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，特に情報科学に関する基礎的知識は社会を支える広範な人材にとっての基礎的な教養である．本講義は，情報系・電気電子系学科以外の出身者が，情報科学に関する基礎的内容を修得することを目的とする．

情報系・電気電子系学科以外の出身者が、大学院での学修の基礎として、あるいは現代社会を支える人材として求められる素養としての情報科学に関する基礎的知識を修得する。

1. 計算機工学: ビット列によるデータ表現, 論理演算子と電子回路による実現, 組み合わせ論理回路と順序回路, 基本演算回路, 計算機アーキテクチャ
2. アルゴリズムとデータ構造: さまざまなデータ構造と探索アルゴリズム
3. 形式言語理論とオートマトン: 言語の形式的定義と形式文法, 正規文法と有限オートマトン, 文脈自由文法
4. パターン認識: パターン情報処理, ベイズ決定, 識別関数
5. 情報理論: 情報メディアの構造, シャノンの情報理論, 情報の表現・ディジタル化・符号化
6. メディア処理: 画像・映像メディアの特徴, 認識処理
7. 推論とプログラム: 推論の形式化, プログラムの理論

当該年度の授業回数などに応じて一部省略，追加がありうる．

本講義は、情報系・電気電子系学科以外の出身者を対象とした学部専門科目の概要紹介であるので、これらの学科の出身者は、本講義の単位を修得することはできない。もちろん、本講義の全部あるいは一部を聴講することは可能である。

各単元において出題するレポートにより評価する。試験を行うこともある。情報系・電気電子系学科の学部の講義内容を修得することを目標とする。

各単元において出題されるレポート課題に取り組むとともに、講義内容やそれに関連する内容について各自自習を行うこと。

※オフィスアワーの詳細については、KULASISで確認してください。

本科目では大学院生として研究室などでの研究活動を本格化させるための基礎的な知識・スキルとして、大学図書館などを活用した学術情報の探索と発信、本学が提供する情報通信サービスの理解とその適正な運用、その基礎となる情報ネットワークやコンピュータについての実践的事項、情報セキュリティと情報倫理などを学習する。

大学図書館などを利用した学術目的の情報探索、情報発信について、効果的な文献の探索・収集・活用の手法と、論文として発表する際のマナーを知る。

研究活動でコンピュータや LAN、インターネットを適切に利用するための技術的な基礎知識を知る。

研究室でのネットワーク利用のために本学が提供しているKUINS 等の情報通信サービスについて知り、適切に利用できるようになる。

研究活動でコンピュータやネットワークを利用する際の本学での遵守事項や情報セキュリティ・情報倫理上の留意点を知り、実践できるようになる。

以下、4回の授業を集中講義形式で実施する。

・学術研究のための大学図書館利用と情報探索、情報発信(1回)
・ネットワークの基礎(1回)
・大学の情報基盤の利活用(1回）
・情報セキュリティと情報倫理（1回）

特になし

授業への出席と情報環境機構が提供する情報セキュリティ e-learningの修了が合格の要件である。その上で、課題の提出状況を評価に加える。

情報セキュリティ e-learning についてはあらかじめ修了しておくこと。授業外学習として課題を課す。

【メディア授業科目】
受講時に、受講前に持っている情報リテラシーについての知識・スキル等を調査する予定である。授業資料は電子的に配布するので、ノートPC などを持参して受講することが望ましい。

データ科学は科学研究の基本の一つであり、本学においても研究科を問わず、多様な分野において活用されている。本科目では、データ科学的手法に関する知識と技術の習得を目的とする。データ科学的手法は扱うデータや分野によって多岐にわたるが、データ科学に関連する知識・技術を広く習得することは、研究の多様性への適応力を育むことにも繋がり重要である。
本科目ではデータ科学を広く概観するため、データ科学イノベーション教育研究センター所属教員を中心に複数の教員がリレー講義と演習を行い、様々な領域におけるデータ科学の現状と可能性について理解を深めることを目標とする。

大学院入学までの間に必ずしも十分なデータ科学教育を受けられなかった学生、もしくは学び直しを目指す学生を主たる対象とし、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)レベルの復習から始め、同プログラム応用基礎レベル(MDASH Advanced Literacy)もカバーしたうえで、大学院レベルで求められるデータ科学的手法について学ぶ。
具体的には以下の2つを目標とする。

1.　様々な領域におけるデータ科学的手法の現状と可能性について理解できるようになる。
2.　実習を通じて、Excel・R言語・Python・JMP Pro等を用いてデータ分析に必要な基礎的な処理ができるようになる。

5月〜7月の日曜日を中心に集中講義・実習形式で開講する。
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、オンライン・オンデマンド型で実施する。
データ科学イノベーション教育研究センター所属教員と出身教員等（ゲストスピーカー）が、以下の内容や関連した手法について合計15回のリレー講義と演習を行う。

1.　導入
2.　クロス集計表
3.　区間推定
4.　2群間の平均の差
5.　分散分析
6.　相関
7.　回帰
8.　因果推論
9.　まとめ

なお、各教員は、各自の様々な専門領域でのデータ科学実用例などを講義・実習で用いる予定である。

特になし

7人程度の教員が分担するが、各教員が個別に課す課題（15％程度）を合計して評価する。

参考書の確認、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一部取り入れるので、授業前に指定した動画の閲覧や質問の提出を求める。

【メディア授業科目】
講義中に教員との連絡方法について指示する。

大量データの解析方法を扱うデータ科学は、科学研究のみならず高度情報化社会を支える基礎となっているが、コンピュータ上で複雑な現象を再現する数値シミュレーションの分野でもデータ科学の手法が活用されている。特に、気象予測においては、観測から得られる情報を数値シミュレーションに取り入れる「データ同化」と呼ばれる統計科学的な手法が用いられており、予測の精度向上に威力を発揮している。また、数値シミュレーションを用いた不確実性の評価、リスク評価などにおいてもデータ科学の手法が有効である。本講義では、気象予測・予報で用いられるデータ同化を題材に、数値シミュレーションによる現象の再現・予測・不確実性評価などに利用されている統計的手法を取り上げ、その基本的な考え方や実装方法を基礎から解説する。

データ同化などの基礎となる空間データ解析、時系列データ解析手法の基本的な考え方を理解し、それらが数値シミュレーションの分野でどのように活用されているかを理解する。

(1) 導入と数学的準備
背景，確率分布，行列の計算
(2) 最小二乗法とその拡張
最小二乗法，拘束付き最小二乗法，ベイズ推定の基礎
(3) カルマンフィルタ
カルマンフィルタ，その実装
(4) アンサンブルカルマンフィルタ
アンサンブルカルマンフィルタ
(5) アンサンブル変換カルマンフィルタ
アンサンブル変換カルマンフィルタ，局所化
(6) 4次元変分法
アジョイント法，4次元アンサンブル変分法
(7) 粒子フィルタ
粒子フィルタ
(8) 時間があれば，その他関連する話題を紹介する

共通教育における微積分学・線形代数学・統計学入門程度の内容を理解していることが望ましい。
また、プログラミング(言語は問わない)や数値計算の入門程度の知識があることが望ましい。

講義中に課すレポートの内容により、到達目標への到達度を評価する。

予習の必要はないが、「データ科学：理論から実用へ演習」を受講するなどして復習を行うことが望ましい。

講義中に教員との連絡方法について指示する。

講義科目「データ科学：理論から実用へ」の内容について、実データとコンピュータによる実践的演習を集中講義として行う。

「データ科学：理論から実用へ」の内容について、講義中に開設した数理的理論に基づいてコンピュータを用いて実データを処理する手法を習得する。

システムの時間発展を再現するために、データの情報を数値シミュレーション取り入れる手法である「データ同化」について、すぐにプログラム作成可能な単純なシステムを題材に、基本的な手法をPython言語で実装する実習を行う。手法としては、次の中から進度と理解度に応じて選択する。最小二乗法、拘束付き最小二乗法、カルマンフィルタ、アンサンブルカルマンフィルタ、アンサンブル変換カルマンフィルタ、粒子フィルタ、アジョイント法

「データ科学：理論から実用へ」を履修していることを前提とするが、内容を自習することにより本講義だけを受講することも可能である。必要な知識は「データ科学：理論から実用へ」に準ずる．演習ではPython言語を使用する．Pythonプログラミングの経験がない者の受講は妨げないが、何らかのプログラミング言語および数値計算の入門程度の知識があることが望ましい。

演習課題によって評価する。

「データ科学：理論から実用へ」の内容を復習・自習して臨むことが望ましい。

データ科学は科学研究の基本の一つであり，本学においても研究科を問わず，多様な分野において活用されている．データ科学の範疇はデータの処理・分析だけではなく，データの収集・整理，分析結果の公表・評価まで多岐に亘るが，一方で分野それぞれ得意とするもしくは重要視する範疇は異なることがある．本科目ではその欠を補うため，それらデータ科学の知識と技術を総合的に習得することを目的とする．習得には，データ科学イノベーション教育研究センターの提供するデータサイエンススクール等の課外スクールにおける講義演習を通じて行う．スクールでは様々な分野でデータを扱う専門家に登壇してもらい，分野横断的にデータ科学を展望することを目指す．

多角的なデータ科学の素養（収集，整理，処理，分析，公表，評価）を身につけることを目標とする．その到達のために，講義によってデータ科学的手法の知識を習得し，同時に演習によってその技術を習得する．

データ科学イノベーション教育研究センターが前期期間に提供するデータサイエンススクール等の課外スクールにおいて，データ科学的手法を体験しながら実践的に学ぶ．スクールは講義と演習を組とする形式で行われる．スクール当日の講義演習を行うだけでなく，スクール毎に設定されるレポート課題に取り組む．スクールの開講については，後日掲示やKULASIS，LMS等で開講するスクールの概要・準備内容・参加要項の連絡を行う．令和８年度は 「機械学習トレーニング」など６月〜９月の間に開講を予定している．また，詳細や過去の実績は以下のURLのスクールの情報サイトにも掲載する．http://ds.k.kyoto-u.ac.jp/events/

データサイエンススクールに前期期間で述べ8時間以上参加できること（1時間は90分1コマの換算）．

データ科学イノベーション教育研究センターにおいて複数回実施されるデータサイエンススクール等の課外スクールに，前期期間で合計8時間以上参加すること（1時間は90分1コマの換算）．各スクールは2時間もしくは4時間で構成される．スクールでの演習内容とスクール毎に設定されるレポート課題を提出する．レポート課題にはプログラミング演習も含む可能性がある．その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．

データサイエンススクールの内容を深く理解するために，自己所有PCや計算機室の利用などによって，学生各自で演習の復習を行うこと．

【メディア授業科目】

　オープンサイエンスが学術界の様々な場面で推進されている今、これまでのように研究計画に基づいて調査研究を行い、論文として刊行して終わりという学術研究のサイクルではなく、研究の様々な段階で、学術情報を必要に応じて整備・オープン化して、その情報を活用することが求められています。本授業では、オープンサイエンスの定義や国内外の動向を学んだ上で、論文・データの出版・公開などにおけるオープンサイエンスの各側面を体系的に学び、自身の研究において具体的に実現可能な取組み等の検討が可能になることを目指します。

● オープンサイエンスの概念と国内外の動向を体系的に理解し、自身の研究分野における意義と課題を説明できるようになる。
● 論文や研究データをオープンな形で管理・公開するための具体的な手法とツール（研究データ管理（RDM）、リポジトリ、プレプリントサーバー）の重要性を理解し、実践的意義を説明できるようになる。
● 自身の研究テーマに基づいて、具体的なオープンサイエンスを実践する研究計画の立案を行えるようになり、他者に説明できるようになる。

授業は以下の内容を予定している。ただし進行状況などによって、講義の内容や順番を変更する可能性がある。

第1 回: オープンサイエンス入門：なぜ今、どのように学術をオープンにするのか？（担当：村山）
● オープンサイエンスとは何か？ (定義、歴史的背景)
● 国内外のオープンサイエンスの動向と主要な政策
● 伝統的な学術研究の課題とオープンサイエンスの必要性
● オープンサイエンスがもたらすメリット (透明性、再現性、社会への貢献)
● 研究者のキャリアパスとオープンサイエンス

第2 回：オープンサイエンスの歴史と現代 （担当：村山）
● 研究データ管理（RDM）の歴史
● 現代の情報通信技術（ICT）基盤におけるRDM の理念
● 電子情報の脆弱性と永続的識別子（DOI、ORCID など）の意義
● データ管理計画（DMP）の在り方と考え方

第3 回：オープンアクセス：論文の壁をなくす （担当：西岡）
● オープンアクセスの背景
● オープンアクセスの方法(グリーンOA、ゴールドOA)
● 論文公開プラットフォームの利用方法 (リポジトリ)
● プレプリントの広まりとプレプリントサーバ
● 著作権とライセンス (クリエイティブ・コモンズ・ライセンス)

第4 回: 研究データ管理（RDM）：データを正しく扱うための基本 （担当：沼尻）
● 研究データとは何か？
● RDM について（定義、意義、研究ライフサイクルにおける位置づけ）
● データ管理計画（DMP）の策定
● データの整理、命名規則、メタデータ
● データの保存とバックアップ
● 演習：自身の研究データを想定して、簡単なDMP を作成する。

特になし

【方法】レポート試験：60％・コメントシート（各授業ごと各10%） ：40％
【観点】オープンサイエンスの意義を理解する。またその実践を自分の研究・専門分野に即して考えられる。

授業外学習として課題を課す。

　決まったオフィス・アワーは設定していない。面談を希望する場合は、担当教員とメールにて日時を決定する。

データ科学は科学研究の基本の一つであり，本学においても研究科を問わず，多様な分野において活用されている．データ科学の範疇はデータの処理・分析だけではなく，データの収集・整理，分析結果の公表・評価まで多岐に亘るが，一方で分野それぞれ得意とするもしくは重要視する範疇は異なることがある．本科目ではその欠を補うため，それらデータ科学の知識と技術を総合的に習得することを目的とする．習得には，データ科学イノベーション教育研究センターの提供するデータサイエンススクール等の課外スクールにおける講義演習を通じて行う．スクールでは様々な分野でデータを扱う専門家に登壇してもらい，分野横断的にデータ科学を展望することを目指す．

多角的なデータ科学の素養（収集，整理，処理，分析，公表，評価）を身につけることを目標とする．その到達のために，講義によってデータ科学的手法の知識を習得し，同時に演習によってその技術を習得する．

データ科学イノベーション教育研究センターが後期期間に提供するデータサイエンススクールにおいて，データ科学的手法を体験しながら実践的に学ぶ．スクールは講義と演習を組とする形式で行われる．スクール当日の講義演習を行うだけでなく，スクール毎に設定されるレポート課題に取り組む．スクールの開講は， 11月下旬〜12月上旬，1月下旬〜2月下旬の2つの時期に予定している．後日掲示やKULASIS，LMS等で開講するスクールの概要・準備内容・参加要項の連絡を行う．また，詳細は以下のURLのスクールの情報サイトにも掲載する．http://ds.k.kyoto-u.ac.jp/events/

データサイエンススクールに後期期間で述べ8時間以上参加できること（1時間は90分1コマの換算）

データ科学イノベーション教育研究センターにおいて複数回実施されるデータサイエンススクールに，後期期間で合計8時間以上参加すること（1時間は90分1コマの換算）．各スクールは2時間もしくは4時間で構成される．スクールでの演習内容とスクール毎に設定されるレポート課題を提出する．レポート課題にはプログラミング演習も含む可能性がある．その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．

データサイエンススクールの内容を深く理解するために，自己所有PCや計算機室の利用などによって，学生各自で演習の復習を行うこと．

【メディア授業科目】