Niveau: Anfänger
【Moderator】
Akira Ogawa, Gastforscher, Fakultät für Betriebswirtschaftslehre, Mejiro-Universität
[Zusammenfassung der Präsentation]
In den letzten Jahren ist der Bedarf an einer rationellen Verarbeitung großer Mengen unterschiedlicher Daten gestiegen und Data Science hat immer mehr an Bedeutung gewonnen. Es gibt zwei Arten dieser Ausbildung: eine passive Form, bei der die Studierenden Wissen und analytische Methoden durch Vorlesungen im Klassenzimmer erlernen, und eine aktive Form, bei der die Studierenden lernen, Probleme zu lösen und Aufgaben durch praktische Übungen zu lösen. Bisher wurde hauptsächlich die passive Bildung gefördert, und es wurden bereits wesentliche Ergebnisse erzielt. Aktive Bildung gilt jedoch als Zukunftsthema und es besteht dringender Bedarf, einen Ansatz dafür zu entwickeln.
In der Praxis wird der PDCA-Zyklusansatz aus Planen, Ausführen, Überprüfen und Handeln seit vielen Jahren zur Lösung von Problemen und zur Erfüllung von Aufgaben eingesetzt und hat viele Ergebnisse erzielt. Das Wesentliche dabei ist, Fakten in Form von Daten zu sammeln, sie zu analysieren, auf der Grundlage der gewonnenen Schlussfolgerungen eine Hypothese aufzustellen, diese umzusetzen, die Ergebnisse als Daten zu sammeln und die Hypothese zu verifizieren. Das ist aktive Datenwissenschaft an sich.
Die Autoren haben über viele Jahre hinweg ein Bildungsprogramm entwickelt, das sowohl Materialien zum Münzschießen als auch den PDCA-Zyklus verwendet, es in Vorlesungen und Seminaren umgesetzt und seine Inhalte an verschiedenen Orten präsentiert (Vorträge, Konferenzpräsentationen, Vorträge usw.). . Ich habe viele Vorträge gehalten. In diesem Vortrag werden wir diese systematisch ordnen und über eine aktive Data-Science-Ausbildung berichten.
[Präsentatorprofil]
Nachdem er als Ingenieur bei einem Mess- und Steuerungshersteller gearbeitet hatte, erwarb er einen Doktortitel in Betriebswirtschaftslehre an der Fakultät für Betriebswirtschaftslehre der Mejiro-Universität durch Forschungen zur statistischen Qualitätskontrolle. JMP wird seit über 20 Jahren für die Datenanalyse verwendet, hauptsächlich für experimentelles Design und multivariate Datenanalyse. Data Science hat in der Gesellschaft in den letzten Jahren große Aufmerksamkeit erregt, aber aufgrund meiner Erfahrung in der Datenanalyse als ehemaliger Hersteller lege ich den Schwerpunkt auf den eigentlichen Ort, an dem Daten generiert werden. Für die Datenbereinigung, um gute Daten zu erhalten, sind vor Ort und aktuelle Informationen wichtig. Dieses Lehrmaterial zum Münzschießen simuliert bzw. reproduziert auch die tatsächliche Situation. Das Forschungsthema besteht darin, mit JMP hochpräzise Analysen durchzuführen und diese für verschiedene Verbesserungen und Entscheidungen zu nutzen.
[Co-Moderator]
Institut für Statistische Mathematik Takenori Takahashi
*Poster werden nur auf Papier angezeigt.
