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
2020年9月28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。
一覧
Aコースe-Learning科目一覧終了
大阪大学
1
e-Learning
開講時期
2020年4月1日 ~
概要
データサイエンス基礎コースのe-Learning提供科目一覧(2020/10/20現在) 単位数・提供大学等は各科目をご確認ください。
機械学習
データサイエンス特論1受付終了
神戸大学
1
講義
開講時期
2020年11月4日 ~ 2020年11月6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。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。
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
2020年5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
2020年5月13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
2020年5月13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.
統計学
データ科学特別講義終了
大阪大学
2
講義
開講時期
2020年8月5日 ~
概要
大規模で多様なデータに基づく科学的発見や価値創造を実現するデータ科学は,人文・社会・理工・医薬系等,多彩な学問分野において有効に活用されている.特に,実世界でヒトが織り成すインタラクションを実証的に研究し,理解し,そして応用する上でデータ科学の手法は欠くことのできないものとなっている. 本講義では,ヒトのインタラクションやコミュニケーションのあり方,そしてそれらを実現する社会的・心的プロセスについて,それぞれを理解するためにデータ科学を有効に活用している第一線の研究者が講述する.データ科学の学際的広がりを実感するとともに,具体的な応用事例を通して,様々なデータ解析法やモデリング手法の理解を深めることを目的とする. 第1回 2020年8月5日(4コマ) 涌田雄基(北海道大学 数理・データ科学教育研究センター) 第2回 2020年8月6日(4コマ) 高松 淳(奈良先端科学技術大学大学院先端科学技術研究科) 第3回 2020年8月7日(4コマ) 梅村浩之(産業技術総合研究所 人間拡張研究センター) 第4回 2020年8月11日(4コマ) 村井昭彦(産業技術総合研究所 人間拡張研究センター) ※詳細は数理・データ科学教育センターのホームページにてお知らせします. 夏学期集中(2020年8月5日〜11日) 2限~5限(1日4コマ) ※本講義はメディア授業となりZoomで実施されます。 接続情報等は担当教員より追って連絡がありますのでそちらをご参照ください。
統計学
ビッグデータ解析終了
大阪大学
2
講義
開講時期
2020年4月14日 ~
概要
データマイニング技術を構成する多次元データ分析,相関ルールマイニング,クラスタリング,グラフマイニング,分類,推薦,異常検知に関するアルゴリズム,および分散環境におけるビッグデータ処理技術に関して学ぶ. 第1回目 ビッグデータ技術の最新動向と適用事例1 第2回目 ビッグデータ技術の最新動向と適用事例2 第3回目 多次元データ分析(OLAP分析) 第4回目 相関ルールマイニング1 第5回目 相関ルールマイニング2 第6回目 クラスタリング1 第7回目 クラスタリング2 第8回目 分類1 第9回目 分類2 第10回目 分類3 第11回目 グラフ分析1 第12回目 グラフ分析2 第13回目 グラフ分析3 第14回目 異常検知 第15回目 推薦技術
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
演習
開講時期
2020年4月1日 ~
概要
機械学習の基礎を、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. 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
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
演習
開講時期
2020年4月1日 ~
概要
スパース推定の基礎を、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。線形回帰、一般化線形回帰、グループLasso、グラフィカルLassoについて学ぶ 1. 線形回帰(1) 理論 2. 線形回帰(2) 演習 3.一般化 線形回帰(1) 理論 4. 一般化線形回帰(2) 演習 5. グループLasso (1) 理論 6. グループLasso (2) 演習 7. グラフィカルLasso(1) 理論 8. グラフィカルLasso(2) 演習
統計学
情報幾何入門終了
大阪大学
2
講義
開講時期
2020年4月13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. 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
数理統計入門終了
大阪大学
2
講義
開講時期
2020年4月9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。 【講義内容】 1.統計モデルI 2.統計モデルII 3.不偏推定量と一様最小分散不偏推定量 4.フィッシャー情報量 5.クラーメル・ラオの不等式 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 9.最尤法 10.統計的仮説検定I 11.統計的仮説検定II 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
統計学
科学技術のための統計学終了
大阪大学
2
講義
開講時期
2020年4月14日 ~
概要
本講義では、統計的推測や統計解析の基本事項について講義する。統計的推測において、統計的推定・検定の手法やその性質について理解を深める。また、線形回帰モデルにおける最小自乗法を用いた推定について学ぶ。 上記の授業目的を達成するため以下の各項目について講義する。なお、以下の計画は、参加者の反応によって変更することがあり得る。 第1回 イントロダクション 第2回 確率変数、確率分布 第3回 1次元確率分布の代表的なモデル 第4回 多次元確率分布の代表的なモデル 第5回 統計的推定 第6回 不偏性、一致性 第7回 漸近正規性、有効性 第8回 フィッシャー情報量 第9回 最尤法 第10回 尤度解析 第11回 区間推定 第12回 統計的仮説検定1 第13回 統計的仮説検定2 第14回 回帰分析1 第15回 回帰分析2
数学基礎
データ科学のための数理終了
大阪大学
2
講義
開講時期
2020年4月10日 ~
概要
膨大な多変量データから有益な情報を抽出するための統計および最適化理論の基礎を学習する. 第1回目 行列1(階数,固有値,計量,写像関数と空間) 第2回目 行列2(方程式と一般化逆行列) 第3回目 最適化計算1(線形計画法) 第4回目 最適化計算2(非線形計画法) 第5回目 最適化計算3(二次計画法) 第5回目 最適化計算4(動的計画法) 第6回目 統計数理基礎1(正規分布,相関解析) 第7回目 統計数理基礎2(正規分布とデータ同化) 第8回目 統計数理基礎3(ベイズの定理) 第9回目 多変量解析の基礎数理1(主成分分析) 第10回目 多変量解析の基礎数理2(非線形主成分分析) 第11回目 多変量解析の基礎数理3(判別分析) 第12回目 データ識別と予測1(教師なしクラスタリング) 第13回目 データ識別と予測2(教師ありクラスタリング) 第14回目 データ識別と予測3(線形回帰分析) 第15回目 "データ識別と予測4(非線形回帰分析)
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
2020年10月6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 第1回目 統計数理の復習(正規分布,相関,ベイズの定理) 第2回目 数理最適化の復習(数理計画,動的計画問題) 第3回目 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 統計的回帰分析 第5回目 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 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 "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 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 "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 "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 "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 "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 "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 ニューラルネットワークの機械学習 第15回目 "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
2020年10月5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
数学基礎
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
2020年10月7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,【グループワーク】講義を通じて,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. 【グループワーク】 ・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
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
2020年10月7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。 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 強化学習 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。
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
演習
開講時期
2020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. 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
統計学
多変量解析受付中
大阪大学
2
講義
開講時期
2020年10月1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. 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. 授業はBlackboard Collaborate Ultraを用いて遠隔講義形式で行います.DS4などで特別聴講学生となっている方も受講できます.  受講登録しないと授業を視聴できないばかりか,講義資料もダウンロ―ド出来ません.早めにKOANで受講登録して下さい.(当面)受講登録しない方は,メールで狩野までお知らせください.  CLEからスライドのpdfをDL出来るようにします.さらに,pdfと同一の冊子版講義資料を配布します. 冊子版の受け取り方法: 1.基礎工学J棟6階 数理事務室で受け取る (受取日程はCLEに記載します) 2.郵送をご希望の方は,返信用封筒に390円切手を貼り以下へ送ってください.   560-7531 豊中市待兼山町1-3 大阪大学 基礎工学研究科 数理科学領域       狩野 裕 宛て 以上

注意事項