統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

授業回数はフィードバックを含め全15回とする。
なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

このクラスは文系向きのクラスです。文系学部生はこちらのクラスを推奨します。

Nowadays, research in many fields of science is increasingly dependent on large amounts of data. The key problem is how to turn this data into new knowledge. This course covers a wide variety of data analysis and machine learning approaches. The course starts with an introduction of the basic concepts in machine learning. After that, we will introduce regression and classification methods, including linear models, tree-based methods, support vector machines, neural networks, deep learning, and principal component analysis.

Students will learn about basic concepts in data analysis and statistical learning, such as regression and classification problems, and supervised and unsupervised machine learning. Students will become familiar with strengths and weaknesses of several approaches, and learn how to apply them on real datasets.

Lectures 1 to 3. Introduction to data analysis and machine learning: We will discuss data analysis in the context of scientific investigation. Using several examples, the concepts of supervised and unsupervised learning, regression and classification problems, and assessment of model accuracy will be introduced.

Lectures 4 and 5. Linear regression: Introduction to linear regression as a simple supervised learning approach. We will cover simple and multiple linear regression, discuss how to interpret models, and compare linear regression with K-nearest neighbors.

Lectures 6 and 7. Classification methods. We will introduce classification methods, including logistic regression, linear discriminant analysis, and quadratic discriminant analysis. We will discuss the differences between them, and their strong and weak points.

Lectures 8 and 9. Model assessment: We will introduce several approaches for evaluating the accuracy of models, including cross-validation and bootstrapping.

Lecture 10. Tree-based methods: Focussing on decision trees, we will introduce tree-based methods for regression and classification. After that, we will cover more advanced methods, such as Bagging, Random Forests, and Boosting.

Lecture 11. Support Vector Machines (SVMs): We will introduce maximal margin classifiers, and use this as a base to exploring SVMs.

Lecture 12: Neural networks and deep learning.

Lecture 13: Unsupervised learning: Introduction to unsupervised learning problems. We will introduce Principal Component Analysis, K-means clustering, and hierarchical clustering.

Lecture 14. Review of course material.

＜Final examination＞

Lecture 15. Feedback

The course is intended for students who have a basic understanding of statistics.

Grading will be based on a final examination (50%) and small quizzes (50%).

The course will follow the textbook. I will specify the sections that will be covered and the sections that will be skipped.

No fixed office hours. Students are requested to make appointments directly or by email.

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

授業回数はフィードバックを含め全15回とする。

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

授業回数はフィードバックを含め全15回とする。
なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

授業回数はフィードバックを含め全15回とする。
なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

今日では、コンピュータやネットワーク、様々なセンサなどの技術の進歩により、日々膨大なデータが蓄積されるようになった。これらのデータの活用への期待は大きく、データを適切に分析し、その結果から適切な判断を下すことが重要である。
本演習では、ICT（情報通信技術）の進展とビッグデータ、さらにデータ表現の基礎等を確認したうえで、原則としてプログラミング言語を用いた経験のない学生を対象として、データ解析の基礎を習得する実践科目である。
本演習は、文部科学省のモデルカリキュラム（応用基礎レベル）の、データサイエンス基礎とデータエンジニアリング基礎AI基礎をバランスよくカバーする形で構成されている。
具体的には、データサイエンス活用事例 （仮説検証、知識発見、原因究明、計画策定、判断支援、活動代替など）として
医学・医療を中心とした実社会のデータを用いた実習を行う。Excelや統計解析ソフトR等の入手が容易な統計ソフトを用いて「統計入門」等で学んだ分析目的の設定に始まり、様々なデータ分析手法や様々なデータ可視化手法等の統計処理（統計検定2〜3級レベル、データサイエンス基礎レベルの内容）を実践する。
その中では、データの収集、加工、分割/統合、標本調査や、サンプルサイズ、ランダム化比較試験についても知識を深めつつ、AI・機械学習についても学ぶ。

1.データ分析の理論的基礎となる確率論や統計学等の基礎を理解したうえで、データから意味を抽出し現場にフィードバックできるようになる。
2. Excel、R言語等を用いてデータ分析に必要な基礎的な統計処理ができるようになる。
3. 自らの専門分野に数理・データサイエンス・AIを応用するために、回帰分析などのデータ解析について概要を理解し、GUIを経て、CUIベースでの効率的な解析を習得する。

フィードバックを含め全15回の授業で、統計ソフトを用いてデータ分析を実践する。本演習の前半ではビジネスの現場での使用頻度が圧倒的で「統計検定 データサイエンス基礎」の公式ソフトでもある「Excel（分析ツール）」、後半では研究の場で活用頻度が高い「R」をベースに医学向けGUIを実装した「EZR」を用いたデータ分析を予定している。
また、演習の中では、e-learning教材の活用や統計検定2〜3級レベル、データサイエンス基礎レベルの課題への取り組みも予定している。
受講者の関心領域によってはゲストスピーカーの協力を得ることもある。
なお開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮し、一部メディア授業も取り入れる。

- 導入・統計の基礎（データ駆動型社会・データサイエンス活用事例、ビッグデータ、データの種類の概説、プライバシー保護、個人情報の取り扱いを含む） 1回
- Excel, Rの基礎」（統計ソフトトラブル個別指導）2回【メディア授業：同時双方向型】　
- クロス集計表　2回　
- 群間比較　2回　
- データの前処理・データの可視化 3回　
- 相関・回帰・因果推論　3回　
- レポート課題個別データ分析指導及び「AI・機械学習の基礎と展望」1回【メディア授業：同時双方向型】　
- まとめ　フィードバック等　1回　

なお、演習の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

「統計入門」あるいは同等の科目を履修していることがのぞましい。
主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

平常点（小テスト、課題、演習改善への貢献等）60％、
最終レポート課題等40％
詳細は授業中に指示する

参考書図書の確認、リアクションペーパーの提出などを求める。
また、オンデマンド型動画を活用した反転学習も取り入れるので、授業前に指定した動画の閲覧を求める。

授業中に教員との連絡方法について指示する。

学士課程における実務経験のある教員による授業
①分類：１．実務経験のある教員による実務経験を活かした授業科目
②当該授業科目に関連した実務経験の内容
該当教員：田村寛、実務経験：臨床医27年、病院経営実務17年

今日では、コンピュータやネットワーク、様々なセンサなどの技術の進歩により、日々膨大なデータが蓄積されるようになった。これらのデータの活用への期待は大きく、データを適切に分析し、その結果から適切な判断を下すことが重要である。
「データ分析演習I」は、ICT（情報通信技術）の進展とビッグデータ、さらにデータ表現の基礎等を確認したうえで、原則としてプログラミング言語を用いた経験のない学生を対象として、データ解析の基礎を習得する実践科目である。
本講義は、文部科学省のモデルカリキュラム（応用基礎レベル）の内、データサイエンス基礎とデータエンジニアリング基礎、AI基礎をバランスよくカバーする形で構成されている。
具体的には、データを扱うために必要なプログラミングスキル、データの取得・整形、種々の可視化手法、機械学習の基礎について学ぶ。まず、データ科学の分野で広く用いられているPython の導入法や基礎文法を修得し、データの取得方法や整形、可視化など、データ科学に必要不可欠な技術を学ぶ。続いて回帰分析や教師あり/教師なし機械学習の基礎理論と実装法を修得する。具体的には、重回帰、ロジスティック回帰、Ridge、Lasso、サポートベクターマシン、ランダムフォレストなどの決定木、ニューラルネットワーク、k近傍法、k平均法、多様体学習、主成分分析などを学ぶ。
本講義の単位(2単位)を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム応用基礎レベル(MDASH Advanced Literacy)修了証の取得が可能である。修了証取得の手続きについては、講義内で担当教員より指示がある。

1. Python 言語等を用いたデータの取り扱いを理解し，統計処理や可視化を行うことができる
2. 機械学習の各種手法についてアルゴリズムの基本を理解し、Python等を用いて実装できる
3. 実データに対して解析手法を適切に選択し，統計処理・可視化・機械学習などを用いた分析が実行できる

フィードバックを含め全15回の授業で、Python言語を用いてデータ分析を実践する。本演習の前半ではデータ科学分野で広く使用されているPython言語の基礎プログラミングと外部モジュールを用いたデータの整形や可視化について、後半では機械学習モジュールを用いた教師あり/教師なし機械学習の実装と演習を予定している。
なお開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮し、一部メディア授業も取り入れる。
第1回 データサイエンス概観とPythonの導入（データ駆動型社会・データサイエンス活用事例、ビッグデータ、プライバシー保護、個人情報の取り扱いの概説を含む）
第2-4回 Pythonプログラミング入門
第5回 NumPy入門
第6回 pandas入門
第7回 データの入出力・整形
第8回 データの可視化
第9回 時系列データの解析
第10回 AI・機械学習の基礎
第11回 回帰分析 (重回帰、 ロジスティック回帰、 Ridge、 Lasso)
第12回 教師あり機械学習 (サポートベクターマシン、ランダムフォレストなどの決定木、ニューラルネットワーク、k近傍法)
第13回 教師なし機械学習 (k平均法、多様体学習、主成分分析)
第14回 テキストデータの解析
第15回 レポート解説およびフィードバック

なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

「統計入門」あるいは同等の科目を履修していることがのぞましい。
また、共通教育における線形代数の基礎知識(ベクトルや行列など)や高校レベルの数学の知識を必要とする。

講義中に与える課題とレポートの内容によって到達目標への到達度を評価する。詳細は授業中に指示する。

復習として，講義で解説した内容を自らプログラムを組んで実装し，様々なデータに対して適用してみることを期待する．

講義中に教員との連絡方法について指示する。

　本講義は、近年のビッグデータ解析において重要な役割を果たしている機械学習・AIの基礎理論である多変量解析の諸手法を理論・実践の両面から学習し、多次元データが与えられたときに、適切な手法を選んで能動的にデータ分析を行い、結果を正しく解釈できるようになることを目的とする。
具体的には、回帰分析、クラスター分析、判別分析、主成分分析、対応分析、正準相関分析などの手法について、実用例とともに解説を行う。また、近年の機械学習・AIへの接続として、スパース法やカーネル法の初歩的な考え方についても解説を行う。
線形代数・（高校数III程度の）微積分のごく基本的な知識があることが望ましい。
また、統計入門は受講済であることが望ましい。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム応用基礎レベル(MDASH Advanced Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 近年における多次元データの重要性について理解をする。
2. 多変量解析の諸手法について概念、特に「次元縮約の概念」と、その使いどころを理解し、多次元のデータ分析に応用できるようになる。
3. 統計ソフトRを使いこなす知識を身につけ、実際に簡単なデータ分析を行えるようになる。
4. 近年の機械学習における多変量解析の展開を理解する。

授業回数はフィードバックを含め全15回とする。
開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮し、一部メディア授業を取り入れることがある。

・ガイダンス（1回）
授業の概要を確認するとともに、本講義で主として学習する多変量解析の考え方を概説する。

・データリテラシー１（1回）
近年のAI技術の利活用と課題について解説を行う。

・回帰分析（3回）
機械学習・AIを用いた予測の基礎技術である回帰分析について学習する。最小二乗法を用いたデータ分析の方法について詳しく解説を行った後、機械学習への接続としてスパース法や非線形回帰などについても実践的に学ぶ。

・クラスター分析（2回）
教師なし学習の代表的な技術であるクラスター分析の考え方について学習する。階層的クラスター分析・非階層的クラスター分析に加え、多次元尺度構成法について学習する。

・主成分分析（2回）
多変量解析の基礎である主成分分析について学習する。基本的な線形代数を用いて「データ縮約」の考え方を学ぶ。

・判別分析（2回）
古典的な正準判別分析の初概念を線形代数を用いて解説する。また、サポートベクターマシンのような機械学習的な手法についても概説する。

・対応分析（2回）
質的データの多変量解析手法である対応分析と結果の可視化の手法について概説を行う。

データリテラシー（２）（1回）
データ駆動型社会、Society 5.0、ビッグデータ、プライバシー保護、個人情報の取り扱いについて解説する。

・フィードバック（1回）

全学共通科目の統計入門、あるいは数理統計で学習した知識を一部前提とするので、これらのいずれかを受講済であることを推奨する。

定期試験、宿題（平常点）を総合的に評価する。

・期末試験・期末レポート（配点50点）
講義で解説したデータ分析の基本的な原理や理論を理解できているかを評価する。

・宿題評価（配点50点）
講義の内容を確認するためのレポートや宿題を複数回課すことで理解度を確認し成績評価に加える。 宿題に対する評価を平常点とする。

多変量解析ではベクトル・行列の演算を頻繁に用いる。
ベクトル・行列については授業中にも解説するが、扱いに慣れていない場合は予習あるいは復習をすることが望ましい。
また、厳密な数学的議論など授業中に省略した事項について、各自で学習することを期待する。

また、成績評価において課題、レポートのウェイトが高い（70%）。課題やレポートの負荷はそれほど高くはないので、確実に対応をすること。

授業時間外で質問がある場合には、下記のアドレスにメールで連絡すること。
原　尚幸（はらひさゆき）hara.hisayuki.8k@kyoto-u.ac.jp

今日では、コンピュータやネットワーク、様々なセンサなどの技術の進歩により、日々膨大なデータが蓄積されるようになった。これらのデータの活用への期待は大きく、データを適切に分析し、その結果から適切な判断を下すことが重要である。
「データ分析演習Ⅱ」は、ICT（情報通信技術）の進展とビッグデータ、さらにデータ表現の基礎等を確認したうえで、原則としてプログラミング言語を用いた経験のない学生を対象として、データ解析の基礎を習得する実践科目である。
本演習は、文部科学省のモデルカリキュラム（応用基礎レベル）の内、データサイエンス基礎とデータエンジニアリング基礎、AI基礎をバランスよくカバーする形で構成されている。
具体的には、データサイエンス活用事例 （仮説検証、知識発見、原因究明、計画策定、判断支援、活動代替など）として公的統計や社会調査のオープンデータやデータアーカイブを用いた実習を行う。Excelや汎用統計ソフトを用いて「統計入門」等で学んだ分析目的の設定に始まり、データ分析の手続きや分析結果の考察、さらには背景となる理論を実践的に学習していく。
本演習の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム応用基礎レベル(MDASH Advanced Literacy)修了証の取得が可能である。修了証取得の手続きについては、講義内で担当教員より指示がある。

1.データ分析の理論的基礎となる確率論や統計学等の基礎を理解したうえで、データから意味を抽出し現場にフィードバックできるようになる。
2. Excel、R等を用いてデータ分析に必要な基礎的な統計処理ができるようになる。
3. 自らの専門分野に数理・データサイエンス・AIを応用するために、回帰分析などのデータ解析について概要を理解し、汎用統計ソフトのインターフェースをとおして効率的な解析を習得する。

フィードバックを含め全15回の授業で、統計ソフトを用いてデータ分析を実践する。本演習の前半ではビジネスの現場での使用頻度が圧倒的で「統計検定 データサイエンス基礎」の公式ソフトでもある「Excel（分析ツール）」、後半では研究の場で活用される「R」を用いたデータ分析を予定している。
また、演習の中では、各種の教材の活用により、統計検定2〜3級レベル、データサイエンス基礎レベルの課題への取り組みも予定している。
受講者の関心領域によってはゲストスピーカーの協力を得ることもある。
開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮し、一部メディア授業も取り入れる。

1．導入・データサイエンス概論（データ駆動型社会・データサイエンス活用事例、ビッグデータ、データの種類等の概説を含む） 1回　
2. Excelを使ったデータ整理とデータ解析　1回　
3．オープンデータ、データアーカイブによるデータ収集と可視化　3回　
4.　記述統計と推測統計 3回　
5． 相関　2回　
6.　回帰分析　2回　
7. AI・機械学習の基礎と展望 1回
8.　演習、まとめ　1回
9.　フィードバック　1回　

なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

「統計入門」あるいは同等の科目を履修していることがのぞましい。
主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

講義中に実施する小テストや課題について到達目標の達成度に基づき評価する（60％）
最終レポート課題（40%）
また、独自の工夫が見られるものについては、高い点を与える。
詳細は講義中に指示する。

復習として、講義で解説した内容を自ら実装し、様々なデータに対して適用してみることを期待する。

講義中に教員との連絡方法について指示する。

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

授業回数はフィードバックを含め全15回とする。
なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

The world around us, is filled with numbers (data) that range over many scales of space and time and that describe its organization. In biology, traditionally, data feature parts lists and partial views of the connections between those parts. However, there is also a vast amount of quantitative (numerical data) that is accumulating, whether from sequences of DNA, concentrations of various biomolecules, or other types of data.

The ability to handle, process, explore, and visualize data are important skills for all students. While in this course many examples will be derived from biology, the mindset and basic analysis workflows are widely applicable in any domain of science, engineering and beyond.

In this course you will learn how to use R, RStudio, and the Tidyverse packages to clean, process, manipulate, explore, and visualize data.

By the end to this course participants should be able to:
- Perform basic data processing and analysis using R
- Find and describe different forms of (biological) data
- Elaborate specific questions about the data
- Clean and process raw data
- Transform data
- Draw various types of plots to interpret from its results
- Gain insight into data
- Develop analysis workflows
- Effectively communicate the results of data analysis

Week 1 Guidance and introduction
Week 2 What is data? Getting started with R
Week 3 Workflow demonstration
Week 4-5 Importing and cleaning up data
Week 6-7 Data transformation
Week 8 Data visualization
Week 9 Digging deeper into R using dplyr
Week 10 Dealing with specific data (strings, dates, etc.)
Week 11 Getting to grips with ggplot - producing publication-quality figures
Week 12 Working with single variables
Week 13 Exploring relationships among variables
Week 14 Looking back and looking forward
Week 16 Feedback

This course is for beginners in data analysis and R and there is no specific science or math requirement.

Students should bring a computer to class to complete in-class exercises and tutorials as well as homework assignments.

20 % Class attendance/ participation
60 % In-class exercises and homework assignments
20 % Project and presentation

Out of class activities will mainly be for assigned readings and homework assignments and for working on a project. Students should expect to spend about 1-2 hours per week preparing for the class and completing assignments.

Announced during class.

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

授業回数はフィードバックを含め全15回とする。開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮し、一部メディア授業も取り入れる。

- 概要と導入（1回）
- データの確認と要約（1〜2回）
- 統計ソフト活用と予復習動画「統計の入門」（1回）【メディア授業：同時双方向型】
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

授業回数はフィードバックを含め全15回とする。開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮し、一部メディア授業も取り入れる。

- 概要と導入（1回）
- データの確認と要約（1〜2回）
- 統計ソフト活用と予復習動画「統計の入門」（1回）【メディア授業：同時双方向型】
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

This course will develop the theory of statistical inference, which has applications across the natural and social sciences, and beyond. It will focus on the key topics of parameter estimation and hypothesis testing. As well as presenting the theoretical justification for various techniques covered, it will also be a goal to show how these can be applied in examples.

- To understand the basic concepts of, and mathematical justification for, point estimation and hypothesis testing
- To be able to apply key techniques of statistical inference in applications

The following indicates possible topics that will be covered and the approximate schedule, though the precise details may vary depending on the students’ proficiency level and background.

(1) Review of probability theory [3 weeks]
Outcomes and events, probability spaces, conditional probability, independence, random variables, probability mass functions, probability density functions, expectation and variance, multivariate distributions, common families of distributions

(2) Point estimates [5 weeks]
Parameterized statistical models, statistics and estimators, sampling distribution, bias, mean-squared error, maximum likelihood estimates (computation and properties), confidence intervals, point estimation for linear models

(3) Hypothesis testing [4 weeks]
Null and alternative hypotheses, likelihood ratio tests, methods of evaluating tests, goodness-of-fit tests, tests for comparing mean and variance of two samples, tests for independence, p-values

(4) Applications [2 weeks]
Example applications will be explored in exercise sheets covering the main aspects of the course, and the solutions of these will be discussed in class.

Total: 14 classes and 1 week for feedback.

No statistical knowledge will be assumed. However, some basic calculus (e.g. finding the maximum of a function using differentiation) will be helpful.

There will be 3 exercise sheets throughout the course, for which students will be expected to return work and present some of their answers in class. This will account for 30% of the final mark. The remaining 70% will be based on a final exam.

The lecturer will present the basic concepts in class, upon which exercise sheets will be set. The time required to complete these exercise sheets will vary from assignment to assignment and student to student, but the lecturer estimates that they will take 4-5 hours each.

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

授業回数はフィードバックを含め全15回とする。
なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことを目的とする。

ただし、統計や統計学については、膨大な研究の蓄積が有り、その利用はきわめて多分野に亘る。しかも、各分野で独自の発展をとげている部分もあり、本講のみでそのすべてを扱うことは出来ない。したがって、本講では、統計ならびに統計学に関する基本的な考え方を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。

具体的には、二元分割表（２×２クロス集計表）の独立性の検定と関連性の強さの推定を主な題材として、統計データの収集、チェック、集計、分析、結果の解釈という一連の過程について解説し、統計データの発生、仮説検定と推定の考え方に関する理解を深める。

なお本講は、統計分析手順の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指している。しかし、統計学的命題について、厳密な数学的証明は避け、あくまで統計・統計学のエンドユーザーとして必要とされる直感的な理解を目指す。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム　リテラシーレベル(MDASH Literacy)修了証の取得が可能である。
修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 調査や実験・試験によるデータ収集の作法を理解する
2. データの種類や性質に応じたデータ確認と要約ができる
3. 二元分割表の独立性の検定と関連の強さの推定を行い、結果を解釈できる。
4. 仮説検定や推定の原理を理解する
5. 統計や統計学的知識を正しく使うための留意点と倫理を知る
6. 統計・統計学の応用について幅広く知り、今後の学習につなげる

- 概要と導入（1回）
- データの確認と要約（2〜3回）
- 二元分割表と検定（2〜3回）
- さまざまな確率分布と統計的検定の考え方（1〜2回）
- 二元分割表のリスク比・オッズ比・リスク差（1〜2回）
- 中心極限定理、区間推定（1〜2回）
- t分布、検定・推定と標本規模（1〜2回）
- 統計と統計学の利用（1回）
- 発展的内容（1回）

授業回数はフィードバックを含め全15回とする。
なお、講義の進度・文科省のモデルカリキュラム等を反映して内容順序の変更や省略・追加を行うことがある。

主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

期末試験、小テスト及びレポートなどによって、講義で解説した基本的概念・原理の理解度、統計データの収集・集計・分析・解釈についての応用力を評価する。詳細は授業中に指示する。

講義を中心とするが、自習として統計分析ソフト（JMPやR等）を利用した演習を課す。
ソフトウェア JMP については、JMP Student Editionを各自で登録の上で自身のコンピュータにインストールして使用する。詳細は授業中に指示する。

「統計入門」では文系向きのクラス（前期月曜１限、後期金曜１限）を開講しておりますので、文系学部生はこちらのクラスを推奨します。

統計に関する知識は、実験、試験、調査などの結果を用いた実証研究を行う上でなくてはならないものである。生活に関わるさまざまな効果やリスクがデータとともに語られ、生活者としても統計に対するリテラシーが求められるようになった。企業活動では、情報技術の発展によって、日々膨大なデータが生成されており、その活用が求められるようになった。
本講は、研究や、生活、社会・経済活動に不可欠な統計を、集計・分析し、理解する力を養うことをひとつめの目的として、科目「統計入門」で扱えなかった、やや発展的な話題を中心に講義することで、より発展的な統計・統計学の学習への礎となることを目指す。
本講義は、文部科学省のモデルカリキュラム(応用基礎レベル)の、データサイエンス基礎・データエンジニアリング基礎・AI 基礎をバランスよくカバーする形で構成されている。
具体的には、平均の差の検定、分散分析、相関と回帰・判別分析の基礎について解説するとともに、一般化線形モデルによるこれらの統一的な理解を行う。さらに、因果推論の基本的な考え方と、具体的な方法についても解説を行う。
さらに、本講では第二の目的として、近年注目されている人工知能について、その基本的な考え方や応用について理解することで、現在も目まぐるしい早さで発展している当該分野への橋渡しを行う。近年の人工知能技術は膨大なデータをもとにした統計的なアプローチに基づいており、統計学がどのような形でその基礎を形作っているかを中心に学ぶ。
具体的には、機械学習における基本的な統計的手法をはじめ、ニューラルネットワーク、深層学習など、近年大きく発展している技術、また、それらの応用として自然言語処理や画像処理などの話題について解説する。
本講は、統計分析手順や人工知能手法の機械的な利用や解釈だけを講義するのではなく、その基礎となる考え方を学ぶことを目指しているが、あくまで直感的な理解を目指すことを主な目標とし、厳密な数学的証明等は避ける。

なお、本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム応用基礎レベル(MDASH Advanced Literacy)修了証の取得が可能である。修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 統計的検定と推定の考え方、とくに平均の差の検定・分散分析の考え方を理解し、これを実施できる。
2. 相関と回帰について理解し、これを実施できる。
3. 因果推論の基本的な考え方と手法を理解する。
4. 人工知能・機械学習の基本的な考え方と手法を理解する。
5. 統計と人工知能の手法と応用について幅広く知り、今後の学習につなげる。

授業回数はフィードバックを含め全15回とする

- 統計の基礎概念の復習（検定・推定）3回
- 相関・回帰分析 2回
- 統計的因果推論 1〜2回
- アルゴリズムとデータ構造（プログラミングの復習を含む） 1回
- 人工知能概説（AIの歴史と応用分野） 1回
- 機械学習（認識・予測・判断） 2回
- ニューラルネットワーク・深層学習の基礎と展望 1〜2回
- 自然言語処理・画像処理 1〜2回
- 発展的話題（AIの実社会応用・社会の関わり） 1回

（上記予定は目安であり、実際の講義の進度に応じて変更・前後することがある）

「統計入門」レベルの内容を理解していることが望ましい。

期末試験により評価する 。

講義を中心とするが、講義で扱った内容を、具体的なデータを用いて復習することが望ましい。また、講義中に演習課題を出題する。

　本授業の目的は、データ分析の基本的な事項を学び、実際に大規模データ解析を行うための基礎的な技術を身につけることである。大規模データ解析や最新のデータ分析手法の適用は、既存のソフトウェアを用いて簡単に実行できるとは限らない。そこで、本授業では、データ分析の基礎となる線形代数についても講義する。ただし、厳密な数学的証明は必要最小限に抑え、直観的な理解を深めることを目標とする。本講義は、文部科学省のモデルカリキュラム（応用基礎レベル）の、データサイエンス基礎・データエンジニアリング基礎・AI基礎をバランスよくカバーする形で構成されている。
　はじめに、データを扱う上で必要不可欠な確率変数・平均・分散などの統計の基礎的な概念について解説する。また、仮説検定の考え方を述べ、いくつかの例を用いて解説する。その後、複数の変数の関係性を調べる多変量解析を行う際に必要となる複素数と線形代数の重要事項について講義する。次に、多変量解析の中心的な解析対象となる相関行列の性質について解説し、複素数で表される信号やシステムを扱う際に有用なウィルティンガー微分について説明する。そして，多くのデータ分析の場面で登場する線形観測モデルの逆問題の解き方について講義する。さらに、劣決定の線形観測モデルにおいて、未知ベクトルのスパース性を利用して信号の推定を行う手法である圧縮センシングの基本的な考え方やアルゴリズムについて解説する。最後に、最近の機械学習に基づく人工知能(AI)の基礎と展望について講義する。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム応用基礎レベル(MDASH Advanced Literacy)修了証の取得が可能である。修了証取得の手続きについては、講義内で担当教員より指示がある。

1. 確率変数・平均・分散など統計の基礎的な内容、および、仮説検定について理解する。
2. 多変量解析の基礎である相関行列の性質や線形逆問題についての概念を理解し、データ分析に応用できるようになる。
3. 統計ソフトRを使いこなす知識を身につけ、実際に簡単なデータ分析を行えるようになる。
4. データ分析に登場する最適化問題とそれを解くアルゴリズムについて、基本的な考え方を理解する。

授業回数はフィードバックを含め全15回とする。
開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮し、一部メディア授業を取り入れることがある。

・ガイダンス（1回）
授業の概要について説明する。その後、データ駆動型社会、Society 5.0、ビッグデータ、プライバシー保護、個人情報の取り扱いについても解説する。

・確率・統計の基礎（2回）
確率変数・平均・分散など統計の基礎的な内容について講義する。

・仮説検定（2回）
仮説検定の基本的な考え方を講義する。

・複素数・線形代数の基礎（2回）
複素数の定義から始め，その性質や演算規則について解説する。
さらに，実および複素行列・ベクトルの性質や，行列式，逆行列，固有値分解，特異値分解について解説する。

・統計ソフトR（1回）
統計ソフトRの基本的な使い方について，実例を交えながら解説する。

・線形逆問題の基礎（3回）
様々なデータ分析において重要な役割を果たす相関行列の性質について説明し、勾配法で利用されるウィルティンガー微分について解説する。さらに、線形観測モデルを導入し、その逆問題を解くための基本的な手法について詳細に説明する。

・圧縮センシングの基礎（2回）
劣決定の線形観測モデルにおいて、未知ベクトルのスパース性を利用して信号の推定を行う手法である圧縮センシングの基本的な考え方やアルゴリズムについて解説する。

・AI・機械学習の基礎と展望（1回）
AIの歴史や背景からはじめて、機械学習（教師あり学習・教師なし学習・強化学習）の考え方について説明する。ニューラルネットワークの原理や深層学習、生成AIなどについても概説する。

・フィードバック（1回）

全学共通科目の統計入門、あるいは数理統計で学習した知識を一部前提とするので、これらのいずれかを受講済であることを推奨する。

定期試験、小レポート（平常点）により総合的に評価する。

・定期試験（配点50点）
講義で解説したデータ分析の基本的な原理や理論を理解できているかを評価する。

・小レポート（平常点）（配点50点）
講義で解説したデータ分析手法などをプログラミングで演習する小レポート課題を２回程度課す。

行列やベクトルについては授業中にも解説するが、行列やベクトルの扱いに慣れていない場合は予習あるいは復習をすることが望ましい。
講義中に説明したアルゴリズムを、何らかのプログラミング言語で実装して動かしてみることを推奨する。

授業時間外で質問がある場合には、下記のアドレスにメールで連絡すること。
林　和則（はやしかずのり）hayashi.kazunori.4w@kyoto-u.ac.jp

今日では、コンピュータやネットワーク、様々なセンサなどの技術の進歩により、日々膨大なデータが蓄積されるようになった。これらのデータの活用への期待は大きく、データを適切に分析し、その結果から適切な判断を下すことが重要である。
「データ分析演習I」は、ICT（情報通信技術）の進展とビッグデータ、さらにデータ表現の基礎等を確認したうえで、原則として統計処理やプログラミング言語の基礎知識を持たない学生を対象として、データ解析の基本的スキルの習得を目指す演習科目である。
Excelや統計ソフトR、R Studioを用いて「統計入門」等で学んだ分析目的の設定に始まり、種々の実データも活用しつつ、データ分析の手続きや分析結果の考察、背景となる理論を実践的に学習していく。

本講義の単位（2単位）を修得することで、文部科学省が定める数理・データサイエンス・AI教育プログラム応用基礎レベル(MDASH Advanced Literacy)修了証の取得が可能である。修了証取得の手続きについては、講義内で担当教員より指示がある。

1. データ分析に必要となる理論的基礎として統計学の基礎を理解する。
2. Excel、R等を用いてデータ分析に必要な基礎的な統計処理ができるようになる。
3. 自らの専門分野に数理・データサイエンス・AIを応用するために、回帰分析や因子分析などのデータ解析について概要を理解し、統計ソフトを利用した効率的な解析を習得する。

フィードバックを含め全15回の授業で、Excel、Rを用いてデータ分析を実習形式でおこなう。
本授業の前半では、一般に広く普及しているExcel、後半は研究の場で活用されることの多いRを用いたデータ分析を予定している。
また、演習の中では、各種教材の活用により、統計検定2〜3級レベルの課題への取り組みも予定している。

・導入・統計の基礎 (1回)
・Excelの基礎、データの記述と要約 (1回)
・確率変数と確率分布 (2回)
・統計的推定と仮説検定 (2回)
・Rプログラミング入門1 データの入出力・整形 (1回)
・Rプログラミング入門2 データの可視化 (1回)
・分散分析 (1回)
・クロス集計 (1回)
・回帰分析 (2回)
・主成分分析・因子分析 (2回)
・フィードバック (1回)

なお、講義の進度等を反映して内容順序の変更や省略・追加を行うことがある。

「統計入門」あるいは同等の科目を履修していることがのぞましい。
主に文系の学生が高校で履修したレベルの数学の知識を必要とする。

講義中に与える課題 (70%) と最終レポート課題 (30%) の内容によって到達目標への到達度を評価する。

復習として、講義で解説した内容を自ら実装し、様々なデータに対して適用してみることを期待する。
R等のソフトウェアを各自のパソコンにインストールする。インストール方法は授業中に指示をする。

授業中に教員との連絡方法について指示する。

Statistical methods are used throughout science, but there is often a wide gap between basic statistics courses and how statistical methods are applied in the scientific literature. This course intends to narrow this gap by introducing students to basic statistical concepts and by providing insight into how these concepts are used in the "real" scientific world. This will entail descriptive statistics, inferential statistics, and data visualization. Real-world examples will be drawn from the behavioral and life sciences, medicine, and epidemiology. The language of instruction in this course is English which will help to understand the statistical terminology in the scientific literature.

- To acquire basic statistical knowledge and the ability to conduct basic statistical analysis.
- To be able to critically read scientific reports and to judge their quality in terms of statistical methodology.

1) Introduction
2) Data collection: Survey sampling
3) Data collection: Experiments and clinical trials
4) Data editing and summary
5) 2 by 2 tables: Chi-square tests
6) Tests for independence: Fisher's exact tests
7) Risk ratios and odds ratios
8) Tests of difference of two proportions
9) Random sampling, randomization, and sample size calculations
10) Probability distributions and limit theorems
11) Tests of two means
12) Correlations and regressions
13) How to use statistics correctly?
14) Further studies
15) Feedback

特になし

Evaluation will be based on class attendance and active participation (30 points), written reports as homework (50 points) and 5 random in-class (open-note) quizzes, the lowest of which will be dropped (20 points). The quizzes and reports are to test whether the students have achieved the course goals. Students who are absent more than four times will not be credited.

To achieve the goals of the course, students should review the lecture material and do exercises that are provided as homework in class.
To complete the exercises students will be required to install, register, and use JMP Student Edition on their own computers. Details will be given in class.
The time necessary for review should be in the range of around 3 hours per class.

No fixed office hours, but students are welcome to arrange appointments by email.