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』

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

[科目名]
データ科学特別講義
[日程]
集中講義 2020年8月5日~11日(2限~5限)
[単位]
2単位
[目的と概要]
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)
[受講者へのメッセージ]
初等統計学の知識があることが望ましい。

[科目名]
機械学習の数理 with R/Python
[日程]
演習(e-Learning)
[単位]
2単位
[目的と概要]
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次判別
6.クロス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
[受講者へのメッセージ]
e-Learningの形式になるので、ビデオをみて学習し、疑問点があれば質問し、課題を提出する。難しい課題は、丁寧すぎるくらいのヒントがついているので、すべて提出できるものと思われる。R言語の処理が読めることが前提となる。もし、R言語を勉強した経験がない場合、こちらでビデオを提供するので、それを見て習得するように心がける。

[科目名]
工学への数値シミュレーション
[日程]
2020年10月7日~
[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,【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

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]
ノートパソコンを持参すること。

[科目名]
スパース推定の数理と機械学習への応用
[日程]
演習(e-Learning)
[単位]
2単位
[目的と概要]
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
[受講者へのメッセージ]
e-Learningの形式になるので、ビデオをみて学習し、疑問点があれば質問し、課題を提出する。
R言語の処理が読めることが前提となる。もし、R言語を勉強した経験がない場合、こちらでビデオを提供するので、それを見るとともに、習得するように心がける。
[受講時の注意点]
※2020年度に単位互換協定科目「スパース推定の数理と機械学習の応用」を履修している場合は、e-Learning科目「スパース推定と機械学習への応用100問」を受講する必要があります。
「スパース推定の数理と機械学習の応用(2019年度版)」を視聴しても今年度単位互換協定科目の単位にはなりません。
※2019年度に「スパース推定の数理と機械学習の応用」を視聴していた場合は、「スパース推定の数理と機械学習の応用(2019年度版)」を視聴しても新たな単位認定にはなりません。

[科目名]
確率的グラフィカルモデルと因果推論
[日程]
演習(e-Learning)
[単位]
2単位
[目的と概要]
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. パラメータの事前分布
9. 変数が連続の場合
10. PCアルゴリズム
11. LINGAM
12. chordal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
[受講者へのメッセージ]
R言語の処理が読めることが前提となる。もし、R言語を勉強した経験がない場合、こちらでビデオを提供するので、それを見て習得するように心がける。

[科目名]
多変量解析入門
[日程]
2020年10月1日~
[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。
[受講者へのメッセージ]
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]
データ科学と意思決定
[日程]
2020年10月5日~
[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

[科目名]
機械学習の実践
[日程]
秋冬学期
[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。

[科目名]
データ科学(機械学習)
[日程]
2020年10月6日~
[単位]
2単位
[目的と概要]
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

神戸大学講義

[科目名]
データサイエンス特論1
[日程]
3Q・集中 2020年11月4日(水)~2020年11月6日(金)(予定)
[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、技術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、および応用例について学ぶ。

各協定校

[科目名]
e-learning科目(20科目以上)
※ いつでも履修可能です。通年募集している科目が多数ありますのでお問い合わせください。

問い合わせ先
こちらのお問い合わせフォームからお願いします。
関西地区コンソーシアム