日本語 English
| 開講年度/ Academic YearAcademic Year |
20262026 |
| 科目設置学部/ CollegeCollege |
スポーツウエルネス学部/College of Sport and WellnessCollege of Sport and Wellness |
| 科目コード等/ Course CodeCourse Code |
IN280/IN280IN280 |
| テーマ・サブタイトル等/ Theme・SubtitleTheme・Subtitle |
データサイエンス、データ分析 |
| 授業形態/ Class FormatClass Format |
対面（一部オンライン）/Face-to-face (partially online)Face-to-face (partially online) |
| 授業形態（補足事項）/ Class Format (Supplementary Items)Class Format (Supplementary Items) |
以下の回はオンライン実施するが、状況の変化によっては予定を変更する可能性がある。 3、9、12回 |
| 授業形式/ Class StyleCampus |
講義/LectureLecture |
| 校地/ CampusCampus |
新座/NiizaNiiza |
| 学期/ SemesterSemester |
春学期/Spring SemesterSpring Semester |
| 曜日時限・教室/ DayPeriod・RoomDayPeriod・Room |
月2/Mon.2 Mon.2 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 |
SWN2000 |
| 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。 https://www.rikkyo.ac.jp/about/disclosure/educational_policy/sw.html |
| 備考/ NotesNotes |
2023年度以降入学者対象 |
In recent years, the use of data has rapidly expanded across various fields of society, increasing the importance of data science as a means of decision-making and problem-solving based on data. Machine learning and generative AI, which form the core of data science, are now widely applied in diverse domains such as business, healthcare, and education. This course is designed for beginners in data science and aims to provide an understanding of what machine learning is, as well as fundamental machine learning models and the basic process of modeling. Students will also acquire foundational skills in data visualization techniques, which are essential for understanding data characteristics and effectively communicating analytical results. In addition, the course covers the basic usage of generative AI and introduces the principles and historical development of large language models, enabling students to gain a comprehensive overview of the technologies surrounding modern data science.
This course provides an overview of the standard data analysis process in data science and introduces fundamental concepts and methods for extracting insights from data. As a foundation of machine learning, the course covers representative models such as linear regression, decision trees, and clustering, focusing on their objectives and key characteristics. In addition, students will learn exploratory data analysis techniques and data visualization methods using BI tools to better understand data structures and patterns. The course also introduces the basic concepts of neural networks and explains the mechanisms and positioning of large language models (LLMs), enabling students to gain a broad understanding of recent developments in data science and generative AI technologies.
| 1 | ガイダンス |
| 2 | 生成AIの概要と活用 |
| 3 | 機械学習の基礎（1-1）：教師あり学習（回帰） |
| 4 | 機械学習の基礎（1-2）：教師あり学習（回帰） |
| 5 | 機械学習の基礎（1-3）：教師あり学習（回帰） |
| 6 | 機械学習の基礎（2-1）：教師あり学習（分類） |
| 7 | 機械学習の基礎（2-2）：教師あり学習（分類） |
| 8 | 機械学習の基礎（2-3）：教師あり学習（分類） |
| 9 | 機械学習の実践 |
| 10 | 機械学習の基礎（3）：教師なし学習 |
| 11 | 探索的データ分析（1） |
| 12 | 探索的データ分析（2） |
| 13 | ニューラルネットワークと大規模言語モデル |
| 14 | 一般的なデータ分析プロセスとデータ分析課題定義 |
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
準備学習の指示は，履修登録完了後にCanvas上で履修者に対して行う。各自が確認して予習すること。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 平常点 (In-class Points) | 100 |
複数回の小テスト(30 %) 複数回のレポート(50%) 出席及び授業態度(20%) |
| 備考 (Notes) | ||
| 代返やレポートでの剽窃・盗用等の不正行為があった場合、その回数にかかわらず成績評価を行なわない（単位を修得することができない）。 | ||
| その他 (Others) | |||||
|---|---|---|---|---|---|
| 授業中に適宜紹介します。 |
| その他 (Others) | |||||
|---|---|---|---|---|---|
| 授業中に適宜紹介します。 |
本講義では基本的なPCでのファイル操作（ファイルのコピーやペースト、ファイルの圧縮や解凍など）や基本的なGoogle Driveの操作方法（Google Drive上のフォルダ・ファイル操作、ファイルのコピー・共有など）、Microsoft Office（Word、Excel、PowerPoint）の操作方法は習得していることを前提とします。
課題提出にはPCでの作業が必須となります。個人のPCを持参することを強く推奨します。あるいはメディアセンターよりPCを借りるようにしてください。
近年、社会のさまざまな分野においてデータの活用が急速に進展しており、データをもとに意思決定や課題解決を行うデータサイエンスの重要性が高まっている。その中核をなす機械学習や生成AIは、ビジネス、医療、教育など幅広い領域で応用が進んでいる。本講義では、データサイエンス初学者を対象として、機械学習とは何かを理解するとともに、代表的な基本モデルやモデリングの一連のプロセスについて学ぶ。また、データの特徴を把握し結果を適切に伝えるためのデータ可視化手法の基礎的なスキルを習得する。さらに、生成AIの基本的な利用方法や、大規模言語モデルの仕組みとその発展の歴史について理解し、現代のデータサイエンスを取り巻く技術の全体像を把握することを目標とする。
In recent years, the use of data has rapidly expanded across various fields of society, increasing the importance of data science as a means of decision-making and problem-solving based on data. Machine learning and generative AI, which form the core of data science, are now widely applied in diverse domains such as business, healthcare, and education. This course is designed for beginners in data science and aims to provide an understanding of what machine learning is, as well as fundamental machine learning models and the basic process of modeling. Students will also acquire foundational skills in data visualization techniques, which are essential for understanding data characteristics and effectively communicating analytical results. In addition, the course covers the basic usage of generative AI and introduces the principles and historical development of large language models, enabling students to gain a comprehensive overview of the technologies surrounding modern data science.
本講義では、データサイエンスにおける標準的なデータ分析プロセスを概観しながら、データから知見を導き出すための基本的な考え方と手法を学ぶ。機械学習の基礎として、線形回帰や決定木、クラスタリングといった代表的な機械学習モデルを取り上げ、それぞれの目的や特徴について理解を深める。また、データの構造や傾向を把握するための探索的データ分析や、BIツールを用いた可視化手法についても扱う。さらに、ニューラルネットワークの基本的な考え方や、大規模言語モデル（LLM）の仕組みとその位置づけについて紹介し、近年のデータサイエンスおよび生成AI技術の発展を俯瞰的に理解することを目的とする。
This course provides an overview of the standard data analysis process in data science and introduces fundamental concepts and methods for extracting insights from data. As a foundation of machine learning, the course covers representative models such as linear regression, decision trees, and clustering, focusing on their objectives and key characteristics. In addition, students will learn exploratory data analysis techniques and data visualization methods using BI tools to better understand data structures and patterns. The course also introduces the basic concepts of neural networks and explains the mechanisms and positioning of large language models (LLMs), enabling students to gain a broad understanding of recent developments in data science and generative AI technologies.
| 1 | ガイダンス |
| 2 | 生成AIの概要と活用 |
| 3 | 機械学習の基礎（1-1）：教師あり学習（回帰） |
| 4 | 機械学習の基礎（1-2）：教師あり学習（回帰） |
| 5 | 機械学習の基礎（1-3）：教師あり学習（回帰） |
| 6 | 機械学習の基礎（2-1）：教師あり学習（分類） |
| 7 | 機械学習の基礎（2-2）：教師あり学習（分類） |
| 8 | 機械学習の基礎（2-3）：教師あり学習（分類） |
| 9 | 機械学習の実践 |
| 10 | 機械学習の基礎（3）：教師なし学習 |
| 11 | 探索的データ分析（1） |
| 12 | 探索的データ分析（2） |
| 13 | ニューラルネットワークと大規模言語モデル |
| 14 | 一般的なデータ分析プロセスとデータ分析課題定義 |
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
準備学習の指示は，履修登録完了後にCanvas上で履修者に対して行う。各自が確認して予習すること。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 平常点 (In-class Points) | 100 |
複数回の小テスト(30 %) 複数回のレポート(50%) 出席及び授業態度(20%) |
| 備考 (Notes) | ||
| 代返やレポートでの剽窃・盗用等の不正行為があった場合、その回数にかかわらず成績評価を行なわない（単位を修得することができない）。 | ||
| その他 (Others) | |||||
|---|---|---|---|---|---|
| 授業中に適宜紹介します。 |
| その他 (Others) | |||||
|---|---|---|---|---|---|
| 授業中に適宜紹介します。 |
本講義では基本的なPCでのファイル操作（ファイルのコピーやペースト、ファイルの圧縮や解凍など）や基本的なGoogle Driveの操作方法（Google Drive上のフォルダ・ファイル操作、ファイルのコピー・共有など）、Microsoft Office（Word、Excel、PowerPoint）の操作方法は習得していることを前提とします。
課題提出にはPCでの作業が必須となります。個人のPCを持参することを強く推奨します。あるいはメディアセンターよりPCを借りるようにしてください。