日本語 English
| 開講年度/ Academic YearAcademic Year |
20252025 |
| 科目設置学部/ CollegeCollege |
経済学部/College of EconomicsCollege of Economics |
| 科目コード等/ Course CodeCourse Code |
BX583/BX583BX583 |
| テーマ・サブタイトル等/ Theme・SubtitleTheme・Subtitle |
|
| 授業形態/ Class FormatClass Format |
対面（全回対面）/Face to face (all classes are face-to-face)Face to face (all classes are face-to-face) |
| 授業形態（補足事項）/ Class Format (Supplementary Items)Class Format (Supplementary Items) |
|
| 授業形式/ Class StyleCampus |
講義/LectureLecture |
| 校地/ CampusCampus |
池袋/IkebukuroIkebukuro |
| 学期/ SemesterSemester |
春学期/Spring SemesterSpring Semester |
| 曜日時限・教室/ DayPeriod・RoomDayPeriod・Room |
水4/Wed.4 Wed.4 ログインして教室を表示する（Log in to view the classrooms.） |
| 単位/ CreditsCredits |
22 |
| 科目ナンバリング/ Course NumberCourse Number |
ECX2310 |
| 使用言語/ LanguageLanguage |
日本語/JapaneseJapanese |
| 履修登録方法/ Class Registration MethodClass Registration Method |
科目コード登録/Course Code RegistrationCourse Code Registration |
| 配当年次/ Assigned YearAssigned Year |
配当年次は開講学部のR Guideに掲載している科目表で確認してください。配当年次は開講学部のR Guideに掲載している科目表で確認してください。 |
| 先修規定/ Prerequisite RegulationsPrerequisite Regulations |
|
| 他学部履修可否/ Acceptance of Other CollegesAcceptance of Other Colleges |
履修登録システムの『他学部・他研究科履修不許可科目一覧』で確認してください。 |
| 履修中止可否/ Course CancellationCourse Cancellation |
〇（履修中止可/ Eligible for cancellation） |
| オンライン授業60単位制限対象科目/ Online Classes Subject to 60-Credit Upper LimitOnline Classes Subject to 60-Credit Upper Limit |
|
| 学位授与方針との関連/ Relationship with Degree PolicyRelationship with Degree Policy |
各授業科目は、学部・研究科の定める学位授与方針（DP）や教育課程編成の方針（CP）に基づき、カリキュラム上に配置されています。詳細はカリキュラム・マップで確認することができます。 |
| 備考/ NotesNotes |
After completing this course, students should be able to:
-explain the concepts and terminology associated with data science
-understand and apply general methods for data analysis using Python programming
This course will provide students with the foundations of data science using Python programming. Students will learn the concepts, techniques, and tools needed to analyze various types of real-world data related to economic phenomena.
| 1 | Pythonプログラミングの基礎（Google Colaboratoryの使い方，変数，型，代入，pandas） |
| 2 | Pythonプログラミングの基礎（ファイルの読み書き，if文による条件分岐，for文による処理の繰り返し） |
| 3 | １変量データのヒストグラムと代表値（平均値，最大値と最小値，中央値，最頻値，分散，標準偏差） |
| 4 | １変量データの確率密度関数と累積分布関数（パーセンタイル，四分位数，正規分布） |
| 5 | ベキ分布（指数と対数，指数分布，複利，経済物理学，臨界現象，フラクタル） |
| 6 | ２変量データのグラフと代表値（散布図，積率相関，順位相関，相関と因果，疑似相関） |
| 7 | ２変量データの回帰分析（線形回帰，重回帰，決定係数） |
| 8 | 多変量データの階層クラスタリング（クラスター分析，デンドログラム） |
| 9 | 多変量データの非階層クラスタリング（K-means法） |
| 10 | 多変量データの決定木による分類（学習用データと評価用データ，評価指標） |
| 11 | 多変量データのランダム・フォレストによる分類（過学習，重要度） |
| 12 | p値と検定（中心極限定理，大数の法則，乱数，モンテカルロ法，ランダムウォーク） |
| 13 | ビッグデータの解析（大きなファイルの読み取り，辞書を用いた集計） |
| 14 | まとめ |
板書 /Writing on the Board
スライド（パワーポイント等）の使用 /Slides (PowerPoint, etc.)
上記以外の視聴覚教材の使用 /Audiovisual Materials Other than Those Listed Above
個人発表 /Individual Presentations
グループ発表 /Group Presentations
ディスカッション・ディベート /Discussion/Debate
実技・実習・実験 /Practicum/Experiments/Practical Training
学内の教室外施設の利用 /Use of On-Campus Facilities Outside the Classroom
校外実習・フィールドワーク /Field Work
上記いずれも用いない予定 /None of the above
各自の授業の理解度に応じてテキスト等を復習すること（各回約２時間）。授業後には指示するレポート課題を行うこと（授業２回分の課題で約４時間）。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 筆記試験 (Written Exam) | 60 | |
| 平常点 (In-class Points) | 40 |
レポート(40%) |
| 備考 (Notes) | ||
| その他 (Others) | |||||
|---|---|---|---|---|---|
| 必要に応じて授業で指示する． |
| No | 著者名 (Author/Editor) | 書籍名 (Title) | 出版社 (Publisher) | 出版年 (Date) | ISBN/ISSN |
|---|---|---|---|---|---|
| 1 | 大村 平 | 『多変量解析のはなし―複雑さから本質を探る』 | 日科技連出版社 | 2006 | 4817180277 |
| 2 | 大村 平 | 『統計のはなし― 基礎・応用・娯楽 』 | 日科技連出版社 | 2022 | 4817180293 |
| 3 | 佐村 敏治，堀 桂太郎 | 『例題でわかる Pythonプログラミング入門』 | 電気書院 | 2022 | 4485301184 |
| 4 | 三谷 純 | 『Python ゼロからはじめるプログラミング』 | 翔泳社 | 2021 | 9784798169460 |
| 5 | 友原 章典 | 『文系のためのPythonデータ分析 』 | 有斐閣 | 2024 | 9784641166363 |
| その他 (Others) | |||||
| ◇IPSJ MOOC（情報処理学会公開教材）：https://sites.google.com/a.ipsj.or.jp/mooc/ ◇数理・データサイエンス・AI教育強化拠点コンソーシアム リテラシーレベルモデルカリキュラム対応教材：http://www.mi.u-tokyo.ac.jp/consortium/e-learning.html 応用基礎レベルモデルカリキュラム対応教材：http://www.mi.u-tokyo.ac.jp/consortium/e-learning_ouyoukiso.html 東京大学 数理・情報教育センターの教材：http://www.mi.u-tokyo.ac.jp/6university_consortium.html | |||||
高校数学（I・A・II・B）の基礎の一部をある程度は前提として授業を行う．高校数学の内容は必要に応じて各自で予習・復習してください．
ネットワークに接続できるノートパソコンを授業にできれば持参してください（持参いただかなくても受講は可能です）．
授業では，ウェブブラウザ上で使用できるGoogle Colaboratoryを用いたPythonの基礎的なプログラミングを行う．プログラミングの内容は，本授業のデータ分析に必要なもののみに限定する．現実の経済データ（不動産情報，株式市場，外国為替市場など）を用いた実践的な分析を通じて，データサイエンスの基礎を学ぶ．他学部の学生の受講も歓迎する．
データサイエンスの用語や概念を理解すること，Pythonプログラミングを用いたデータ分析の一般的手法を修得することを目標とする．
After completing this course, students should be able to:
-explain the concepts and terminology associated with data science
-understand and apply general methods for data analysis using Python programming
Pythonプログラミングを用いたデータサイエンスの基礎的手法を解説する．経済現象にみられる様々な実データを分析する際に必要となる概念や分析手法を学ぶ．
This course will provide students with the foundations of data science using Python programming. Students will learn the concepts, techniques, and tools needed to analyze various types of real-world data related to economic phenomena.
| 1 | Pythonプログラミングの基礎（Google Colaboratoryの使い方，変数，型，代入，pandas） |
| 2 | Pythonプログラミングの基礎（ファイルの読み書き，if文による条件分岐，for文による処理の繰り返し） |
| 3 | １変量データのヒストグラムと代表値（平均値，最大値と最小値，中央値，最頻値，分散，標準偏差） |
| 4 | １変量データの確率密度関数と累積分布関数（パーセンタイル，四分位数，正規分布） |
| 5 | ベキ分布（指数と対数，指数分布，複利，経済物理学，臨界現象，フラクタル） |
| 6 | ２変量データのグラフと代表値（散布図，積率相関，順位相関，相関と因果，疑似相関） |
| 7 | ２変量データの回帰分析（線形回帰，重回帰，決定係数） |
| 8 | 多変量データの階層クラスタリング（クラスター分析，デンドログラム） |
| 9 | 多変量データの非階層クラスタリング（K-means法） |
| 10 | 多変量データの決定木による分類（学習用データと評価用データ，評価指標） |
| 11 | 多変量データのランダム・フォレストによる分類（過学習，重要度） |
| 12 | p値と検定（中心極限定理，大数の法則，乱数，モンテカルロ法，ランダムウォーク） |
| 13 | ビッグデータの解析（大きなファイルの読み取り，辞書を用いた集計） |
| 14 | まとめ |
板書 /Writing on the Board
スライド（パワーポイント等）の使用 /Slides (PowerPoint, etc.)
上記以外の視聴覚教材の使用 /Audiovisual Materials Other than Those Listed Above
個人発表 /Individual Presentations
グループ発表 /Group Presentations
ディスカッション・ディベート /Discussion/Debate
実技・実習・実験 /Practicum/Experiments/Practical Training
学内の教室外施設の利用 /Use of On-Campus Facilities Outside the Classroom
校外実習・フィールドワーク /Field Work
上記いずれも用いない予定 /None of the above
各自の授業の理解度に応じてテキスト等を復習すること（各回約２時間）。授業後には指示するレポート課題を行うこと（授業２回分の課題で約４時間）。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 筆記試験 (Written Exam) | 60 | |
| 平常点 (In-class Points) | 40 |
レポート(40%) |
| 備考 (Notes) | ||
| その他 (Others) | |||||
|---|---|---|---|---|---|
| 必要に応じて授業で指示する． |
| No | 著者名 (Author/Editor) | 書籍名 (Title) | 出版社 (Publisher) | 出版年 (Date) | ISBN/ISSN |
|---|---|---|---|---|---|
| 1 | 大村 平 | 『多変量解析のはなし―複雑さから本質を探る』 | 日科技連出版社 | 2006 | 4817180277 |
| 2 | 大村 平 | 『統計のはなし― 基礎・応用・娯楽 』 | 日科技連出版社 | 2022 | 4817180293 |
| 3 | 佐村 敏治，堀 桂太郎 | 『例題でわかる Pythonプログラミング入門』 | 電気書院 | 2022 | 4485301184 |
| 4 | 三谷 純 | 『Python ゼロからはじめるプログラミング』 | 翔泳社 | 2021 | 9784798169460 |
| 5 | 友原 章典 | 『文系のためのPythonデータ分析 』 | 有斐閣 | 2024 | 9784641166363 |
| その他 (Others) | |||||
| ◇IPSJ MOOC（情報処理学会公開教材）：https://sites.google.com/a.ipsj.or.jp/mooc/ ◇数理・データサイエンス・AI教育強化拠点コンソーシアム リテラシーレベルモデルカリキュラム対応教材：http://www.mi.u-tokyo.ac.jp/consortium/e-learning.html 応用基礎レベルモデルカリキュラム対応教材：http://www.mi.u-tokyo.ac.jp/consortium/e-learning_ouyoukiso.html 東京大学 数理・情報教育センターの教材：http://www.mi.u-tokyo.ac.jp/6university_consortium.html | |||||
高校数学（I・A・II・B）の基礎の一部をある程度は前提として授業を行う．高校数学の内容は必要に応じて各自で予習・復習してください．
ネットワークに接続できるノートパソコンを授業にできれば持参してください（持参いただかなくても受講は可能です）．
授業では，ウェブブラウザ上で使用できるGoogle Colaboratoryを用いたPythonの基礎的なプログラミングを行う．プログラミングの内容は，本授業のデータ分析に必要なもののみに限定する．現実の経済データ（不動産情報，株式市場，外国為替市場など）を用いた実践的な分析を通じて，データサイエンスの基礎を学ぶ．他学部の学生の受講も歓迎する．