区分 環境データサイエンス科目　環境情報科目　環境情報基本科目 ディプロマ・ポリシーとの関係 専門性 理解力 実践力 カリキュラム・ポリシーとの関係 専門知識 教養知識 思考力 実行力 カリキュラム全体の中でのこの科目の位置づけ 多様化する環境問題や地域社会の諸問題に関心を持ち、環境・情報・社会に関連する幅広い基礎知識と専門的な理解を深めると共に、学際的な柔軟性を有し、実践的な能力を有する。グローバルな視野と研究調査力を持ち、昨今の情報社会に貢献できる力を有する。企業・地域社会などのあらゆるコミュニティに寄与する組織的な活動能力を有する。 科目の目的 地球規模の環境問題である温室効果ガスに起因する地球温暖化現象や異常気象による豪雨などの自然現象をはじめ、社会・経済活動やエネルギー、人流、物流など、実世界において計測・収集されるデータは膨大かつ複雑であり、それら環境に関わる多種多様なビッグデータを効率よくかつ適切に扱うことは必要不可欠である。本科目では、社会や自然環境において取得される多様なメディアやモダリティのデータを解析するための基本的な知識と技術を修得することを目的とする。 到達目標 ビッグデータの種類と利活用を把握すること。ビッグデータを解析し、有益な情報を捉えるための基礎知識を修得すること。Python言語を用いたプログラミングにより、様々な形態のデータ（小売店データ、ECデータ、電力データ、物流データ、人間関係データ、アンケートデータ、音声データ、映像データなど）の基本的な解析（集計、クレンジング、可視化、行動予測、ソーシャルネットワーク解析、自然言語処理、音声処理、映像処理など）を行えること。 科目の概要 本科目は、環境データサイエンス学科環境情報領域における重要な応用教育の一つであり、3年次以降の演習でデータ解析を行う場合に活用できる知識と技術を身につけることを目的としている。まず、第1回では、ガイダンスとして授業の進め方と、第6回以降で必要になるPython言語の修得状況を確認する。第1回を含め第5回までは基礎編で、ビッグデータとは何かについて把握し、ビッグデータから有益な情報を捉えるために用いられる基本的な統計解析技術を学ぶ。第6回から第14回は実践編で、Python言語を用いて、用意された様々なメディアやモダリティのデータを解析する。第15回では、全ての講義内容をまとめ、復習し、これまでに解析したデータもしくは自身で取得したデータに対して独自の解析を行い、環境ビッグデータ解析の基礎知識とスキルの修得を確認する。 科目のキーワード ビッグデータ、集計、クレンジング、可視化、クラスタリング、特徴抽出、相関と因果、自然言語処理、音声・映像処理、ネットワーク解析 授業の展開方法 教員が作成した資料を配布し、その配布資料を主に用いる。第1回から第5回は基礎編で、パワーポイントによって作成された資料を配布し、教員がスクリーンに投影しながら内容を解説する。第6回から第14回は実践編で、教員がPython言語によるプログラムを共有しながらデータ解析を解説し、各自でプログラミング演習（コーディング）を行う。なお、演習は、各自所有のノートPCで行うため、毎回の授業においては必ずノートPCを持参すること（前日までに充電しておくことも忘れない）。Python言語を修得した状態で受講することが望ましいため、「環境プログラミング基礎」の講義内容等を復習しておくこと。試験においては、ビッグデータ解析の基礎知識に加え、Python言語を用いたデータ解析についても問う。 オフィス・アワー 【火曜日】1・2・5時限目、【木曜日】5時限目、【金曜日】4・5時限目 科目コード ENS507 学年・期 3年・前期 科目名 環境ビッグデータ解析 単位数 2 授業形態 講義 必修・選択 選択 学習時間 【授業】90分×15　【予習】90分以上×15　【復習】90分以上×15 前提とする科目 展開科目 関連資格 担当教員名 平山高嗣

履修判定指標 履修指標 履修指標の水準 キーワード 配点 関連回 ビッグデータの種類の理解 ビッグデータ解析の対象となるデータの種類は多様である。データの性質によって解析プロセスや処理方法、解析結果の利活用が異なるため、データの種類を把握することが重要である。そこで、主なデータの種類を理解することができているかどうかを次の項目に基づいて確認する。１．調査データ、ログデータ、実験データ、観測データ、デモグラフィックデータ、メタデータの特徴、２．構造化データと非構造化データの違い、３．ビッグデータの具体例 調査データ、ログデータ、実験データ、観測データ、デモグラフィックデータ、メタデータ、構造化データ、非構造化データ 15 1, 15 ビッグデータ解析の前処理の理解 ビッグデータ解析の対象となるデータが構造化データであっても、入力ミスなどのデータの揺れや入力漏れが含まれていることが多いため、その確認と補正が必要になる。また、データが件数や項目（属性）ごとに分割されてファイルに格納されていて、データの結合やある観点での計算や集計など、データを分析に適した形に加工する必要があることが多い。そこで、目的とするデータ解析に向けて必要な前処理を理解することができているかどうかを次の項目に基づいて確認する。１．データのクレンジングの意義、２．データの揺れと欠損値の確認および補正、３．データの結合方法、４．データの基本統計量の計算、５．データの集計方法 クレンジング、データの揺れ、欠損値（NaN）、データの結合、ユニオンとジョイン、属性、データの集計、ピボットテーブル 10 6, 7 ビッグデータの可視化方法の理解 ビッグデータを解析するにあたり、データを解析ツールに入力して出力される結果を見るだけではなく、元データを見やすい形式に可視化し、改めて仮説や解析の方針を立てることが重要である。データの可視化方法は様々あり、データの種類や解析の目的によって用いるべきものが異なる。そこで、主なデータの可視化方法を理解することができているかどうかを次の項目に基づいて確認する。１．グラフによる可視化、２．散布図による可視化、３．ネットワークによる可視化、４．ヒートマップによる可視化 棒グラフ、ヒストグラム、円グラフ、折れ線グラフ、散布図、箱ひげ図、ネットワーク、ヒートマップ 15 2, 8 ビッグデータのクラスタリングの理解 ビッグデータを解析する際、全てのデータがどういう性質を持っているのかを見ることは難しいが、類似するデータをグループ分けするクラスタリングを行い、各グループのモデルを作ったり、代表例を分析すれば、全データの傾向を把握しやすくなる。クラスタリングは、ビッグデータから有益な情報を捉えるために一般的に適用されるアプローチの1つであり、様々な手法が存在する。そこで、主なクラスタリング手法を理解することができているかどうかを次の項目に基づいて確認する。１．k-meansクラスタリングのアルゴリズム、２．混合ガウスモデルを用いたクラスタリングのアルゴリズム、３．階層的クラスタリングのアルゴリズム、４．各クラスタリングの特徴 クラスタリング、k-means、混合ガウスモデル、階層的クラスタリング、デンドログラム、最短距離法、最長距離法、群平均法、重心法、ウォード法 15 3, 9 ビッグデータの主成分分析の理解 ビッグデータは、多次元で構成されることが頻繁に起こる。データの次元が多くなるほど、算法が指数関数的に大きくなり、統計解析や機械学習を妥当に行うために必要なデータ量が指数関数的に増える。また、多次元のデータの分布を可視化することが不可能であるという問題もある。これらを解決するために、特徴的な次元を抽出してデータを近似し、次元を圧縮することが一般的に行われる。その代表的な手法が主成分分析である。そこで、主成分分析を理解することができているかどうかを次の項目に基づいて確認する。１．データの次元の概念、２．特徴抽出と次元圧縮の概念、３．主成分分析のアルゴリズム、４．主成分分析による次元圧縮 多次元データ、特徴抽出、次元圧縮、主成分分析、固有ベクトル、固有値、寄与率、データの再構成 15 4, 9 ビッグデータの相関と因果、その解析方法の理解 データとデータの間や次元と次元の間に存在する相関あるいは因果を捉えることは、ビッグデータからの特徴抽出やビッグデータの説明、利活用を行う上で非常に重要である。相関係数を計算することだけが相関分析ではなく、データの種類によって方法が異なる。また、因果については、その数理的表現を扱える必要がある。そこで、相関と因果の解析方法を理解することができているかどうかを次の項目に基づいて確認する。１．順位相関係数や正準相関分析の概念、２．ベイズの定理による因果の表現、３．グラフィカルモデルによる因果の表現、４．グラフィカルモデルの種類 積率相関係数、順位相関係数、正準相関分析、ベイズの定理、条件付き確率、グラフィカルモデル、ベイジアンネットワーク 15 5, 8, 10, 11 ビッグデータ解析の利活用の理解 ビッグデータの可視化、クラスタリング、主成分分析、相関分析、因果推論は、構造化データに対して施される。一方で、非構造化データに対しては、文書や音声、画像、映像などのメディアごとに特徴的なデータ処理が施され、直接的に解析が進められるか、必要に応じて構造化された上で上記の解析が適用される。そして、これらのプロセスを通じて得られた知見は、レコメンデーションや予測をはじめ、様々な目的に利活用される。昨今では、これらを実現するために、機械学習や人工知能技術が導入されることが主となっている。そこで、ビッグデータ解析の利活用や、それに至るプロセスを理解することができているかどうかを次の項目に基づいて確認する。１．説明的データ分析、予測的データ分析、指示的データ分析の違い、２．ビッグデータ解析の利活用の例、３．自然言語処理の典型的技術、４．音声処理の典型的技術、５．画像・映像処理の典型的技術、６．レコメンデーションの仕組み、７．パーソナライゼーションの仕組み 自然言語処理、正規表現、形態素解析、音声処理、周波数解析、画像・映像処理、人物検出、レコメンデーション、パーソナライゼーション、行動予測 15 1, 12, 13, 14

評価方法	期末試験（100%）により行う。
評価基準 評語     学習目標をほぼ完全に達成している・・・・・・・・・・・・・ S (100～90点)     学習目標を相応に達成している・・・・・・・・・・・・・・・ A (89～80点)     学習目標を相応に達成しているが不十分な点がある・・・・・・ B (79～70点)     学習目標の最低限は満たしている・・・・・・・・・・・・・・ C (69～60点)     学習目標の最低限を満たしていない・・・・・・・・・・・・・ D (60点未満)
教科書	特に既成の教科書を使わない。資料を配布する。
参考文献	１．北川 源四郎，竹村 彰通 編，“教養としてのデータサイエンス”，講談社，2021，２．チーム・カルポ，“Python統計分析＆機械学習マスタリングハンドブック”，秀和システム，2023，３．麻生 英樹，津田 宏治，村田 昇，“パターン認識と学習の統計学”，岩波書店，2021，４．C. M. ビショップ，“パターン認識と機械学習（上）”，シュプリンガー・ジャパン，2007，５．永田 靖，棟近 雅彦，“多変量解析法入門”，サイエンス社，2001，６．石井健一郎，上田修功，前田英作，村瀬洋，“わかりやすいパターン認識”，オーム社，1998，pp.106-114，７．下山 輝昌，松田 雄馬，三木 孝行，“Python実践データ分析100本ノック第2版”，秀和システム，2022，８．下山 輝昌，伊藤 淳二，露木 宏志，“Python実践データ加工/可視化100本ノック”，秀和システム，2022，pp.241-252
実験・実習・教材費	特になし。