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、データサイエンス活用事例として教育を中心とした実社会のデータを用いた実習を行う。ExcelやPython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。

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、Python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. 回帰分析などのデータ解析について概要を理解し、ExcelのようなGUIを経て、Python言語のような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される「Python」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．教育データ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　1回　
6.　回帰分析　2回　
7. AI・機械学習の基礎と展望 2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。

平常点（小テスト、課題、演習改善への貢献など）60％、
最終レポート課題40％

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。

　高度情報化社会である今日，至るところに蓄積される大量のデータを解析するための科学であるデータ科学は，学術全般・産業界のみならず日常生活の至る所に大きな変化をもたらそうとしている．データ科学の根幹である情報学・統計学・数理科学に対する基本的な理解，特に基礎的な数学の素養は社会を支える広範な人材にとっての基礎的な教養となりつつある．
　本講義は，データ科学における理論と技術に必要な基礎数学の中で、基礎的な確率・統計および基礎的な線形代数について、データ解析への応用と並行しながら理解することを目的とする．数学理論としての完全な体系よりも，具体的な計算手法の習得とデータ解析への応用方法の理解を重視する．また，文系学生が受講可能なように，高校での数学IIIの知識を仮定せず，必要が生じれば，その都度補う形で進める．

　

　確率・統計および線形代数がどのようにデータ解析に用いられるかを理解する．数学的理論だけでなく，具体的な計算方法について習得する．

次の内容について15週で講述する予定である．
1．導入：確率・統計および線形代数の応用による大量のデータの背後に隠れた規則性・知識の抽出（1週:山本）
3. 統計の基礎（4週:山本）
（平均と分散、確率変数と確率分布、二項分布、正規分布とその利用)
3．多変量のデータ分析の基礎（2週:山本）
（同時確率分布、周辺分布、共分散と相関係数）
4．データ解析の線形代数の基礎（7週：Flanagan）
（回帰、行列と連立一次方程式の解法、主成分、Lagrangeの未定乗数法、行列の固有値、因子分析、行列の積)
講義の進度，受講者の理解度によって回数の割り当てと内容の変更がありうる．
5. フィードバック（1週:山本，Flanagan）

学習した内容をコンピュータで実践するための演習を行う．数理・データサイエンスの内容に即した課題をPandAのコースページからダウンロードして取り組む．プログラミングの講義ではないので，初回に最低限の説明を行った後は，必要な知識技術等は全てコースページにおいてガイドする．
演習はウェブブラウザで利用可能であり，メディアセンターのPC，自己所持ノートPCだけでなくタブレットでも取り組むことが可能である．

高等学校での数学A（場合の数と確率）,数学I（データの整理）,数学B（平面上と空間のベクトル）を学習していること.
数学B（確率分布と統計的な推測）については講義中で扱う.

平常点（レポート課題提出）(４０点), 定期試験（筆記）（６０点）

高等学校での数学A（場合の数と確率）,数学I（データの整理）,数学B（平面上と空間のベクトル）の内容を復習しておくことがこの講義の予習となる.高等学校の教科書が手元にある場合は,数学B（確率分布と統計的な推測）を一読しておくこと.
復習としては，毎回出題する演習問題の類題を解いておくこと．

数理統計は、偶然性の支配する様々な現象において、観測や調査によって得られたデータにもとづいて推論し予測を行う数理的方法を提供している。
この講義ではそれらの方法の基礎的な事項について解説する。

1. 母集団や標本など統計の基本的な概念を習得する。
2. カイ二乗分布、F分布、t分布など、統計に現れる分布の意味を理解する。
3. 推定や検定の手法を理解し、個別の問題にどのように適用していくか、実際
の場面での応用力を身につける。
4. 回帰分析の基本的な考え方を理解し、実際にデータ処理が行えるようにする。

以下の内容を、フィードバック回を含め（試験週を除く）全15回にて行う。

１. 標本論【3週】
　母集団と標本、無作為抽出、層別無作為抽出、母平均、母分散、
　標本平均、標本分散、不偏分散、統計的推測の考え方
２. 数理統計に現れる分布【3週】
　正規分布、カイ二乗分布、Ｆ分布、ｔ分布
３. 推定【3〜4週】
　点推定、区間推定、信頼係数、正規母集団の平均・分散の推定、
　２標本の平均差・分散比の推定など
４. 仮説検定【3〜4週】
　帰無仮説、対立仮説、有意水準、第一種の過誤と第二種の過誤、
　母数に対する仮説の検定（正規分布の平均、分散など）、適合度検定、
　分散分析の考え方
５. 回帰分析 （時間の都合により省略することがある。）【1〜2週】

「確率論基礎」ならびに「微分積分学（講義・演義）Ａ,Ｂ」および「線形代数学（講義・演義）Ａ,Ｂ」，または「微分積分学Ａ,Ｂ」および「線形代数学Ａ,Ｂ」の内容を既知とする。

主として定期試験による（詳しくは担当教員毎に授業中に指示する）。

予習、復習とともに、演習問題を積極的に解いてみることが必要である。

数理統計は、偶然性の支配する様々な現象において、観測や調査によって得られたデータにもとづいて推論し予測を行う数理的方法を提供している。
この講義ではそれらの方法の基礎的な事項について解説する。

1. 母集団や標本など統計の基本的な概念を習得する。
2. カイ二乗分布、F分布、t分布など、統計に現れる分布の意味を理解する。
3. 推定や検定の手法を理解し、個別の問題にどのように適用していくか、実際
の場面での応用力を身につける。
4. 回帰分析の基本的な考え方を理解し、実際にデータ処理が行えるようにする。

以下の内容を、フィードバック回を含め（試験週を除く）全15回にて行う。

１. 標本論【3週】
　母集団と標本、無作為抽出、層別無作為抽出、母平均、母分散、
　標本平均、標本分散、不偏分散、統計的推測の考え方
２. 数理統計に現れる分布【3週】
　正規分布、カイ二乗分布、Ｆ分布、ｔ分布
３. 推定【3〜4週】
　点推定、区間推定、信頼係数、正規母集団の平均・分散の推定、
　２標本の平均差・分散比の推定など
４. 仮説検定【3〜4週】
　帰無仮説、対立仮説、有意水準、第一種の過誤と第二種の過誤、
　母数に対する仮説の検定（正規分布の平均、分散など）、適合度検定、
　分散分析の考え方
５. 回帰分析 （時間の都合により省略することがある。）【1〜2週】

「確率論基礎」ならびに「微分積分学（講義・演義）Ａ,Ｂ」および「線形代数学（講義・演義）Ａ,Ｂ」，または「微分積分学Ａ,Ｂ」および「線形代数学Ａ,Ｂ」の内容を既知とする。

主として定期試験による（詳しくは担当教員毎に授業中に指示する）。

予習、復習とともに、演習問題を積極的に解いてみることが必要である。

数理統計は、偶然性の支配する様々な現象において、観測や調査によって得られたデータにもとづいて推論し予測を行う数理的方法を提供している。
この講義ではそれらの方法の基礎的な事項について解説する。

1. 母集団や標本など統計の基本的な概念を習得する。
2. カイ二乗分布、F分布、t分布など、統計に現れる分布の意味を理解する。
3. 推定や検定の手法を理解し、個別の問題にどのように適用していくか、実際
の場面での応用力を身につける。
4. 回帰分析の基本的な考え方を理解し、実際にデータ処理が行えるようにする。

以下の内容を、フィードバック回を含め（試験週を除く）全15回にて行う。

１. 標本論【3週】
　母集団と標本、無作為抽出、層別無作為抽出、母平均、母分散、
　標本平均、標本分散、不偏分散、統計的推測の考え方
２. 数理統計に現れる分布【3週】
　正規分布、カイ二乗分布、Ｆ分布、ｔ分布
３. 推定【3〜4週】
　点推定、区間推定、信頼係数、正規母集団の平均・分散の推定、
　２標本の平均差・分散比の推定など
４. 仮説検定【3〜4週】
　帰無仮説、対立仮説、有意水準、第一種の過誤と第二種の過誤、
　母数に対する仮説の検定（正規分布の平均、分散など）、適合度検定、
　分散分析の考え方
５. 回帰分析 （時間の都合により省略することがある。）【1〜2週】

「確率論基礎」ならびに「微分積分学（講義・演義）Ａ,Ｂ」および「線形代数学（講義・演義）Ａ,Ｂ」，または「微分積分学Ａ,Ｂ」および「線形代数学Ａ,Ｂ」の内容を既知とする。

主として定期試験による（詳しくは担当教員毎に授業中に指示する）。

予習、復習とともに、演習問題を積極的に解いてみることが必要である。

Statistics is arguably the most important science in the world, because every other field of science depends upon it. Nowadays, science is becoming increasingly driven by large amounts of data. The key problem is how to extract knowledge from this data. Statistical analysis is a necessary step in solving this problem. This course will introduce the theory behind basic statistics and practical applications. Especially, we will cover observational studies, experiments, the normal distribution, confidence intervals, hypothesis testing, and linear regression.

Students will learn about basic concepts in statistics, and learn to apply them on real datasets. Students will develop a feeling for critical thinking when faced with data, be able to make hypotheses, and suggest relevant ways to test them.

Lectures 1 and 2. Introduction to statistics and data analysis. Statistics in the context of the general process of investigation. Introduction to numerical and categorical data. Simple ways of visual inspection (scatter plots, histograms, etc) and summary statistics.
Lecture 3 and 4. Probability. Formal introduction to probability, probability distributions, independent and dependent variables, and conditional, marginal, joint probability, and random variables.
Lecture 5. Distributions of random variables. Introduction to the normal distribution and its properties.
Lectures 6 and 7. Foundations for inference. We will discuss the principles of parameter inference, and the reliability of parameter estimates, including standard errors and confidence intervals. We will also introduce hypothesis testing and p-values based on these principles.
Lectures 8 and 9. The Central Limit Theorem and inference for numerical data. Practical applications, and the t-test.
Lectures 10 and 11. Inference for categorical data. We examine proportions, their confidence intervals, hypothesis testing, and comparison.
Lecture 12. Introduction to linear regression. We will cover line fitting, residuals, correlation, and least squares regression. The assumptions, interpretation, and weaknesses of linear regression will be introduced.
Lecture 13. Multiple and logistic regression. We expand the principles of simple linear regression to cases with many predictors (multiple regression), and cases where the outcomes are binary categorical (logistic regression).
Lecture 14. Review of course material.
＜Final examination＞
Lecture 15. Feedback

At the beginning of the course, you do not need the knowledge of concepts such as standard deviation or statistical distributions, which will be covered in class. A high school level understanding of mathematics is required.

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

The course will follow a textbook. At the end of each lecture I will specify the sections to read before the next lecture.

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

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。

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。

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をカバーする形で構成され、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想定した実習を行う。統計解析ソフトJMP Pro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、データ分析全般についても学ぶ。

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. 統計解析ソフトJMP Pro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、統計解析ソフトを用いてデータ分析を実践する。
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。

1. 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
2. 統計解析ソフトウエアJMP Proの使い方　1回【メディア授業：同時双方向型】
3. 記述統計：データの可視化、クロス集計表　3回
4. 群比較：推定と検定　2回
5. 相関と回帰 2回
6. 質的データの解析　2回
7. 多変量解析　2回
8. レポート課題個別データ分析指導　1回【メディア授業：同時双方向型】
9. 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望ましい。
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、演習改善への貢献など)50%
最終レポート課題の提出等50%

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

講義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

　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。

本講義は文部科学省の「数理・データサイエンス・ＡＩ教育プログラム認定制度（応用基礎レベル）」の認定科目である。本講義を履修することで「応用基礎レベル」の修了証が発行される。

1. 多変量解析の諸手法についての概念と使いどころを理解し、データ分析に応用できるようになる。
2. 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。
3. 多変量解析における「データ縮約」の概念を数理的に理解する。

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）

特になし

定期試験、宿題（平常点）を総合的に評価する。

・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。

・レポート（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。 宿題への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。

本講義は対面で行う。
各自、ノートPCを持参して受講すること。
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、データサイエンス活用事例として教育を中心とした実社会のデータを用いた実習を行う。ExcelやPython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。

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、Python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. 回帰分析などのデータ解析について概要を理解し、ExcelのようなGUIを経て、Python言語のような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される「Python」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．教育データ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　1回　
6.　回帰分析　2回　
7. AI・機械学習の基礎と展望 2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。

平常点（小テスト、課題、演習改善への貢献など）60％、
最終レポート課題40％

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。

数理統計は、偶然性の支配する様々な現象において、観測や調査によって得られたデータにもとづいて推論し予測を行う数理的方法を提供している。
この講義ではそれらの方法の基礎的な事項について解説する。

1. 母集団や標本など統計の基本的な概念を習得する。
2. カイ二乗分布、F分布、t分布など、統計に現れる分布の意味を理解する。
3. 推定や検定の手法を理解し、個別の問題にどのように適用していくか、実際
の場面での応用力を身につける。
4. 回帰分析の基本的な考え方を理解し、実際にデータ処理が行えるようにする。

以下の内容を、フィードバック回を含め（試験週を除く）全15回にて行う。

１. 標本論【3週】
　母集団と標本、無作為抽出、層別無作為抽出、母平均、母分散、
　標本平均、標本分散、不偏分散、統計的推測の考え方
２. 数理統計に現れる分布【3週】
　正規分布、カイ二乗分布、Ｆ分布、ｔ分布
３. 推定【3〜4週】
　点推定、区間推定、信頼係数、正規母集団の平均・分散の推定、
　２標本の平均差・分散比の推定など
４. 仮説検定【3〜4週】
　帰無仮説、対立仮説、有意水準、第一種の過誤と第二種の過誤、
　母数に対する仮説の検定（正規分布の平均、分散など）、適合度検定、
　分散分析の考え方
５. 回帰分析 （時間の都合により省略することがある。）【1〜2週】

「確率論基礎」ならびに「微分積分学（講義・演義）Ａ,Ｂ」および「線形代数学（講義・演義）Ａ,Ｂ」，または「微分積分学Ａ,Ｂ」および「線形代数学Ａ,Ｂ」の内容を既知とする。

主として定期試験による（詳しくは担当教員毎に授業中に指示する）。

予習、復習とともに、演習問題を積極的に解いてみることが必要である。

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。

数理統計は、偶然性の支配する様々な現象において、観測や調査によって得られたデータにもとづいて推論し予測を行う数理的方法を提供している。
この講義ではそれらの方法の基礎的な事項について解説する。

1. 母集団や標本など統計の基本的な概念を習得する。
2. カイ二乗分布、F分布、t分布など、統計に現れる分布の意味を理解する。
3. 推定や検定の手法を理解し、個別の問題にどのように適用していくか、実際
の場面での応用力を身につける。
4. 回帰分析の基本的な考え方を理解し、実際にデータ処理が行えるようにする。

以下の内容を、フィードバック回を含め（試験週を除く）全15回にて行う。

１. 標本論【3週】
　母集団と標本、無作為抽出、層別無作為抽出、母平均、母分散、
　標本平均、標本分散、不偏分散、統計的推測の考え方
２. 数理統計に現れる分布【3週】
　正規分布、カイ二乗分布、Ｆ分布、ｔ分布
３. 推定【3〜4週】
　点推定、区間推定、信頼係数、正規母集団の平均・分散の推定、
　２標本の平均差・分散比の推定など
４. 仮説検定【3〜4週】
　帰無仮説、対立仮説、有意水準、第一種の過誤と第二種の過誤、
　母数に対する仮説の検定（正規分布の平均、分散など）、適合度検定、
　分散分析の考え方
５. 回帰分析 （時間の都合により省略することがある。）【1〜2週】

「確率論基礎」ならびに「微分積分学（講義・演義）Ａ,Ｂ」および「線形代数学（講義・演義）Ａ,Ｂ」，または「微分積分学Ａ,Ｂ」および「線形代数学Ａ,Ｂ」の内容を既知とする。

主として定期試験による（詳しくは担当教員毎に授業中に指示する）。

予習、復習とともに、演習問題を積極的に解いてみることが必要である。

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。

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

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 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.

高度情報化社会である今日，至るところに蓄積される大量のデータを解析するための科学であるデータ科学は，学術全般・産業界のみならず日常生活の至る所に大きな変化をもたらそうとしている．データ科学の根幹である情報学・統計学・数理科学に対する基本的な理解，特に基礎的な数学の素養は社会を支える広範な人材にとっての基礎的な教養となりつつある．

将来の予測や最適化に微分を，分布を調べるのに積分を用いるように，微分積分学は数理・データ科学のために必要となる数学の基礎的内容である．本講義ではその入門として微分積分に関する総合的な内容について講義をおこなう．理論的な事項には深く立ち入らず，計算手法やそれらの内容がどのように数理・ データ科学に用いられるかを理解することを目的とする．また，現代では計算は主にPCを用いて行うため，その計算に必要なツールの利用方法についても習得し，学習した内容をPCで実践できるようになることを目指す．

文系学生が受講可能なように高校での数学IIIの知識を仮定せず，必要が生じれば，その都度補う形で進める．

微分積分学の基礎的な内容について理解できるようにする．
微分積分学が数理・データ科学にどのように用いられるかを理解する．
数学的理論だけでなく，コンピュータを利用した計算手法についても習得できるようにする．

次の内容について解説する予定である．各単元では，数理・データ科学への用いられ方にも適宜触れる．尚，授業回数はフィードバックを含め全15回とする．
1．導入：微積分学と数理・データ科学のつながり，コンピュータの操作（1回）
2．微分法の基礎（2~3回）
（関数の極限，関数の連続性，微分係数，導関数，コンピュータを用いた微分係数と導関数の計算）
3．複雑な関数の微分法（3〜4回）
（合成関数の微分，積と商の微分，指数関数の微分，逆関数の微分，対数関数の微分，コンピュータを用いた簡単な最適化問題の解法）
4．多変数関数の微分法（2〜3回）
（多変数の関数，偏微分と全微分，多変数関数の合成関数の微分法，機械学習への入口）
5．数列（2〜3回）
（数列，和の記号，級数，極限，等差数列，等比数列，関数の級数展開）
6．積分（2~3回）
（定積分，図形の面積，不定積分，原始関数，確率分布と確率）
7．フィードバック（1回）

学習した内容をコンピュータで実践するための演習を行う．数理・データサイエンスの内容に即した課題をPandAのコースページからダウンロードして取り組む．プログラミングの講義ではないので，初回に最低限の説明を行った後は，必要な知識技術等は全てコースページにおいてガイドする．

演習はウェブブラウザで利用可能であり，メディアセンターのPC，自己所持ノートPCだけでなくタブレットでも取り組むことが可能である．

この講義ではオンライン教材を用いて学習・演習を行うため，講義にPCあるいはタブレット端末の持参を必須とはしない．演習に必要な知識技術はこの講義中に紹介する．

演習課題の達成度による評価（70%）と平常点評価（30%）により評価する．平常点はレポートや講義と演習における積極的な参加姿勢を評価する．

講義資料は PandA を通じて公開するので適宜復習に用いること．講義で挙げた例題やレポート問題を復習として各自解いてみることで各内容の理解を深めることが重要である．

特になし．

This second course in statistics provides an in-depth introduction to regression, which is the area of statistics in which a dependent variable is modelled as a linear function of one or more predictor variables, together with a random error. Regression has applications across scientific research, engineering, and various other fields, and it will be an additional goal of the course to explore some of these. Whilst some knowledge of introductory statistical theory might be helpful, the course is intended to be self-contained.

- To gain a mathematical foundation in regression analysis
- To understand how to interpret and evaluate a linear model
- To develop skills in using statistical software (R)
- To be able to apply simple linear regression, multiple linear regression, and generalized linear models in examples

The following indicates possible topics that will be covered and approximate schedule, though the precise details may vary depending on the student's proficiency level and background. Moreover, in addition to the mathematical content, applications will be considered throughout the course.

(1) Simple linear regression [7 weeks]
Definition of the model, parameter estimation, model interpretation and evaluation

(2) Multiple linear regression [4 weeks]
Estimators for such models, tests for significance of regression, tests on individual regression coefficients and subsets of coefficients, confidence intervals on regression coefficients, polynomial regression

(3) Generalized linear models [3 weeks]
Link functions and linear predictors, parameter estimation, model analysis, specific examples of generalized linear models including logistic regression and Poisson regression

Total: 14 classes and 1 week for feedback

Whilst not essential, it will benefit students if they have previously taken an introductory statistics course. In order to complete the assignments, students will be asked to download and use the free statistical software R (and RStudio). No previous knowledge of statistical computing/programming will be assumed.

There will be regular (approximately fortnightly) 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 70% of the final mark. The remaining 30% will be based on a final exam.

The lecturer will present the basic concepts in class, upon which assignments will be set. The time for these might vary from assignment to assignment, and student to student, but the lecturer estimates these to take 2-3 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

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）

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。