ライトコース
できるようになること
- データサイエンスの基礎力が身につく
- データサイエンティストと会話が
できるようになる - データが分析できる
- カリキュラム一覧表 -
| 週 | 授業項目 | 授業内容 |
|---|---|---|
| 1 | Python基礎文法 | データの型/条件分岐/ ループ |
| 2 | Python基礎文法 | 配列/関数/クラスと インスタンス |
| 3 | Python文法/データサイエンス・AIの時流 | 構文の発展形/データサイエンスの職業紹介 |
| 4 | Pandas | Pandasの基本的な扱い/ 欠損値データの削除など |
| 5 | 統計基礎 | 基本統計量/単回帰/ 確率分布/標本分布 |
| 6 | 実践 | ワインの銘柄予測 |
データサイエンスコース
できるようになること
- ビジネスマーケティング分析
例）新規商品の売上予測ができる - オープンデータの活用
例）インフルエンサーの影響力の可視化ができる - データスクレイピング
例）営業マンがリストを作る際に、ネット上から必要なリストを抽出し自動出力ができる
- カリキュラム一覧表 -
| 週 | 授業項目 | 授業内容 |
|---|---|---|
| 1 | Python基礎文法 | 型/リスト/if文/while文/for文 |
| 2 | ライブラリ （データ加工） | 計算・データ分析用ライブラリNumpy・Pandasについて |
| 3 | ライブラリ （グラフ可視化） | 描画用ライブラリMatplotlib・Seabornについて |
| 4 | プログラミング力テスト | テスト60分、解説30分 |
| 5 | 教師なし学習 | 統計/検定と推定/主成分分析/ クラスター分析 |
| 6 | 教師あり学習 | 分類問題/回帰分析 |
| 7 | モデルの作成 | データの扱い方(次元削減・特徴量抽出) |
| 8 | コンペティション実践 | 欠損値の処理/外れ値の処理/パラメータチューニング/次元削減 |
| 9 | マーケティング分析への応用 | 実際のデータに対して分析/AＢテスト/売り上げ予測 |
| 10 | SQL | データベースからデータを抽出 |
| 11 | データスクレイピング | Webページから情報を自動で抽出 |
| 12 | 実践（最終課題の発表） | 想定案件でのプレゼン |