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研究科/Graduate School of Sport and WellnessGraduate School of Sport and Wellness |
| 科目コード等/ Course CodeCourse Code |
MN228/MN228MN228 |
| テーマ・サブタイトル等/ Theme・SubtitleTheme・Subtitle |
データサイエンス、スポーツデータ分析 |
| 授業形態/ Class FormatClass Format |
オンライン（一部対面）/Online (partially face-to-face)Online (partially face-to-face) |
| 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。1、2、5、7、8、9、10、13回 |
| 授業形式/ Class StyleCampus |
講義/LectureLecture |
| 校地/ CampusCampus |
新座/NiizaNiiza |
| 学期/ SemesterSemester |
秋学期/Fall semesterFall semester |
| 曜日時限・教室/ DayPeriod・RoomDayPeriod・Room |
月4/Mon.4 Mon.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 |
SWG5110 |
| 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 |
×（履修中止不可/ Not 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 |
前期課程学生対象 2022年度以前入学コミュニティ福祉学研究科生履修不可 |
This course aims to introduce fundamental concepts and methodologies of data science, with a focus on generative AI and machine learning. Students will learn the basic use of generative AI and its application to literature searches, as well as representative machine learning models, standard modeling processes, data visualization techniques, and data collection using wearable devices. In addition, through building machine learning models with Python and learning the basics of large language models, students will gain an overall understanding of modern data science.
This course introduces fundamental concepts and methodologies for applying data science in research and professional contexts. Students will learn how to understand prior research through literature searches using generative AI, while also organizing the basic concepts of machine learning and statistical methods. In addition, the course emphasizes the importance of data understanding through exploratory data analysis and visualization, and addresses key perspectives on data collection using wearable devices as an example. Furthermore, the course provides an overview of the basic mechanisms of neural networks and large language models, enabling students to gain a broad, contextual understanding of recent developments in data science and generative AI.
| 1 | ガイダンス |
| 2 | 生成AIの活用と論文検索 |
| 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 | 機械学習の基礎（3）：教師なし学習 |
| 10 | 探索的データ分析（1） |
| 11 | ウエアラブルデバイスによるデータ収集 |
| 12 | 探索的データ分析（2） |
| 13 | 統計的検定の基礎 |
| 14 | ニューラルネットワークと大規模言語モデル |
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 |
授業における発表(10%) 演習課題(30%) 積極的な授業への参加(60%) |
| 備考 (Notes) | ||
| 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。
本講義では、生成AIや機械学習を中心としたデータサイエンスの基礎的な考え方と方法論を学ぶ。生成AIの基本的な利用方法および論文検索への応用を理解するとともに、代表的な機械学習モデルや標準的なモデリングのプロセス、データ可視化、ウエアラブルデバイスによるデータ収集について学ぶ。あわせて、Pythonによる機械学習モデル構築や大規模言語モデルの基礎を通じて、現代のデータサイエンスの全体像を把握することを目標とする。
This course aims to introduce fundamental concepts and methodologies of data science, with a focus on generative AI and machine learning. Students will learn the basic use of generative AI and its application to literature searches, as well as representative machine learning models, standard modeling processes, data visualization techniques, and data collection using wearable devices. In addition, through building machine learning models with Python and learning the basics of large language models, students will gain an overall understanding of modern data science.
本講義では、研究や実務においてデータサイエンスを活用するための基礎的な考え方と方法論を学ぶ。生成AIを活用した論文検索を通じて先行研究の把握方法を理解するとともに、機械学習や統計的手法の基本概念を整理する。また、探索的データ分析や可視化を通じたデータ理解の重要性を学び、ウエアラブルデバイスを例としたデータ収集の考え方についても扱う。さらに、ニューラルネットワークおよび大規模言語モデルの基本的な仕組みを概説し、近年のデータサイエンスおよび生成AI技術の位置づけを俯瞰的に理解することを目的とする。
This course introduces fundamental concepts and methodologies for applying data science in research and professional contexts. Students will learn how to understand prior research through literature searches using generative AI, while also organizing the basic concepts of machine learning and statistical methods. In addition, the course emphasizes the importance of data understanding through exploratory data analysis and visualization, and addresses key perspectives on data collection using wearable devices as an example. Furthermore, the course provides an overview of the basic mechanisms of neural networks and large language models, enabling students to gain a broad, contextual understanding of recent developments in data science and generative AI.
| 1 | ガイダンス |
| 2 | 生成AIの活用と論文検索 |
| 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 | 機械学習の基礎（3）：教師なし学習 |
| 10 | 探索的データ分析（1） |
| 11 | ウエアラブルデバイスによるデータ収集 |
| 12 | 探索的データ分析（2） |
| 13 | 統計的検定の基礎 |
| 14 | ニューラルネットワークと大規模言語モデル |
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 |
授業における発表(10%) 演習課題(30%) 積極的な授業への参加(60%) |
| 備考 (Notes) | ||
| 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。