対面

授業内容

10．標本抽出と信頼区間、実験データの理解
具体的事例をもとに標本抽出と、中心極限定理について確認し、実験データの統計的取り扱いについて学ぶ。

事後学習・事前学習

17章のシミュレーションについてパラメータを変動させて試行回数やサンプルサイズによって結果がどのように変化するかを確認する。
追加課題について、適切な設定のモンテカルロシミュレーションで数値的に解を求める。また解析的に得られた解との比較し考察を行う。
レポート課題＃９

4時間

第11回

授業形態

対面

授業内容

11. 頻度論とベイズ統計
頻度論に基づく推定・検定と比較し、ベイズ推定の基礎を学ぶ。

事後学習・事前学習

事前：条件付き確率の復習
事後：授業で扱った内容について、式の流れを再確認しておく。
授業時に実施予定の演習問題で、理解が曖昧だった部分の復習をしておく。

予習：第21章を熟読し、コードの入力と動作確認をしておく。

3時間

第12回

授業形態

対面

授業内容

12．統計の濫用
統計手法の誤用、濫用、また可視化手法の濫用と注意点について学ぶ。合わせて実験・研究におけるデータの取り扱いの基礎と倫理、情報モラルについても学ぶ。

事後学習・事前学習

統計の誤用の例を収集し、考察する。

2時間

第13回

授業形態

対面

授業内容

学習内容の振り返り

事後学習・事前学習

学習内容・過去のレポートの振り返りを行う

2時間

第14回

授業形態

対面

授業内容

２回にわたり外部講師（企業のデータサイエンティスト）による実践的なデータ分析講座を行う
（調整の都合で実施回が変動する可能性があるので案内に注意すること）

事後学習・事前学習

課題を実施。発表に向けてグループワークを実施。

2時間

第15回

授業形態

遠隔（オンデマンド）

授業内容

２回にわたり外部講師による実践的なデータ分析講座を行う．なおそのための事前課題をオンデマンド回の分として課題提出とする予定．
（調整の都合で実施回が変動する可能性があるので案内に注意すること）

以上のシラバスは予定であり，進捗状況や習熟度の実情に合わせて適宜追加や変更の可能性があること，また外部講師の日程調整により各回の内容の順番入れ替えの可能性があることに留意．
アナウンスは授業内で行う．

事後学習

課題を実施。発表に向けてグループワークを実施。

3時間

成績評価の方法

到達目標に照らして6段階のGrade(A+,A,B,C,D,F)で評価し，D以上の者に単位を認める。
全回の課題提出，演習への参加，グループワークへの貢献は必須で，最大で（期末試験を含めた）全体に対して40%分考慮される。
出席停止や公共交通機関遅延などによる欠席は、必ず証跡とともにKU-LMS質問登録機能で申告すること。

受講生へのフィードバック方法

各課題に対する評価、コメント、及び次回授業時の講評などを実施。

教科書

Introduction to Computation and Programming using Python, J. Guttag, MIT Press
邦訳：Python言語によるプログラミングイントロダクション、近代科学社

第3版で書籍の定価が値上がりしたが，本授業で扱う内容としては第2版で問題ない．
第2版の中古など含め，安価な入手法も検討されたし．紙版，kindle版を問わない．
なお，第1版はpython処理系のバージョンが古く(2.x台)、注意を要するため推奨しないが、使用は可能。ただし自己解決が前提となる。

参考書

ビジネスモデル・ジェネレーション〜ビジネスモデル設計書、オスターワルダー他、翔泳社

オフィスアワー

金曜昼休みor3限八王子 02-505 （事前メールまたは授業時に連絡が望ましい）

受講生へのメッセージ

既習科目指定は特にないが、線形代数、統計の基礎とプログラミングが十分に理解できていることを前提とする。

実務家担当科目

Applicable

実務経験の内容

画像認識，音響信号認識の研究・実用化および商用化のためのビジネスモデル構築

教職課程認定該当学科

Department of Informatic Sciences

その他の資格・認定プログラムとの関連

Syllabus data