学部・大学院区分
Undergraduate / Graduate		情報・博前
時間割コード
Registration Code		2590001
科目区分
Course Category
科目名　【日本語】
Course Title		データマイニングI
科目名　【英語】
Course Title		Data Mining I
コースナンバリングコード
Course Numbering Code
担当教員　【日本語】
Instructor		北　栄輔 ○
担当教員　【英語】
Instructor		KITA Eisuke ○
単位数
Credits		1
開講期・開講時間帯
Term / Day / Period		春集中 その他 その他
Intensive(Spring) Other Other
対象学年
Year		１年
1
授業形態
Course style		講義
Lecture
開講系（学部）・開講専攻（大学院）
Subject
必修・選択
Required / Selected


授業の目的　【日本語】
Goals of the Course(JPN)
データの中から有用な知識を発見しようとするデータマイニングは，確率・統計，パターン認識・機械学習などを基盤として発展を続けている。本講義では，データマイニングへの入門として，R言語を用いたデータマイニングの手法について紹介する。
データマイニングの全体像を解説した後，回帰分析，相関分析，主成分分析などの統計的な分析技術について分析事例を中心にして説明する。また，決定木・回帰木，クラスタリングと判別分析，ニューラルネットワークなどのパターン認識・機械学習技術について解説する。
授業の目的　【英語】
Goals of the Course
Data mining is the technique to find useful knowledge from data. In this lecture, data mining method using R language is introduced. After an overview of data mining, statistical analysis techniques such as regression analysis, correlation analysis, and principal component analysis will be described. In addition, pattern recognition and machine learning technologies such as decision trees and regression trees, clustering and discriminant analysis, and neural networks are also explained.
到達目標　【日本語】
Objectives of the Course(JPN)
データ分析のための基本技術である，線形回帰・自己回帰などを用いた回帰分析，データ間の線形な関係性を見る相関分析と検定，説明変数の主成分分析，すでにどちらに含まれているかが明らかなデータを元に新しいデータを分類する判別分析，クラスタリング，決定木，ニューラルネットワークなどについて理論を簡単に紹介した後，R言語を用いて分析の実習を行う。
到達目標　【英語】
Objectives of the Course
After briefly introducing the theory of basic technology for data analysis, the exercises using R language are performed. Basic techniques include regression analysis, correlation analysis, principal component analysis of explanatory variables, discriminant analysis, clustering, decision trees, and neural networks.
授業の内容や構成
Course Content / Plan
回帰分析，相関分析と検定，主成分分析，判別分析，決定木，ニューラルネットワークなどについて基礎理論を解説すると共に， R言語を用いて分析の実習を行う。

1. ガイダンス
2. 回帰分析と演習
3. 相関分析・主成分分析と演習
4. SVMと演習
5. 判別分析・クラスタリングと演習
6. 決定木と演習
7. ニューラルネットワークと演習
8. 総括
1. guidance
2. regression analysis and practice
3. Correlation Analysis, Principal Component Analysis and Exercises
4. SVM and Exercises
5. Discriminant Analysis, Clustering and Exercises
6. decision tree and practice
7. neural networks and practice
8. summary
履修条件・関連する科目
Course Prerequisites and Related Courses
特に指定しない．
成績評価の方法と基準
Course Evaluation Method and Criteria
講義毎に与える演習課題の評価40％，定期試験60％，合計100点満点で60点以上を合格とする。
教科書・参考書
Textbook/Reference book
必要に応じて指定・配布する。履修条件は要さない。
課外学習等（授業時間外学習の指示）
Study Load(Self-directed Learning Outside Course Hours)
講義で説明した内容の理解を深めるための演習課題を与える。
授業開講形態等
Lecture format, etc.
直接またはテレビ会議システムによる対面とオンデマンドを併用して行う．
遠隔授業（オンデマンド型）で行う場合の追加措置
Additional measures for remote class (on-demand class)
部分的にテレビ会議システムを利用する他，メールや対面も併用することで説明を行う．