シラバス情報
|
教員名 ： 小松 悟朗
|
授業科目名
データサイエンス
学年
1年
単位数
2.00単位
実務経験の有無
開講クォーター
セメスタ指定なし
担当教員
小松 悟朗
授業形態
授業で主に使用する言語
日本語
授業方法区分
開講キャンパス
紀尾井町キャンパス
授業の到達目標及びテーマ
本講義は、統計学の応用であるデータサイエンス、計量経済学、そして因果推論を学ぶ。
本講義ではまず統計学の手法をレビューしたのち、因果関係を定量的に明らかにする手法である計量経済学を概観する。続いて、現在マーケティング分析や政策評価(EBPM)において重要な役割を果たす因果推論や機械学習の手法を習得する。加えて、講義ではこれらの手法をPythonやRといったプログラミング言語を用いて演習も行う予定である。 より進んだ修士論文執筆に必要な定量的・統計的手法の習得に加え、データサイエンティストとしてのプログラミングなどの基本的スキルを習得することを目指す。 ※「統計学」または「Statistics」を履修済であることが望ましい。 ※履修者の学習状況や修論テーマにより教科書や内容は変更する予定である。 授業の概要
科目名: データサイエンス (Data Science)
授業形態: 講義 内容: (1)因果推論・機械学習のための統計学・計量経済学の応用的手法を習得し、 (2)実際のデータをPythonやRなどの主流のプログラミング言語を用いて分析することで、 (3)エビデンスに基づく政策評価や、マーケティングなどのビジネスデータの分析ができることを目指す。 キーワード: データサイエンス、機械学習、教師あり学習、回帰分析、因果推論、教師なし学習、主成分分析、因子分析、クラスタリング、Python、R、データサイエンティスト 第1週—統計学レビュー 1 統計学レビュー(1) 2 統計学レビュー(2) 第2週—回帰分析(1) 3 単回帰 4 重回帰—推定 第3週—回帰分析(2) 5 重回帰—推測 6 質的変数 第4週—因果推論と政策評価(1) 7 差の差分析 8 パネルデータ 第5週—因果推論と政策評価(2) 9 操作変数法 10 回帰不連続デザイン、傾向スコアマッチング 第6週—教師なし学習 11 主成分分析、因子分析 12 クラスタリング 第7週—まとめ 13 まとめ 授業計画
1回
1 統計学レビュー(1)
事前学習
資料を読む
事後学習
課題を提出する
2回
2 統計学レビュー(2)
事前学習
資料を読む
事後学習
課題を提出する
3回
3 単回帰
事前学習
資料を読む
事後学習
課題を提出する
4回
4 重回帰—推定
事前学習
資料を読む
事後学習
課題を提出する
5回
5 重回帰—推測
事前学習
資料を読む
事後学習
課題を提出する
6回
6 質的変数
事前学習
資料を読む
事後学習
課題を提出する
7回目
7 差の差分析
事前学習
資料を読む
事後学習
課題を提出する
8回
8 パネルデータ
事前学習
資料を読む
事後学習
課題を提出する
9回
9 操作変数法
事前学習
資料を読む
事後学習
課題を提出する
10回
10 回帰不連続デザイン、傾向スコアマッチング
事前学習
資料を読む
事後学習
課題を提出する
11回
11 主成分分析、要因分析
事前学習
資料を読む
事後学習
課題を提出する
12回
12 クラスタリング
事前学習
資料を読む
事後学習
課題を提出する
13回
13 まとめ
事前学習
資料を読む
事後学習
課題を提出する
14回
事前学習
事後学習
15回
事前学習
事後学習
16回
事前学習
事後学習
17回
事前学習
事後学習
18回
事前学習
事後学習
19回
事前学習
事後学習
20回
事前学習
事後学習
21回
事前学習
事後学習
22回
事前学習
事後学習
23回目
事前学習
事後学習
24回
事前学習
事後学習
25回
事前学習
事後学習
26回
事前学習
事後学習
試験及び成績評価
課題：50%
最終プロジェクト課題：50% 課題(試験やレポート等)に対するフィードバック
授業にて適宜行う
講義で使用するテキスト（書名・著者・出版社・ISBN・備考）
資料を配布予定
-
-
-
-
参考文献・推薦図書
データサイエンスのための統計学入門 第2版 —予測、分類、統計モデリング、統計的機械学習とR/Pythonプログラミング
Peter Bruce 他 オライリージャパン 978-4873119267 2020年 計量経済学の第一歩 実証分析のススメ 田中隆一 有斐閣ストゥディア 978-4641150287 2015年 研究室
紀尾井町キャンパス4号棟 4402
オフィスアワー
金曜昼休み
科目ナンバリング
学位授与方針との関連
関連ページ
N/A
|
