日本語 English
| 開講年度/ Academic YearAcademic Year |
20232023 |
| 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 |
|
| 校地/ CampusCampus |
池袋/IkebukuroIkebukuro |
| 学期/ SemesterSemester |
春学期/Spring SemesterSpring 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 |
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 |
|
| 履修中止可否/ Course CancellationCourse 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 |
|
| 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 they need to analyze various types of real data pertaining to economic phenomena.
| 1 | Pythonの基礎（Google Colaboratory，プログラミング入門，CSVファイルの読み込み） |
| 2 | １変量データのグラフ（量的変数，質的変数，ヒストグラム，度数分布表，優れた可視化，データクレンジング） |
| 3 | １変量データの代表値（平均値，最大値と最小値，中央値，最頻値，分散，標準偏差，パーセンタイル，四分位数） |
| 4 | １変量データの確率密度関数と累積分布関数（1変数関数の微分と積分，確率変数，経験分布，QQプロット） |
| 5 | 区間推定とp値（大数の法則，二項分布，正規分布，標本誤差，検定，有意水準，ランダム化比較試験） |
| 6 | 指数・対数とベキ分布（経済物理学，フラクタル，スケールフリー，ベキ乗則，パレート則，自己組織化臨界現象，ランダム乗算過程，対数正規分布） |
| 7 | ２変量データのグラフと代表値（散布図，相関関係と因果関係，疑似相関，交絡） |
| 8 | ２変量データの単回帰分析（連続値を予測する教師あり学習，回帰直線，決定係数，最小二乗法） |
| 9 | 多変量データの重回帰分析（連続値を予測する教師あり学習，散布図⾏列，相関係数⾏列） |
| 10 | 多変量データの主成分分析（連続値を予測する教師なし学習，次元削減） |
| 11 | 多変量データの階層クラスタリング（離散値を予測する教師なし学習，クラスター分析，デンドログラム） |
| 12 | 多変量データの非階層クラスタリング（離散値を予測する教師なし学習，k-means） |
| 13 | 多変量データの決定木とランダムフォレスト（離散値を予測する教師あり学習） |
| 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，適宜，テキスト等を復習することを薦める．
| 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 |
| その他 (Others) | |||||
| ◇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 ◇IPSJ MOOC（情報処理学会公開教材）：https://sites.google.com/a.ipsj.or.jp/mooc/ | |||||
・高校数学(I・A・II・B)の基礎知識を前提として授業を行う．高校数学の内容は，授業内では簡単な復習に留めるため，必要に応じて各自で予習・復習してください．
・授業内容は，ウェブブラウザ上で使用できるGoogle Colaboratoryを用いたPythonのプログラミングとデータサイエンスの基礎的数理になる．現実の経済データを用いて具体的実例を交じえて説明する．
・ネットワークに接続できるノートパソコンを授業に持参してください．
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 they need to analyze various types of real data pertaining to economic phenomena.
| 1 | Pythonの基礎（Google Colaboratory，プログラミング入門，CSVファイルの読み込み） |
| 2 | １変量データのグラフ（量的変数，質的変数，ヒストグラム，度数分布表，優れた可視化，データクレンジング） |
| 3 | １変量データの代表値（平均値，最大値と最小値，中央値，最頻値，分散，標準偏差，パーセンタイル，四分位数） |
| 4 | １変量データの確率密度関数と累積分布関数（1変数関数の微分と積分，確率変数，経験分布，QQプロット） |
| 5 | 区間推定とp値（大数の法則，二項分布，正規分布，標本誤差，検定，有意水準，ランダム化比較試験） |
| 6 | 指数・対数とベキ分布（経済物理学，フラクタル，スケールフリー，ベキ乗則，パレート則，自己組織化臨界現象，ランダム乗算過程，対数正規分布） |
| 7 | ２変量データのグラフと代表値（散布図，相関関係と因果関係，疑似相関，交絡） |
| 8 | ２変量データの単回帰分析（連続値を予測する教師あり学習，回帰直線，決定係数，最小二乗法） |
| 9 | 多変量データの重回帰分析（連続値を予測する教師あり学習，散布図⾏列，相関係数⾏列） |
| 10 | 多変量データの主成分分析（連続値を予測する教師なし学習，次元削減） |
| 11 | 多変量データの階層クラスタリング（離散値を予測する教師なし学習，クラスター分析，デンドログラム） |
| 12 | 多変量データの非階層クラスタリング（離散値を予測する教師なし学習，k-means） |
| 13 | 多変量データの決定木とランダムフォレスト（離散値を予測する教師あり学習） |
| 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，適宜，テキスト等を復習することを薦める．
| 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 |
| その他 (Others) | |||||
| ◇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 ◇IPSJ MOOC（情報処理学会公開教材）：https://sites.google.com/a.ipsj.or.jp/mooc/ | |||||
・高校数学(I・A・II・B)の基礎知識を前提として授業を行う．高校数学の内容は，授業内では簡単な復習に留めるため，必要に応じて各自で予習・復習してください．
・授業内容は，ウェブブラウザ上で使用できるGoogle Colaboratoryを用いたPythonのプログラミングとデータサイエンスの基礎的数理になる．現実の経済データを用いて具体的実例を交じえて説明する．
・ネットワークに接続できるノートパソコンを授業に持参してください．