Aコース データサイエンス 『基礎コース』
データサイエンス
『基礎コース』アイコン

データサイエンティストが必要とされる知識・スキルを習得するためのコース。データを価値に変換する際に必要な5つのプロセスである「課題設定力」「データサイエンス全体俯瞰能力向上」「データ収集・統合」「データ分析」「データ解釈」を、Eラーニングや大学講義を通じて学ぶことができます。

修了要件

Aコース科目(単位互換協定科目、e-Learning科目)から5単位を取得した受講生には、「基礎コース修了証」を発行します。 ※詳細についてはお知らせの「Aコース修了要件について」をご確認下さい。

構成科目

科目分類
科目名
開講大学
単位数
開講区分
情報学基礎
ナレッジマネジメント特論終了
大阪府立大学
2
講義
開講時期
2021年9月10日 ~ 2021年10月8日
概要
この講義では、ナレッジマネジメントをはじめとして、生産から経営まで企業を取り巻く社会環境および意思決定に役立ついくつかの手法を幅広く学習する。まずナレッジマネジメントについて概要を述べたあと、企業の組織と業務遂行に必要な情報伝達について触れる。企業間情報ネットワークやERPなどのハードとソフト面における情報の利活用について説明する。また、意思決定に役立つロジスティック回帰分析およびゲーム理論についても講義する。
情報学基礎
データサイエンス特論終了
大阪府立大学
2
講義
開講時期
2021年9月10日 ~ 2021年10月8日
概要
統計学
多変量解析受付中
大阪大学
2
講義
開講時期
2021年10月5日 ~
概要
多変量解析は互いに関連した複数個の観測項目のデータ(多変量データ) から,項目間の因果関係を検討したり,内部構造を解明したりするための統計的方法論である.本講義では,まず,多変量解析の各種手法が理解できるための数理的基礎を固める. つづいて,多くの統計分析手法の基礎となる回帰分析を講述する.実際例と注意すべき点,変数選択や数理的基礎を紹介する.次に,任意の統計モデルにおいて生じる欠測値問題を講述する. 多変量解析の分析技法は多岐にわたり,講義内で学ぶものは限られる.そこで本講では,まず,数理的に共通な事柄を集中的に学習することにより,多くの必要な分析技法を自習できるようになる.いくつかの実データの解析事例を通して,受講生が適切に統計分析できるようになる. 序  第 1回 多変量解析とは 復習と準備  第 2回 線形代数の復習  第 3回 射影行列とCochran の定理  第 4回 分割行列,Woodbury's identity, Katri's lemma, Duplication matrix  第 5回 確率分布の復習  第 6回 条件付き期待値と最小二乗法  第 7回 収束定理 回帰分析:概説編  第 8回 概説編1:実例,偏回帰係数の機能とその解釈,様々な検定とそれら関係  第 9回 概説編2:回帰診断  第10回 非線形回帰の妙(多項式回帰)  第11回 非線形回帰の妙(Gaussian Process) 回帰分析:理論編  第12回 統計理論の概要1: BLUE, Lehmann-Scheffe の定理  第13回 統計理論の概要2: Rao-Blackwellの定理,Cramer-Rao の定理  第14回 統計理論の概要3: 一致性と漸近分布,科学的精密実験と回帰分析 応用的な話題  第15回,第16回 以下のトピックの中から選択して講述する   ロジスティック回帰分析,線型対数モデル,   分類と判別、欠測データの解析,統計的因果推論,因子分析の概要と基礎,   等からいくつかを選択して講述予定 以上 毎回,講義内容の理解を深めるための課題を指定する.受講生はCLEによって課題提出する.提出された課題について,翌週の講義時に解答を提示し講評する.
機械学習
データ科学(機械学習)受付中
大阪大学
2
講義
開講時期
2021年10月5日 ~
概要
膨大な実世界データから有益な情報を知識として抽出し,それを再利用した人工システムを設計するためには,機械学習の枠組みが有効である.本講義では,その数学の理論およびアルゴリズムを俯瞰しながら機械学習の基礎を講義する. 学生は機械学習にて必要な統計・最適化理論およびそれを形にするアルゴリズムの基礎を習得することができる. 第1回目 タイトル:統計数理の復習(正規分布,相関,ベイズの定理) 第2回目 タイトル:数理最適化の復習(数理計画,動的計画問題) 第3回目 タイトル:データの特徴抽出・低次元化(主成分分析,カーネル主成分分析,判別分析) 第4回目 タイトル:統計的回帰分析 第5回目 タイトル:観測データからの非観測状態の推定(カルマンフィルタ) 第6回目 タイトル:観測データからの非観測状態の推定2(パーティクルフィルタ) 第7回目 タイトル:非観測状態の推定とモデル最適化(EMアルゴリズム) 第8回目 タイトル:非観測状態の推定とモデル最適化(EMアルゴリズム2) 第9回目 タイトル:統計的生成モデルの機械学習(混合ガウスモデル) 第10回目 タイトル:統計的生成モデルの機械学習2(隠れマルコフモデル) 第11回目 タイトル:統計的識別モデルの機械学習(サポートベクターマシン) 第12回目 タイトル:統計的識別モデルの機械学習2(コンディショナルランダムフィールド) 第13回目 タイトル:統計的生成モデルと識別モデルの統合(フィッシャベクトル) 第14回目 タイトル:ニューラルネットワークの機械学習 第15回目 タイトル:機械学習の実際:ロボットの運動への適用 講義ページにアップロードされている講義ノートを活用しながら,授業中にわからなかったことを復習して理解を補足すること.
統計学
データ科学と意思決定受付中
大阪大学
2
講義
開講時期
2021年10月4日 ~
概要
我々の日常の営みは意思決定の連続です.また,医療診断,株式投資,企業判断そして政策立案など様々な社会活動において,適切な意思決定のあり方が問題とされます.本講義では,データ科学の理論的な枠組みから意思決定プロセスをモデル化する方法,および脳認知科学の知見を踏まえたヒトの意思決定の特性を講述し,よりよい意思決定を導くための方略について議論します. 意思決定をデータ科学の観点から説明できるようになる.ヒトの意思決定における合理的規範からの逸脱について説明できるようになる.そして,状況に応じた最適な意思決定方略のモデルを構築できるようになる. 意思決定とそのモデルについての概要 1.意思決定課題の分類 適用される分野 統計的決定の基礎 2.ベイズ推定 損失関数 3.信号検出理論:信号の弁別度 4.信号検出理論:ROC解析 5.決定課題としての検定問題 ヒトの意思決定の特性 6.知覚・運動における意思決定 7.ウェイソン選択課題(4枚カード問題) 8.帰納的推論 9.確率推定 意思決定理論 10.ベイジアンネットワーク 11.選択公理と強化学習 12.効用理論 プロスペクト理論 意思決定の脳認知科学 13.情動・感情・リスク評価の役割 14.直感と熟考の機能 15.意思決定の脳内基盤 E-learning教材を活用し,事前学習と復習を行う.
数理モデル
工学への数値シミュレーション受付中
大阪大学
2
講義
開講時期
2021年10月6日 ~
概要
有限要素法は理工学分野で広く使われている数値計算手法である一方,そのアルゴリズムを理解することがしばしば困難になる場合もあります. 本講義では,下記の項目に挙げる,有限要素法を使った数値計算を確実に使えるようになるための最低限の内容を学習するとともに,工学分野で必要とされる技術を身に着ける. 各自が持参したノートパソコンを使って数値計算を行う ・講義内で指定する有限要素法を用いた数値計算に必要な最低限の学習 ・工学分野で用いられる技術の習得 第1回 題目:ガイダンス 第2回 題目:数値計算の準備 最低限の線形代数・ベクトル解析・微分積分の復習 第3回 題目:ソフトウェアのインストール 第4回 題目:数値計算(1) メッシュ生成の説明と演習 第5回 題目:数値計算(2) ポアソン方程式の数値計算 第6回 題目:数値計算(3) 変分問題の基本概念 第7回 題目:数値計算(4) 拡散方程式の数値計算 第8回 題目:数値計算(5) 移流方程式の数値計算 第9回 題目:数値計算(6) 移流・拡散方程式の数値計算 第10回 題目:数値計算(7) Stokes方程式の弱形式の導出 第11回 題目:数値計算(8) Navier-Stokes方程式の数値計算 第12回 題目:数値計算(9) 2次元翼断面の数値シミュレーション 第13回 題目:数値計算(10) 線形安定性解析の説明と数値計算 第14回 題目:数値計算(11) Snapshot PODの説明と数値計算 第15回 題目:数値計算(12) Dynamic Mode Decomposition説明と数値計算 各自のノートパソコンに有限要素法で計算するための無償のソフトウェア(ガイダンスで指定)をインストールしておくこと.
機械学習
機械学習の実践受付中
大阪大学
2
講義
開講時期
2021年10月6日 ~
概要
確率論と情報理論に基づいた機械学習の理論を学ぶ。画像解析、時系列解析、教師なし学習などに用いられる深層学習(ディープラーニング)のモデルについて学ぶ。 確率モデルと機械学習の関わりについて理解し、説明できる。ディープラーニングの応用を概説できる。 大学1年生の講義で扱われる程度の、初等的な確率論の知識(確率変数、確率密度関数など)、微積分の知識(偏微分など)、線形代数の知識(行列の計算など)を用いる。 扱う内容:各トピックを約3回ずつでカバーする予定。授業の進行に応じて、扱い方やトピックを変更することがある。 確率論・情報理論 ベイズ推論と機械学習 ニューラルネットワークの学習 深層学習(ディープラーニング)の確率モデル 教師なし学習 講義で扱った内容に対応する部分を参考書で読み、理解を深める。課題レポートに取り組み、提出する。
機械学習
データサイエンス特論1終了
神戸大学
1
※※要確認※※
開講時期
2021年11月10日 ~ 2021年11月12日
概要
第4次産業革命において、IoT、AI(人工知能)、ビッグデータの利用が鍵となり、データサイエンスが新しい学問分野として注目されている。 この講義では、データサイエンスの基礎である人工知能・機械学習の技術的側面について学ぶ。 11月10日(水) 3限目:イントロ:機械学習とは何か?  自然言語処理 4限目: 予測分析 5限目:処方分析、最適化 11月11日(木) 3限目:異常検出 4限目:音声認識 11月12日(金) 3限目: 画像認識 4限目:AI間交渉、まとめ 5限目:授業振り返り、予備 日本電気株式会社 データサイエンス研究所 主席研究員 森永聡(神戸大学数理・データサイエンスセンター客員教授)を中心として、同社の研究者による講義を行う。
プログラミング
機械学習の数理 with R/Python受付中
大阪大学
2
e-Learning
開講時期
2021年4月1日 ~
概要
機械学習のの基礎を、数学的な側面、プログラミング的な側面の両側から習得する。 (1) 機械学習に必要な数学的ロジックを構築する (2) 機械学習の処理をスクラッチから、プログラミングできるようにする 1. 線形回帰(1) 2. 線形回帰(2) 3. 線形回帰(3) 4. ロジスティック回帰 5. 線形判別と2時判別 6. クロバリデーションとブートストラップ 7. 情報量基準(1) 8. 情報量基準(2) 9. スパース推定 10. 非線形 11. 決定木 12. サポートベクトルマシン(1) 13. サポートベクトルマシン(2) 14. クラスタリング 15. 主成分分析
機械学習
カーネルの機械学習への応用受付中
大阪大学
2
e-Learning
開講時期
2021年4月1日 ~
概要
機械学習のためのカーネルの数理について講義する。サポートベクトルマシン、独立性検定、ガウス過程、ベイズ深層学習など、応用範囲が広い。 (1) 技術者として必要な、数学的ロジックを構築する (2) 種々の概念を抽象的(数学的)にも、具体的(プログラミング的)にもとらえられるようにする 1. 関数解析入門 2. 関数解析発展 3. 正定値カーネル 4. 再生核ヒルベルト空間入門 5. 再生核ヒルベルト空間発展 6. HSIC(1) 平均の概念の導入 7. HSIC(2) 独立性検定 8. ガウス過程(1) 定義と性質 9. ガウス過程(2) ガウス過程の計算とスパース近似 10. ソボレブ空間 11. スプライン関数 12. 多変量解析 13. 多変量解析の関数解析的な取り扱い 14. ラドマッハ複雑度とVC次元 15. 経験過程と機械学習への応用
機械学習
スパース推定の数理と機械学習への応用受付中
大阪大学
2
e-Learning
開講時期
2021年4月1日 ~
概要
機械学習の一分野、スパース推定を学ぶことによって、データサイエンスおよびRやPythonのプログラミングを習得し、ロジックを固める。線形回帰、一般化線形回帰、グループLasso、Fused Lasso、グラフィカルモデル、行列分解、多変 1) 技術者として必要な、数学的ロジックを構築する (2) 種々の概念を抽象的(数学的)にも、具体的(プログラミング的)にもとらえられるようにする 1. RおよびPythonの環境、線形回帰 2. LassoとRidge 3. elastic net、lambdaの値の設定 4. ロジスティック回帰 5. 多値のロジスティック回帰、ポアッソン回帰、生存時間解析 6. グループ数が1の場合、近接勾配法 7. 一般のグループLasso 8. Fused Lasso 9. LarsとLassoの双対問題 10. グラフィカルモデルとグラフィカルLasso 11. グラフィカルLassoの拡張、特異値分解 12. 行列分解 13. 主成分分析 14. クラスタリング 15. 最近の動向
統計学
情報幾何入門受付中
大阪大学
2
講義
開講時期
2021年4月12日 ~
概要
情報幾何学は,確率分布の集まりが内包する自然な幾何構造の研究を源流とする比較的新しい研究分野である.情報幾何学は当初,統計学において輝かしい成功をおさめたが,物理学・情報理論・システム理論・神経回路網・数理生物学等の様々な分野においても確率分布族は中心的役割を果たすため,その適用分野は近年大きな広がりを見せている.本講義では,Mathematica を用いた実験数学的アプローチを併用することにより,情報幾何学への新たな入門を試みる. Mathematica を用いた実験数学的アプローチにより,情報幾何学の考え方や基礎知識を習得し,応用できるようになる. 1. はじめに:情報幾何学とは何か? 2. 多様体の基礎(1) 3. 多様体の基礎(2) 4. 多様体のアファイン接続(1) 5. 多様体のアファイン接続(2) 6. 双対アファイン接続 7. 双対平坦多様体 8. 確率分布空間の幾何構造(1) 9. 確率分布空間の幾何構造(2) 10. Mathematica の基本操作(グラフィクス・リスト操作・プログラミング) 11. Mathematica 演習(1):確率単体と独立分布多様体 12. Mathematica 演習(2):確率単体上のα測地線 13. Mathematica 演習(3):部分多様体と一般射影定理 14. Mathematica 演習(4):多層パーセプトロンによる学習 15. まとめと総合演習 以上の内容を予定しているが,状況に応じて若干の変更もありうる.
統計学
数理統計入門受付中
大阪大学
2
講義
開講時期
2021年4月15日 ~
概要
統計解析の基礎となる統計的推定論及び統計的検定論を測度論を用いて解説する。 さらに統計的漸近理論について概説する。 推定や検定の具体例を通じて, 数理統計の基本的事項を習熟することを目標とする。 【講義内容】 1. 統計モデル 2. 不偏推定量と一様最小分散不偏推定量 3. フィッシャー情報量 4. クラーメル・ラオの不等式 I 5. クラーメル・ラオの不等式 II 6. 完備十分統計量I 7. 完備十分統計量II 8. モーメント法・最尤法 9. 統計的仮説検定I 10. 統計的仮説検定II 11. 検定における2種類に誤り 12. ネイマン・ピアソンの基本補題 13. 統計的漸近理論I 14. 統計的漸近理論II 15. 統計的漸近理論III
数学基礎
データ科学のための数理受付中
大阪大学
2
講義
開講時期
2021年4月9日 ~
概要
データ駆動型社会においてデータサイエンスを学ぶことの意義を理解する。 データを収集・処理・蓄積するための技術の概要を理解する。 AIの変遷と機械学習の方法論を理解する。 第1回:データ駆動型社会とデータサイエンス データサイエンスの活用事例を通じて、データ駆動型社会を知る (セイバーメトリクス、機械設計開発のデータ活用) 第2回:データ分析の進め方  課題・計画・データ・解析・結論の仮説検証サイクル(PPDACサイクル) 第3回:ビッグデータとデータエンジニアリング  ビッグデータが注目される背景、オープンデータと分析・活用事例 第4回:データ構造  構造化データ・非構造化データ、テキスト・画像の数値表現、データの木構造、 クラウドソーシングとアノテーション 第5回:AIの歴史と活用領域  第1次・2次・3次AIブーム、AIの活用領域(電子商取引、流通分野のAI) 第6回:AIと社会  倫理に配慮したデータ収集・匿名化、データに潜むバイアス 第7回:機械学習のための数学基礎II 最適化の数理、最急降下法 第8回:機械学習の基礎と展望I  機械学習の概要、教師あり/なし学習 第9回:認識  低次元化・特徴抽出・類似度・識別器の設計 第10回:機械学習の予測・判断  決定木とアンサンブル学習による識別・回帰 第11回:言語・知識のための機械学習  自然言語処理に使われる統計数理モデル(形態素解析、トピック推定) 第12回:身体・運動  身体運動の収集・分類(ジェスチャ認識) 第13回:深層学習の基礎と展望I  ニューラルネットの原理と学習(誤差逆伝搬法) 第14回:深層学習の基礎と展望II  深層ニューラルネットワーク(畳み込みニューラルネット、オートエンコーダ) 第15回:AIの構築と運用  AIプログラミングの体験(Python, C++開発言語)
統計学
確率的グラフィカルモデルと因果推論受付中
大阪大学
2
e-Learning
開講時期
2021年4月1日 ~
概要
機械学習の分野のひとつ、確率的グラフィカルモデルと因果推論について学ぶ。 (1) 機械学習に必要な数学的ロジックを構築する (2) 機械学習の処理をスクラッチから、プログラミングできるようにする 1. イントロダクション、応用事例 2. 条件付き独立性, 確率的グラフィカルモデル 3. データ圧縮 4. 相互情報量の推定 5. データから森を構築する 6. データからベイジアンネットワークを構築する 7. 変数が離散の場合 8. パタメータの事前分布 9. 変数が連続の場合 10. PCアルゴリズム 11. LINGAM 12. chodalグラフ 13. 確率推論のNP完全性 14. 推論アルゴリズムと統計物理 15. グラフィカルLasso
機械学習
機械学習概論終了
大阪市立大学
1
講義
開講時期
2021年6月2日 ~
概要
杉本キャンパス 学術情報総合センター 情報教育実習室9Dで実施する。 (科目の主題) AIやビッグデータといったキーワードが定着しつつあり,様々な産業でデジタルトランスフォーメーションが進行中である.新型コロナウィルスの感染拡大により,こうした傾向はますます加速しているようにも見受けられる. このように変革しつつある社会では,分野を問わずデータや情報を扱うスキルが基礎的能力として必要になる.このスキルは,プログラミング,数理・情報モデル,データサイエンスなどに分解できる. 本科目ではこれらのスキルの中で,データサイエンスの主要なトピックである機械学習について,初学者向けの講義と演習を行う. (授業の到達目標) ・機械学習の代表的なタスクやアルゴリズムを理解し,統計・情報・数理的な思考になじむこと. ・関連する演習を行い,研究や実務に役立つ分析技術の体得を目指す. (授業内容・授業計画) 第1回 機械学習の概説 第2回 教師あり学習:分類モデル 第3回 分類モデルの演習課題 第4回 教師なし学習1:相関ルール 第5回 相関ルールの演習課題 第6回 教師なし学習2:クラスタリング 第7回 クラスタリングの演習課題 (事前学習・事後学習) 事前学習:事前配布資料の確認 事後学習:演習課題の完成
機械学習
ニューロサイエンス特論終了
大阪府立大学
2
講義
開講時期
2021年4月8日 ~
概要
1. Fundamentals of information science, Entropy, 2. Kullback-Leibler entropy, 3. Muttual information, 4. Coding theory, 5. Neural network models, 6. Learning paradigms, 7. Feed forward networks, 8. Stochastic recurrent networks, 9. Unsupervised competitive learning, 10. Linear feature extractions, 11. Principal component analysis, 12. Optimal reconstruction, 13. PCA and neural network, 14. Independent component analysis, 15. Mutual information as criterion of ICA
情報学基礎
人間情報システム特論終了
大阪府立大学
2
講義
開講時期
2021年4月8日 ~
概要
人間の知覚・認識・意思決定を分析し計算機に実現するための幾つかの関連事項について講述する.まず,基礎としてのクラスター分析法をとりあげ,ファジィc平均法やガウス混合モデルなどの統計的手法,さらにクラスター分析の応用として,回帰分析,主成分分析の同時分析法などについて述べ,実データの解析における欠測値の処理法との関連や妥当性評価法を紹介したのちに,情報推薦や情報保護への応用を解説する.
機械学習
機械学習特論終了
大阪府立大学
2
講義
開講時期
2021年4月8日 ~
概要
機械学習の基礎的内容を学ぶ,また,そのための予備的知識を学ぶ.

注意事項