データマイニング概論

初回はガイダンスを行う。以降、以下の内容に沿って授業を進める。 1. ガイダンス 2~3. データ分析のためのプログラミング基礎: Pythonの基礎とモジュール 4. データ分析の基礎 5. データのベクトルによる表現と処理：テキストデータを例に 6. データの行列による表現と処理：ネットワークデータを例に 7. 機械学習の基礎（教師なし学習）: k-means、階層化クラスタリング 8. 機械学習の基礎（教師なし学習）: 混合ガウス分布、主成分分析 9. 機械学習の基礎（教師あり学習）: 線形回帰、ロジスティック回帰 10. 機械学習の基礎（教師あり学習）: 過学習と正則化、モデル評価と選択 11. データ分析の実践 12. ニューラルワークの基礎 13. 深層学習と生成AIの導入 授業全体の最後には学習した内容に基づきミニプロジェクトを行う。 確率・統計学、線形代数学、解析学、最適化などの必要な数学的知識は具体的な手法と織り交ぜて都度説明する。

スライドと板書を用いた講義とプログラミング演習を行う。 教材は授業中に指定するウェブサイトに公開する。

各回の演習の提出状況、複数回の中間課題（プログラミング）ならびに最終課題（レポート）に基づき総合的に評価する。

Pythonデータ解析入門 東京大学出版会 978-4-13-062466-4

授業中に推薦書を適宜指示する。

大学初年次・2年次で学ぶ数学の知識（特に、確率・統計学、線形代数、解析学）を理解しているのが望ましいが必須ではない。 Pythonの基礎（本学の授業「Pythonプログラミング入門」の内容）とJupyterノートブック（Google Colaboratory）の使い方を理解していることが望ましいが必須ではない。 予習として教材の単元箇所を予め読むこと。復習として各回の演習に取り組むこと。