学部・大学院区分
Undergraduate / Graduate		情報・博後
時間割コード
Registration Code		4590001
科目区分
Course Category
専門科目(自然情報)関連専門科目(人社，CS)
科目名　【日本語】
Course Title		データマイニングII
科目名　【英語】
Course Title		Data Mining II
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
自然・複雑システム
必修・選択
Required / Selected
選択


授業の目的　【日本語】
Goals of the Course(JPN)
線形回帰，ロジスティック回帰などの回帰分析，判別分析，ウォード法やk平均化法などのクラスタリング手法，パターン抽出，ナイーブベイズ分類器，サポートベクターマシン，ニューラルネットワークなどビッグ・データの分析に適用するデータ・マイニング技術の理論について学習する。続いて，データ・マイニング技術を金融データ分析，データサイエンスに基づく材料設計であるマテリアルズインフォマティクス，バイオインフォマティックス等に適用する方法についても学ぶ。受講生は，これらの内容について基礎知識を理解できる。
授業の目的　【英語】
Goals of the Course
We learn first regression analysis such as linear regression and logistic regression, discriminant analysis, clustering methods such as Ward method and k-averaging method, pattern extraction, naive Bayes classifier, support vector machine, data to be applied to analysis of big data such as neural network. Next, we also learn how to apply data mining technology to financial data analysis, materials design based on data science, such as materials informatics and bioinformatics.
到達目標　【日本語】
Objectives of the Course(JPN)
線形回帰，ロジスティック回帰などの回帰分析，判別分析，ウォード法やk平均化法などのクラスタリング手法，パターン抽出，ナイーブベイズ分類器，サポートベクターマシン，ニューラルネットワークなどビッグ・データの分析に適用するデータ・マイニング技術の理論について学習する。続いて，データ・マイニング技術を金融データ分析，データサイエンスに基づく材料設計であるマテリアルズインフォマティクス，バイオインフォマティックス等に適用する方法についても学ぶ。
到達目標　【英語】
Objectives of the Course
授業の内容や構成
Course Content / Plan
ガイダンスに続いて，回帰分析，判別分析，機械学習について講述する。続いて，欠損値処理，遺伝的アルゴリズム，セルオートマトンについて講述する。

1. ガイダンス
2. 統計分析
3. 判別分析
4. 時系列分析
5. 欠損値処理
6. 遺伝的アルゴリズム
7. セルオートマトン
8. 総括
Following the guidance, lectures on regression analysis, discriminant analysis, and machine learning. are performed. Next, lectures on missing value processing, genetic algorithms, and cellular automata are given.

1. Guidance
2. Statistical analysis
3. Discriminant analysis
4. Time series analysis
5. Missing value processing
6. Genetic algorithm
7. Cellular automaton
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。
40% of the exercises given to each lecture, 60% of the regular exams, and a total of 100 points, a total of 60 points or more will be passed.
教科書・参考書
Textbook/Reference book
必要に応じて配布する。履修条件は要さない。
No registration requirements are required.
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。
Exercises are given to deepen the understanding of the contents explained in the lecture.
授業開講形態等
Lecture format, etc.
オンデマンドで行う．
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．