授業コード 12062632 単位数 2
科目名 ゼミナールⅢ クラス 32
履修期 前期授業 カリキュラム ＊下表参考
担当者 高濱　節子 配当年次 ＊下表参考
授業の題目 経営情報論ゼミナール
学修の概要 　経営情報論ゼミナールにおける学習テーマは「最適意思決定に対する経営科学および情報科学の応用」である．
ゼミナールの学習内容は，次の三つの柱から構成されている.
①経営科学に関する部分・・・最適意思決定，数理計画，ゲーム理論など
②情報科学に関する部分・・・プログラミング，インターネットなど
③応用事例に関する部分・・・事例研究，システム作成，シミュレーションなど
なお，２年次のゼミナールⅠ・Ⅱは基礎編，３年次のゼミナールⅢ・Ⅳは応用編であり，４年次の卒業論文作成に向けた基礎学力と表現力の獲得を目指す.
　毎回のように，若干の数学とコンピュータを用いるが，本ゼミナールでは，基礎学力と表現力の向上を最大の目的にしているので，学習内容は基本的な内容となっており，平易なはずである．
学修の到達目標 コンピュータによるデータ分析の⼿順と⽅法を理解し，使⽤することができるようになる．
授業計画 第１回 ゼミナール予定の説明、ゼミナールⅢの目標の説明

⽂献講読と実習① 第4章　テキストの前処理①
・文献講読により，自然言語処理で扱うテキストを機械が処理しやすい形に変換するための色々な種類の前処理について学習する．

・自然言語処理で扱う代表的な前処理について説明できるようになる．
第２回 ⽂献講読と実習② 第4章　テキストの前処理②
・色々な種類の前処理について，簡単な実装によるの実行確認を行う．

・色々な種類の前処理について，簡単な実装を行えるようになる．
第３回 ⽂献講読と実習③ 第4章　テキストの前処理③
・レビューのデータセットを使って，前処理の実践演習をおこない，前処理の効果について確認する．
・レビューのデータセットを使って，前処理のいくつかを実装できるようになる．
第４回 ⽂献講読と実習④ 第5章　特徴エンジニアリング①
・文献購読と簡単な実装確認
・機械学習アルゴリズムの性能が高くなるような特徴を生データから生成する「特徴エンジニアリング」について学習する．
・色々な種類の特徴エンジニアリングについて，簡単な実装を交えながら説明できるようになる．
第５回 ⽂献講読と実習⑤ 第5章　特徴エンジニアリング②
・機械学習でモデルにデータを与えるときに必要となるテキストをベクトルに変換する「テキストのベクトル化」のいくつかの方法について，実装を交えながら学習する．
・レビューデータを使って，テキストのベクトル化機械学習モデルに学習させて，様々なテキスト表現の性能を比較できるようになる．
第６回 ⽂献講読と実習⑥ 第5章　特徴エンジニアリング③
・特徴の集合からモデルの構築に使う特徴を選択する「特徴選択」のプログラムを書き，レビューデータに対して「特徴選択」を実践する．
・レビューデータに対して，特徴選択した場合としない場合の性能を比較できるようになる．
第７回 実践結果報告①　特徴エンジニアリング
・作成したプログラムコードの概要に関する説明を行い，実行結果の分析を説明できるようになる．
第８回 ⽂献講読と実習⑦ 第6章　機械学習アルゴリズム①　ロジスティック回帰
・文献購読によって，基礎的な機械学習モデルであるロジスティック回帰の概念について学習する．
・ロジスティック回帰によるテキスト分類について説明できるようになる．
・レビューデータに対して，ロジスティック回帰によるテキスト分類を実践できるようになる．
第９回 ⽂献講読と実習⑧ 第6章　機械学習アルゴリズム②　汎化性能
・機械学習モデルの汎化性能（未知のデータに対して正しく予測できる性能）について学習する．
・汎化性能を低下原因である過学習と過学習の検知ツール（学習曲線），過学習を押さえるためのテクニック（正則化）について学習する．

・機械学習モデルの汎化性能と過学習とは何かについて説明できるようになる．
・ロジスティック回帰によるテキスト分類のプログラムを，汎化性能の低下を防ぐために，学習曲線，正則化の機能を追加したプログラムに，追加修正することができるようになる．
第１０回 ⽂献講読と実習⑨ 第6章　機械学習アルゴリズム③　ハイパーパラメータチューニング
・機械学習では，機械学習モデルの学習を制御するために，モデルの外部で設定する様々なパラメータ（ハイパーパラメータ）がある．ハイパーパラメータはデータで学習するのではなく，モデルを学習する前に，人間が設定する必要があるものである．今回は，これを自動的に最適な値に調整するためのハイパーパラメータチューニングについて学習する．

・前回までに作成したプログラムに対して，ハイパーチューニングを実践することができるようになる．
第１１回 実践結果報告②　機械学習アルゴリズム
・作成したプログラムコードの概要に関する説明を行い，実行結果の分析を説明できるようになる．
第１２回 ⽂献講読と実習⑩ 第7章　ニューラルネットワーク①
・文献購読によって，ニューラルネットワークの基礎について学習する．

・ニューラルネットワークとは何かについて，基本概念（ニューロンと重み，バイアス，活性化関数等）を用いて，説明できるようになる．
第１３回 ⽂献講読と実習⑪ 第7章　ニューラルネットワーク②
・今回から2回にわたって，Kerasによるニューラルネットワークの実装について学習する．
・Kerasを使った実装プログラムの内容を説明できるようになる．
第１４回 ⽂献講読と実習⑫　第7章　ニューラルネットワーク③
・レビューデータを用いて，モデルを学習させるソースコードを作成し実行する．
・学習したモデルを保存，学習結果の可視化を行う．
・Kerasを使った実装ブログラムを実行することができるようになる．
第１５回 実践結果報告③　ニューラルネットワーク
・作成したプログラムコードの概要に関する説明を行い，実行結果の分析を説明できるようになる．
授業外学習の課題 ⽂献輪読のテキストを、事前に熟読してゼミに臨むこと．テキスト内のプログラム実習も、基本的には、授業外学習の作業になる．このように，時間外の取り組みがメインとなる授業なので，少なくとも事前学修（2時間程度），事後学修（2時間程度）として，授業時間外にゼミナールⅢの学修を行うこと．
履修上の注意事項 ① 全授業無遅刻無⽋席が原則です．やむをえず⽋席するときは，事前に必ず連絡して下さい．
② 提出課題や報告はそれぞれが評価対象となるため、課題提出のない場合や報告をしなかった場合は該当分の評価は0点となります．
③ PCおよびネットワーク環境を⽤意すること．

・授業時間外の作業が多く，かつそれがメインとなる授業なので，高濱と連絡を取り，相談するようにしてほしい．それにより，各人の進行状況を常にチェックします．

＊公認欠席制度の配慮内容は以下の通りです．
・公認欠席は欠席として扱いますが，単位認定要件または期末試験の受験要件には影響しないように配慮します．
成績評価の方法・基準 出席率70%以上を評価の対象とします。
ゼミへの取り組み（30％）、課題研究などの課題（70％）を目安に総合的に評価します。
テキスト 中山光樹　著『機械学習・深層学習による自然言語処理入門』マイナビ出版
参考文献 適宜，授業中に指示する．
主な関連科目 ゼミナールⅠ・Ⅱ，経営情報論Ⅰ, 経営情報論Ⅱ，B2群特殊講義a（アルゴリズムとプログラミ
ング演習），B2群特殊講義a（アルゴリズムとプログラミング発展演習）
オフィスアワー及び
質問・相談への対応		 ゼミ⽣全員に個別⾯談を実施します。
質問・相談については、ゼミ終了直後やメールで受け付けます。すぐに解決しない問題については、メールでアポイントメントをとってもらって、個別に対応します。質問のうち、他の学⽣にも参考になる内容については、次の講義の時に学⽣にフィードバックします。
■カリキュラム情報
所属 ナンバリングコード 適用入学年度 配当年次 身につく能力
知識・技能 思考力 判断力 表現力 協創力
商学部経営学科（Ｆ群） FCBA36031 2018～2022 3･4 - - - - -
商学部経営学科（Ｆ群） FCBA36031 2023～2023 3･4 ○ ○ ○ ○ ○