A：基礎コース | 関西地区コンソーシアム | 神戸大学数理・データサイエンスセンター

Aコース：データサイエンス『基礎コース』

Aコースで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。

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4つのプロセスである「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-Learningや大学講義を通じて学ぶことができます。

※ 受講を希望する方は各講義の募集期限をご確認の上、こちらの受講登録手順に従い、登録を行ってください。
※ 現段階で日程が未確定のものについては、詳細が決まり次第、掲載いたします。

※ （参考）前年度の講義内容はこちら

大阪大学講義

大阪大学キャンパスカレンダーはこちら

大阪大学シラバスはこちらのページの「大阪大学学務情報システム（KOAN）外部公開シラバス」から検索してください

[科目名]: 機械学習の数理 with R/Python
[日程]: 月･3限
時間割コード: 290850
[募集期限]: ~~2022年8月1日（月）17:00~~ ※受付終了しました
[単位]: 2単位
[目的と概要]: 機械学習は、1990年代後半から統計学の手法と結びつき、現在は統計的機械学習として、人工知能の中心的な技術として開花している。本講義では、(統計的)機械学習の基本概念を、正しく理解することが目的である。; 1.線形回帰(1); 2.線形回帰(2); 3.線形回帰(3); 4.分類; 5.リサンプリング; 6.情報量基準(1); 7.情報量基準(2); 8.正則化; 9.非線形(1); 10.非線形(2)　; 11.決定木; 12.サポートベクトルマシン; 13.教師なし学習; 14.最近の話題; 15.最終のプレゼンテーション

[科目名]: スパース推定の数理と機械学習への応用 with R/Python
[日程]: 演習（e-Learning）
時間割コード: 290841
[募集期限]: ~~2022年8月1日（月）17:00~~ ※受付終了しました
[単位]: 2単位
[目的と概要]: 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。; 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

[科目名]: 多変量解析
[日程]: 秋冬学期・火3
時間割コード: 290157
[募集期限]: ~~2022年8月1日（月）17:00~~ ※受付終了しました
[単位]: 2単位
[目的と概要]: 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。; 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
[受講者へのメッセージ]: 初等統計学、線形代数学と初等解析学の知識があることが望ましい。; 他領域からの受講生も歓迎する。数理を専門としない受講生に配慮する。

[科目名]: データ科学のための数理
[日程]: 他
時間割コード: 290804
[募集期限]: ~~2022年8月1日（月）17:00~~ ※受付終了しました
[単位]: 2単位
[目的と概要]: 社会のデジタル化が進むにつれて、日常生活・産業構造・ビジネスモデルが劇的に変わろうとしています。その駆動力の中核がビッグデータや人工知能です。これからの社会では、その基盤となる数理・データサイエンス・人工知能の知識・思考法を身に付けることが求められます。本講義では、データサイエンス、データエンジニアリング、AIに関する広い基礎知識・技術を身に付けることを目的とします。

No.	内容
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)

[科目名]: データ科学と意思決定
[日程]: 秋冬学期・月5
時間割コード: 290801
[募集期限]: ~~2022年8月1日（月）17:00~~ ※受付終了しました
[単位]: 2単位
[目的と概要]: 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
[受講者へのメッセージ]: E-learning教材を活用し，事前学習と復習を行う。

[科目名]: 工学への数値シミュレーション
[日程]: 秋冬学期・水2
時間割コード: 290843
[募集期限]: ~~2022年8月1日（月）17:00~~ ※受付終了しました
[単位]: 2単位
[目的と概要]: 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る。; 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; 1.ガイダンス; 2.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）; 3.ソフトウェアのインストール; 4.数値計算1 メッシュ生成の説明と演習; 5.数値計算2 ポアソン方程式の数値計算; 6.数値計算3 変分問題の基本概念; 7.数値計算4 拡散方程式の数値計算; 8.数値計算5 移流方程式の数値計算; 9.数値計算6 移流・拡散方程式の数値計算; 10.数値計算7 Stokes方程式の弱形式の導出; 11.数値計算8 Navier-Stokes方程式の数値計算; 12.数値計算9 2次元翼断面の数値シミュレーション; 13.数値計算10 線形安定性解析の説明と数値計算; 14.数値計算11 Snapshot PODの説明と数値計算; 15.数値計算12 Dynamic Mode Decomposition説明と数値計算
[受講者へのメッセージ]: 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。

[科目名]: 機械学習の実践
[日程]: 秋冬学期・水4
時間割コード: 290844
[募集期限]: ~~2022年8月1日（月）17:00~~ ※受付終了しました
[単位]: 2単位
[目的と概要]: 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
[受講者へのメッセージ]: 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。
[参考文献]: 講義で扱う内容に深く関係する参考書として、
瀧雅人「これならわかる深層学習入門」機械学習スタートアップシリーズ、講談社、2017
須山敦志「ベイズ推論による機械学習入門」機械学習スタートアップシリーズ、講談社、2017
[科目名]: データサイエンス特論1
[日程]: 3Q・集中
2022年11月22日(金)・11月24日(月)・11月25日(火)
[募集期限]: 2022年10月13日（木）※定員になり次第募集終了
[単位]: 1単位
[目的と概要]: 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。; 大阪公立大学キャンパスカレンダーはこちら; 大阪公立大学シラバスはこちらのページの「教務システム関連学外公開用シラバス」から検索してください
[科目名]: データサイエンス特論
[日程]: 月・4
[募集期限]: ~~2022年4月4日(月)~~※受付終了しました
[単位]: 2単位
[目的と概要]: 本授業は遠隔授業として実施します。各回の授業形態をよく確認して受講してください。データ分析の実践に必要となる前処理、モデル選択と評価、機械学習について、その知識とアイディアを学習する。さらに、機械学習の代表的な枠組みであるベイズ学習、カーネル法、アンサンブル学習について詳しく学修する。
[科目名]: 機械学習特論
[日程]: 水・1
[募集期限]: ~~2022年4月4日(月)~~※受付終了しました
[単位]: 2単位
[目的と概要]: 本授業は遠隔授業として実施します。各回の授業形態をよく確認して受講してください。本授業では、機械学習の基礎理論を理解し、データ解析ツールとして正しく活用するための知識を養うことを目的とする。機械学習における教師あり学習、教師無し学習、強化学習に関して理解し、計算機上に実装する方法を解説する。また、機械学習手法の性能を評価するための指標についても解説する。
[科目名]: データマイニング
[日程]: 水・2
[募集期限]: ~~2022年4月4日(月)~~※受付終了しました
[単位]: 2単位
[目的と概要]: 本授業は遠隔授業として実施します。各回の授業形態をよく確認して受講してください。データマイニングは、様々なデータ集合からヒトの意思決定に有益な情報を抽出する技術体系を総称している。本講義では、基盤となるいくつかのデータ解析法を講述し、実応用での課題解決における実践的発展の手段としての改良アプローチを計算機に実現するための種々の関連事項について学ぶ。

データ関連人材育成関西地区コンソーシアム(大学院生対象)

Aコース：データサイエンス『基礎コース』

大阪大学講義

滋賀大学講義

神戸大学講義

大阪公立大学講義