講義科目名		数理・データサイエンス活用PBL
科目ナンバリングコード
講義題目		数理・データサイエンス活用PBL
授業科目区分		展開科目
開講年度		2026
開講学期		前期集中
曜日時限		前期集中 その他 その他
必修選択		選択 Elective
単位数		2
担当教員		川野　秀一
開講学部・学府		大学院基幹教育科目
対象学部等		全学府 All Graduate School
対象学年		大学院生 Graduate Students
開講地区		伊都地区
その他 （自由記述欄）		本授業は，数理学府の科目「応用数学VI」，マス・フォア・イノベーション連係学府の科目「数学共創概論VII」と同じ授業です．本PBLは，九州の国公私立大学と共同で開講されます． ※ 適宜連絡事項をMoodleに掲載します．Moodleへの登録も各自で行って下さい． https://moodle.s.kyushu-u.ac.jp/course/view.php?id=70878

履修条件		「低年次データサイエンス教育」プログラム修了，または，同等の能力を身につけている必要があります．https://mdsc.kyushu-u.ac.jp/%E4%BD%8E%E5%B9%B4%E6%AC%A1%E6%95%99%E8%82%B2
授業概要		社会における課題について，実データに基づき，統計学，データサイエンス，機械学習に関する理論とソフトウェアを活用し，データと課題の分析を行い，課題解決に臨む．実施は，数名のグループによるグループワークとし，最後にグループ発表と全員による意見交換，講評を行う．本科目は，データ分析，アルゴリズム，数理に関する理論の修得のみではなく，受講者の専門分野を活かした社会的課題の分析，コンサルティング実習，および，討論を行う総合科目である．受講者は，本講義終了後，総合報告を最終レポートとして提出する．  Based on real data, we will analyze data and problems and solve them by utilizing theories and software based on statistics, data science, and machine learning. Group work will be conducted in groups of several participants. Group presentations, discussion, and critiques will be made at the end of the class. This is a comprehensive course in which students not only acquire theories on data analysis, algorithms, and mathematics, but also analyze and discuss social issues based on their specialized fields. After this lecture, students are required to submit a comprehensive report as a final report.
授業形態 （項目）		■　講義・演習 □　実験 ■　グループワーク・ペアワーク □　学内外実習 ■　プレゼンテーション ■　ディスカッション ■　PBL/TBL
授業形態 （内容）
使用する教材等		スライド資料（電子媒体），映像・音声資料
全体の教育目標		(1) 社会における課題解決について，さまざまな専門分野の受講生とともに行うグループワークでの討論により，総合的な課題分析を行えるようになること． (2) データ分析，アルゴリズム，数理に関する理論と応用について，グループワークでの受講生間の交流活動の中で，役割分担を行いながら，さまざまな側面から，理解を深めること． (1) To be able to analyze issues comprehensively through discussions in group work with students of various specialties on solutions to problems in society. (2) To deepen the understanding of the theory and applications of data analysis, algorithms, and mathematics from various aspects through group work and role-sharing among the students.
個別の教育目標		データ分析グループワークで，受講生の専門の立場を活かして，データに基づく，社会の仕組み，技術の仕組み，数理の理論を考えること． (例) 時系列データ処理に現れる統計理論の修得． ソフトウェアを活用したデータ処理の結果と背景にある統計理論とともに考察する．
授業計画		第1回: ガイダンス (課題説明など) 第2回: データサイエンス速習：Pythonプログラミング、機械学習 第3回: 統計学速習：統計量、検定、回帰分析、主成分分析 第4回: グループワーク(1)：データ収集・加工を行い、適切なデータ構造を構成する。 第5回: グループワーク(2)：データの社会的背景について考察する。 第6回: グループワーク(3)：数理モデリング 第7回: コンサルティング実習: 　 　統計学・データ解析を専門とする学生による異分野学生へのコンサルティング実習 第8回: グループワーク(4)：実際に数値計算を行い、分析結果を共有する。(1) 第9回: グループワーク(5)：実際に数値計算を行い、分析結果を共有する。(2) 第10回: グループワーク(6)：実データの社会的背景を踏まえて、データの持つ意味を理解する。(1) 第11回: グループワーク(7)：実データの社会的背景を踏まえて、データの持つ意味を理解する。(2) 第12回: 発表準備(1) 第13回: 発表準備(2) 第14回: 発表会(1)：各グループが成果と考察を発表する 第15回: 発表会(2), 講評 各グループの発表に対しての講評を行う
キーワード		相関分析，回帰分析，一般化線形モデル，可視化，分類，決定木，ランダムフォレスト
授業の進め方		ガイダンス，講演，コンサルティング実習，発表会以外は，各グループによるグループワークである．
テキスト		九州大学 数理・データサイエンス教育センターHPにある講義資料 * データサイエンス概論I&II * 情報科学【AI・データサイエンス】 * 統計基礎 (英語販) https://mdsc.kyushu-u.ac.jp/lectures
参考書		特になし．
学習相談		基本的には各回の講義終了後に受け付けるが，難しい場合はメール等により相談日時を調整すること．
試験／成績評価の方法等		講義終了後，発表会でのコメント等を反映し，受講生個人ごとに提出された総合報告により評価する．
その他
添付ファイル
更新日付		2026-03-29 17:07:28.242