授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
Statistical Learning Theory
|
(英 訳) | Statistical Learning Theory | ||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||
(群) | 院横断 | ||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||
(使用言語) | 英語 | ||||||||||||
(旧群) | |||||||||||||
(単位数) | 2 単位 | ||||||||||||
(週コマ数) | 1 コマ | ||||||||||||
(授業形態) | 講義 | ||||||||||||
(開講年度・開講期) | 2024・前期 | ||||||||||||
(配当学年) | 大学院生 | ||||||||||||
(対象学生) | 理系向 | ||||||||||||
(曜時限) | 月1 |
||||||||||||
(教室) | 総合研究8号館講義室2 | ||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||
(授業の概要・目的) | This course will provide a in-depth exploration of the foundational theory and practical applications of statistical machine learning, which plays a significant role in statistical data analysis and data mining. We will primarily focus on supervised and unsupervised learning, with an emphasis on supervised learning. The course will cover essential theoretical concepts such as maximum likelihood estimation and Bayesian inference, as well as introduce the concept of Probably Approximately Correct (PAC) learning. Throughout the course, you will gain familiarity with various probabilistic models and predictive algorithms, including logistic regression, perceptrons, and neural networks. Additionally, we will touch upon advanced topics like semi-supervised learning, transfer learning, and sparse modeling, providing you with insights into the latest developments in the field of machine learning. In addition, opportunities for hands-on data analysis exercises will also be provided. |
||||||||||||
(到達目標) | Understanding basic concepts, problems, and techniques of statistical learning and some of the recent topics. | ||||||||||||
(授業計画と内容) | 1. Statistical Machine Learning - Introduction to machine learning: historical perspective, basic concepts, and applications - Regression and classification: linear regression, logistic regression, and neural networks. - Inference framework and statistical learning theory: maximum likelihood estimation, regularization, Bayesian inference, Vapnik-Chervonenkis theory - Model selection: performance measures, cross-validation, hyper-parameter selection 2. Advanced topics - Semi-supervised learning - Transfer learning - Sparse modeling - Deep neural networks - Graph learning |
||||||||||||
(履修要件) |
特になし
|
||||||||||||
(成績評価の方法・観点及び達成度) | Reports and/or final exam. | ||||||||||||
(教科書) |
授業中に指示する
|
||||||||||||
(参考書等) |
『The Elements of Statistical Learning』
(Springer)
『Understanding Machine Learning: From Theory to Algorithms』
(Cambridge University Press)
|
||||||||||||
(授業外学習(予習・復習)等) | Basic knowledge about probability and statistics | ||||||||||||
(その他(オフィスアワー等)) | |||||||||||||
Statistical Learning Theory
(科目名)
Statistical Learning Theory
(英 訳)
|
|
|||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 英語 | ||||||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | ||||||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 理系向 |
||||||||||
(曜時限)
月1 (教室) 総合研究8号館講義室2 |
||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | ||||||||||
(授業の概要・目的)
This course will provide a in-depth exploration of the foundational theory and practical applications of statistical machine learning, which plays a significant role in statistical data analysis and data mining. We will primarily focus on supervised and unsupervised learning, with an emphasis on supervised learning. The course will cover essential theoretical concepts such as maximum likelihood estimation and Bayesian inference, as well as introduce the concept of Probably Approximately Correct (PAC) learning.
Throughout the course, you will gain familiarity with various probabilistic models and predictive algorithms, including logistic regression, perceptrons, and neural networks. Additionally, we will touch upon advanced topics like semi-supervised learning, transfer learning, and sparse modeling, providing you with insights into the latest developments in the field of machine learning. In addition, opportunities for hands-on data analysis exercises will also be provided. |
||||||||||
(到達目標)
Understanding basic concepts, problems, and techniques of statistical learning and some of the recent topics.
|
||||||||||
(授業計画と内容)
1. Statistical Machine Learning - Introduction to machine learning: historical perspective, basic concepts, and applications - Regression and classification: linear regression, logistic regression, and neural networks. - Inference framework and statistical learning theory: maximum likelihood estimation, regularization, Bayesian inference, Vapnik-Chervonenkis theory - Model selection: performance measures, cross-validation, hyper-parameter selection 2. Advanced topics - Semi-supervised learning - Transfer learning - Sparse modeling - Deep neural networks - Graph learning |
||||||||||
(履修要件)
特になし
|
||||||||||
(成績評価の方法・観点及び達成度)
Reports and/or final exam.
|
||||||||||
(教科書)
授業中に指示する
|
||||||||||
(参考書等)
『The Elements of Statistical Learning』
(Springer)
『Understanding Machine Learning: From Theory to Algorithms』
(Cambridge University Press)
|
||||||||||
(授業外学習(予習・復習)等)
Basic knowledge about probability and statistics
|
||||||||||
(その他(オフィスアワー等))
|
||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
ビジネスアナリティクス
|
(英 訳) | Business Analytics | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語及び英語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・前期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 月2 |
||||||
(教室) | 東一条館201大講義室 | ||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 本講義では、受講者がデータドリブンな思考力・解決力を身につけることにより、SDGsをはじめとする社会課題の解決に資するAI人材の育成を主眼に置き、そのベーススキルを固めることを目的とする。具体的には、豊富なAI社会実装実績を持つアクセンチュア株式会社が教材を作成し、ビジネスにおけるデータサイエンス・AI活用の概要と事例の紹介、基本的なデータ分析手法と機械学習に関する講義、そしてデータ分析演習を想定している。本講義は、前期に開講する内容の応用編で、深層学習や画像認識など高度な技術についても触れる。 The purpose of this lecture is to cultivate the basic skills for AI analysts who can contribute to solving social issues such as the SDGs by acquiring data-driven thinking. Specifically, by its original course materials, Accenture Japan Ltd, which has a wealth of experience in AI implementation, will introduce an overview of data science and AI applications in business, and lecture on basic data analysis methods and machine learning with practical data analysis exercises. In this lecture we develop applicational skill through deep learning module and image processing. |
||||||
(到達目標) | まずは国内外含めたデータサイエンス・AI活用の事例を知り、実際のビジネスにおける重要性を理解する。そして座学と演習を通して、分析プロジェクトの一連の流れを学ぶことを目標とする。具体的には、課題定義や仮説立案などデータドリブンな思考の習得と、Pythonを用いたデータ処理およびモデル構築のスキル習得、特に、本講義においては深層学習などを用いた画像認識の習得をゴールとする。 First, students will learn about various examples of data science and AI applications, and understand their importance in actual business. Then, through classroom lectures and exercises, students aim to understand a series of analytical project flows. Specifically, students will acquire the way of data-driven thinking such as issue definition and hypothesis formulation and data processing and model building skills using Python, especially focusing on deep learning and image processing skills. |
||||||
(授業計画と内容) | 【第1回】AI・データサイエンス概論・応用編 Introduction to AI and Data science 【第2回】データ分析実務の全体像①(分析プロジェクトとは・課題定義・応用編) Overview of data analysis practices (1) (Analysis project & Defining issues) 【第3回】データ分析実務の全体像②(仮説立案・示唆導出) Overview of data analysis practices (2) (Formulating hypothesis & Suggesting) 【第4回】データ収集・加工・探索 Data collection, processing, and exploration 【第5回】Pythonコーディングの復習① Python basics (1) 【第6回】Pythonコーディングの復習② Python basics (2) 【第7回】教師なし学習(クラスター分析)① Unsupervised learning (Clustering) (1) 【第8回】教師なし学習(クラスター分析)② Unsupervised learning (Clustering) (2) 【第9回】教師あり学習(深層学習)① Supervised learning (deep learning) (1) 【第10回】教師あり学習(深層学習)② Supervised learning (deep learning) (2) 【第11回】画像認識① Image Processing (1) 【第12回】画像認識② Image Processing (2) 【第13回】データ分析演習① Data analytics exercise & presentation (1) 【第14回】データ分析演習② Data analytics exercise & presentation (2) 【第15回】データ分析プレゼン・講評会 Data analytics exercise & presentation なお、毎回の講義において、ゲストスピーカーとして、アクセンチュア株式会社AIセンター長 保科学世氏 および 同社AIセンターの右衛門佐氏 および前田 将貴氏らに講義にご参加いただきます。 |
||||||
(履修要件) |
特になし
|
||||||
(成績評価の方法・観点及び達成度) | 講義への出席・各回の演習により採点する | ||||||
(教科書) |
使用しない
|
||||||
(参考書等) | |||||||
(授業外学習(予習・復習)等) | 講義内で紹介する | ||||||
(その他(オフィスアワー等)) | |||||||
ビジネスアナリティクス
(科目名)
Business Analytics
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語及び英語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
月2 (教室) 東一条館201大講義室 |
|||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
本講義では、受講者がデータドリブンな思考力・解決力を身につけることにより、SDGsをはじめとする社会課題の解決に資するAI人材の育成を主眼に置き、そのベーススキルを固めることを目的とする。具体的には、豊富なAI社会実装実績を持つアクセンチュア株式会社が教材を作成し、ビジネスにおけるデータサイエンス・AI活用の概要と事例の紹介、基本的なデータ分析手法と機械学習に関する講義、そしてデータ分析演習を想定している。本講義は、前期に開講する内容の応用編で、深層学習や画像認識など高度な技術についても触れる。
The purpose of this lecture is to cultivate the basic skills for AI analysts who can contribute to solving social issues such as the SDGs by acquiring data-driven thinking. Specifically, by its original course materials, Accenture Japan Ltd, which has a wealth of experience in AI implementation, will introduce an overview of data science and AI applications in business, and lecture on basic data analysis methods and machine learning with practical data analysis exercises. In this lecture we develop applicational skill through deep learning module and image processing. |
|||||||
(到達目標)
まずは国内外含めたデータサイエンス・AI活用の事例を知り、実際のビジネスにおける重要性を理解する。そして座学と演習を通して、分析プロジェクトの一連の流れを学ぶことを目標とする。具体的には、課題定義や仮説立案などデータドリブンな思考の習得と、Pythonを用いたデータ処理およびモデル構築のスキル習得、特に、本講義においては深層学習などを用いた画像認識の習得をゴールとする。
First, students will learn about various examples of data science and AI applications, and understand their importance in actual business. Then, through classroom lectures and exercises, students aim to understand a series of analytical project flows. Specifically, students will acquire the way of data-driven thinking such as issue definition and hypothesis formulation and data processing and model building skills using Python, especially focusing on deep learning and image processing skills. |
|||||||
(授業計画と内容)
【第1回】AI・データサイエンス概論・応用編 Introduction to AI and Data science 【第2回】データ分析実務の全体像①(分析プロジェクトとは・課題定義・応用編) Overview of data analysis practices (1) (Analysis project & Defining issues) 【第3回】データ分析実務の全体像②(仮説立案・示唆導出) Overview of data analysis practices (2) (Formulating hypothesis & Suggesting) 【第4回】データ収集・加工・探索 Data collection, processing, and exploration 【第5回】Pythonコーディングの復習① Python basics (1) 【第6回】Pythonコーディングの復習② Python basics (2) 【第7回】教師なし学習(クラスター分析)① Unsupervised learning (Clustering) (1) 【第8回】教師なし学習(クラスター分析)② Unsupervised learning (Clustering) (2) 【第9回】教師あり学習(深層学習)① Supervised learning (deep learning) (1) 【第10回】教師あり学習(深層学習)② Supervised learning (deep learning) (2) 【第11回】画像認識① Image Processing (1) 【第12回】画像認識② Image Processing (2) 【第13回】データ分析演習① Data analytics exercise & presentation (1) 【第14回】データ分析演習② Data analytics exercise & presentation (2) 【第15回】データ分析プレゼン・講評会 Data analytics exercise & presentation なお、毎回の講義において、ゲストスピーカーとして、アクセンチュア株式会社AIセンター長 保科学世氏 および 同社AIセンターの右衛門佐氏 および前田 将貴氏らに講義にご参加いただきます。 |
|||||||
(履修要件)
特になし
|
|||||||
(成績評価の方法・観点及び達成度)
講義への出席・各回の演習により採点する
|
|||||||
(教科書)
使用しない
|
|||||||
(参考書等)
|
|||||||
(授業外学習(予習・復習)等)
講義内で紹介する
|
|||||||
(その他(オフィスアワー等))
|
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
情報分析・管理論
|
(英 訳) | Information Analysis and Management | ||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||||||||||||||||||||
(群) | 院横断 | ||||||||||||||||||||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||||||||||||||||||||
(使用言語) | 日本語 | ||||||||||||||||||||||||||||||
(旧群) | |||||||||||||||||||||||||||||||
(単位数) | 2 単位 | ||||||||||||||||||||||||||||||
(週コマ数) | 1 コマ | ||||||||||||||||||||||||||||||
(授業形態) | 講義 | ||||||||||||||||||||||||||||||
(開講年度・開講期) | 2024・前期 | ||||||||||||||||||||||||||||||
(配当学年) | 大学院生 | ||||||||||||||||||||||||||||||
(対象学生) | 全学向 | ||||||||||||||||||||||||||||||
(曜時限) | 月4 |
||||||||||||||||||||||||||||||
(教室) | 総合研究8号館講義室1 | ||||||||||||||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||||||||||||||
(授業の概要・目的) | 今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して講述する.特に,具体的な問題に対して,それらの技術をどのように適用できるかを学ぶことで,技術の基本的な考え方を理解し,各自の分野において,応用できるようになることを目 標とする. |
||||||||||||||||||||||||||||||
(到達目標) | 【研究科横断型教育の概要・目的】 上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理演習」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
||||||||||||||||||||||||||||||
(授業計画と内容) | ・ガイダンス (1回) 講義全体の概要 ・問題のモデル化と問題の解き方 (2回) コンピュータで問題を解くために必要となる,問題のモデル化と,問題の解き方,すなわち,アルゴリズムについて学ぶ.具体的には,まず,グラフを用いたモデル化,アルゴリズムとその戦略(計算量,近似,動的計画など),情報検索に用いられるランキング手法 (PageRankやHITSなど)の応用について講述する.さらに,情報科学の他分野への応用について学ぶ. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するための手法について講述する.具体的には,データマイニング技術(アソシエーションルール,クラスタリング,決定木,サポートベクターマシン,深層学習など) と,そこで利用されている機械学習やベイズ推定の技術を学ぶ. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら説明する. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術を学ぶ. |
||||||||||||||||||||||||||||||
(履修要件) |
- 「情報分析・管理演習」を,原則として受講すること.
- 各自のノートPC等の持ち込みを前提とする. |
||||||||||||||||||||||||||||||
(成績評価の方法・観点及び達成度) | 講義で扱った情報分析・管理技術の仕組みを理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.各回の出席状況,ならびに数回ごとに扱うテーマに基づいたレポートによって,この目標に到達しているかどうかを検証し,成績を算出する. |
||||||||||||||||||||||||||||||
(教科書) |
特になし
|
||||||||||||||||||||||||||||||
(参考書等) |
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Authoritative Sources in a Hyperlinked Environment』
(Journal of the ACM (JACM), 46(5), pages 604-632, 1999.)
『The PageRank Citation Ranking: Bringing Order to the Web』
(Technical Report SIDL-WP-1999-0120, Stanford Digital Library Technologies Project, 1998.)
|
||||||||||||||||||||||||||||||
(授業外学習(予習・復習)等) | 必要な場合は授業中に指定する. | ||||||||||||||||||||||||||||||
(その他(オフィスアワー等)) | - 前期・後期共に同一内容のリピート科目である. - 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
||||||||||||||||||||||||||||||
情報分析・管理論
(科目名)
Information Analysis and Management
(英 訳)
|
|
||||||||||||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||||||||||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||||||||||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||||||||||||||
(曜時限)
月4 (教室) 総合研究8号館講義室1 |
|||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||
(授業の概要・目的)
今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して講述する.特に,具体的な問題に対して,それらの技術をどのように適用できるかを学ぶことで,技術の基本的な考え方を理解し,各自の分野において,応用できるようになることを目
標とする. |
|||||||||||||||||||
(到達目標)
【研究科横断型教育の概要・目的】
上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理演習」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
|||||||||||||||||||
(授業計画と内容)
・ガイダンス (1回) 講義全体の概要 ・問題のモデル化と問題の解き方 (2回) コンピュータで問題を解くために必要となる,問題のモデル化と,問題の解き方,すなわち,アルゴリズムについて学ぶ.具体的には,まず,グラフを用いたモデル化,アルゴリズムとその戦略(計算量,近似,動的計画など),情報検索に用いられるランキング手法 (PageRankやHITSなど)の応用について講述する.さらに,情報科学の他分野への応用について学ぶ. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するための手法について講述する.具体的には,データマイニング技術(アソシエーションルール,クラスタリング,決定木,サポートベクターマシン,深層学習など) と,そこで利用されている機械学習やベイズ推定の技術を学ぶ. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら説明する. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術を学ぶ. |
|||||||||||||||||||
(履修要件)
- 「情報分析・管理演習」を,原則として受講すること.
- 各自のノートPC等の持ち込みを前提とする. |
|||||||||||||||||||
(成績評価の方法・観点及び達成度)
講義で扱った情報分析・管理技術の仕組みを理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.各回の出席状況,ならびに数回ごとに扱うテーマに基づいたレポートによって,この目標に到達しているかどうかを検証し,成績を算出する.
|
|||||||||||||||||||
(教科書)
特になし
|
|||||||||||||||||||
(参考書等)
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Authoritative Sources in a Hyperlinked Environment』
(Journal of the ACM (JACM), 46(5), pages 604-632, 1999.)
『The PageRank Citation Ranking: Bringing Order to the Web』
(Technical Report SIDL-WP-1999-0120, Stanford Digital Library Technologies Project, 1998.)
|
|||||||||||||||||||
(授業外学習(予習・復習)等)
必要な場合は授業中に指定する.
|
|||||||||||||||||||
(その他(オフィスアワー等))
- 前期・後期共に同一内容のリピート科目である.
- 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
|||||||||||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
情報分析・管理演習
|
(英 訳) | Information Analysis and Management, Exercise | ||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||||||||||||||||||||
(群) | 院横断 | ||||||||||||||||||||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||||||||||||||||||||
(使用言語) | 日本語 | ||||||||||||||||||||||||||||||
(旧群) | |||||||||||||||||||||||||||||||
(単位数) | 1 単位 | ||||||||||||||||||||||||||||||
(週コマ数) | 1 コマ | ||||||||||||||||||||||||||||||
(授業形態) | 演習 | ||||||||||||||||||||||||||||||
(開講年度・開講期) | 2024・前期 | ||||||||||||||||||||||||||||||
(配当学年) | 大学院生 | ||||||||||||||||||||||||||||||
(対象学生) | 全学向 | ||||||||||||||||||||||||||||||
(曜時限) | 月5 |
||||||||||||||||||||||||||||||
(教室) | 総合研究8号館講義室1 | ||||||||||||||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||||||||||||||
(授業の概要・目的) | 今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して,演習形式で具体的な問題を計算機で解く方法を学ぶ. |
||||||||||||||||||||||||||||||
(到達目標) | 【研究科横断型教育の概要・目的】 上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理論」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
||||||||||||||||||||||||||||||
(授業計画と内容) | ・ガイダンス(1回) 演習の準備およびプログラミング言語Rのインストール,簡単な使い方 ・問題のモデル化と問題の解き方 (2回) 講義で扱った,グラフを用いたモデル化とアルゴリズム(オイラー閉路,最短経路)やPageRankについて,Rで実際に問題を解く方法を学ぶ.また,問題を解くだけでなく,可視化などを通じて結果を分析する基礎を身につける. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するデータマイニング技術(相関ルール,クラスタリング,決定木,サポートベクターマシン,深層学習など)を,Rで実行する方法を学ぶとともに,得られた結果を解析する. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら,Python, Jupyter Notebookを用いた演習を行う. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術についてPython, Jupyter Notebookを用いた演習を行う. |
||||||||||||||||||||||||||||||
(履修要件) |
- 情報分析・管理論を,原則として受講していること.
- プログラミングを伴う演習を受講する意欲があれば,プログラミング経験は問わないが,PCの基本的な使用方法を習得していること,何らかのソフトウェアをダウンロードした経験があることが望ましい. - 各自のノートPC等の持ち込みを前提とする. |
||||||||||||||||||||||||||||||
(成績評価の方法・観点及び達成度) | 演習で扱った情報分析・管理技術を理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.出席状況,ならびに毎週のレポートによってこの目標に到達しているかどうかを検証し,成績を算出する. | ||||||||||||||||||||||||||||||
(教科書) |
特になし
|
||||||||||||||||||||||||||||||
(参考書等) |
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Database Systems: The Complete Book』
(Prentice Hall)
『An Introduction to Database Systems』
(Addison Wesley)
『データベースの基礎』
(オーム社)
『Search Engines: Information Retrieval in Practice』
(Addison-Wesley)
『Information Retrieval: Implementing and Evaluating Search Engines』
(The MIT Press)
『デザイニング・インタフェース〜 パターンによる実践的インタラクションデザイン 〜』
(オライリー・ジャパン)
『ビジュアライジング・データ Processingによる情報視覚化手法』
(オライリー・ジャパン)
『Search User Interfaces』
(Cambridge University Press)
|
||||||||||||||||||||||||||||||
(授業外学習(予習・復習)等) | 必要な場合は授業中に指定する. | ||||||||||||||||||||||||||||||
(その他(オフィスアワー等)) | - 前期・後期共に同一内容のリピート科目である. - 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
||||||||||||||||||||||||||||||
情報分析・管理演習
(科目名)
Information Analysis and Management, Exercise
(英 訳)
|
|
||||||||||||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||||||||||||||
(旧群) (単位数) 1 単位 (週コマ数) 1 コマ (授業形態) 演習 | |||||||||||||||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||||||||||||||
(曜時限)
月5 (教室) 総合研究8号館講義室1 |
|||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||
(授業の概要・目的)
今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して,演習形式で具体的な問題を計算機で解く方法を学ぶ.
|
|||||||||||||||||||
(到達目標)
【研究科横断型教育の概要・目的】
上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理論」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
|||||||||||||||||||
(授業計画と内容)
・ガイダンス(1回) 演習の準備およびプログラミング言語Rのインストール,簡単な使い方 ・問題のモデル化と問題の解き方 (2回) 講義で扱った,グラフを用いたモデル化とアルゴリズム(オイラー閉路,最短経路)やPageRankについて,Rで実際に問題を解く方法を学ぶ.また,問題を解くだけでなく,可視化などを通じて結果を分析する基礎を身につける. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するデータマイニング技術(相関ルール,クラスタリング,決定木,サポートベクターマシン,深層学習など)を,Rで実行する方法を学ぶとともに,得られた結果を解析する. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら,Python, Jupyter Notebookを用いた演習を行う. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術についてPython, Jupyter Notebookを用いた演習を行う. |
|||||||||||||||||||
(履修要件)
- 情報分析・管理論を,原則として受講していること.
- プログラミングを伴う演習を受講する意欲があれば,プログラミング経験は問わないが,PCの基本的な使用方法を習得していること,何らかのソフトウェアをダウンロードした経験があることが望ましい. - 各自のノートPC等の持ち込みを前提とする. |
|||||||||||||||||||
(成績評価の方法・観点及び達成度)
演習で扱った情報分析・管理技術を理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.出席状況,ならびに毎週のレポートによってこの目標に到達しているかどうかを検証し,成績を算出する.
|
|||||||||||||||||||
(教科書)
特になし
|
|||||||||||||||||||
(参考書等)
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Database Systems: The Complete Book』
(Prentice Hall)
『An Introduction to Database Systems』
(Addison Wesley)
『データベースの基礎』
(オーム社)
『Search Engines: Information Retrieval in Practice』
(Addison-Wesley)
『Information Retrieval: Implementing and Evaluating Search Engines』
(The MIT Press)
『デザイニング・インタフェース〜 パターンによる実践的インタラクションデザイン 〜』
(オライリー・ジャパン)
『ビジュアライジング・データ Processingによる情報視覚化手法』
(オライリー・ジャパン)
『Search User Interfaces』
(Cambridge University Press)
|
|||||||||||||||||||
(授業外学習(予習・復習)等)
必要な場合は授業中に指定する.
|
|||||||||||||||||||
(その他(オフィスアワー等))
- 前期・後期共に同一内容のリピート科目である.
- 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
|||||||||||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
Introduction to Algorithms and Informatics
|
(英 訳) | Introduction to Algorithms and Informatics | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 英語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・前期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 理系向 | ||||||
(曜時限) | 火1 |
||||||
(教室) | 総合研究8号館講義室3 | ||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | An algorithm is a well-defined procedure for solving a computational problem. Reliable algorithms have become crucial components of people's daily lives; for example, the Internet or our smartphones would not work without them. The purpose of this course is to provide a basic introduction to algorithms for graduate students. General techniques for designing algorithms and analyzing their efficiency, as well as examples of widely used algorithms with important real-life applications, will be presented. |
||||||
(到達目標) | After completing this course, the student should be able to: - Apply various algorithm design techniques for solving computational problems. - Prove the correctness of an algorithm and measure its efficiency. - Explain how famous algorithms such as Prim's algorithm, Quicksort, the Karp-Rabin algorithm, and Graham's scan work. |
||||||
(授業計画と内容) | The course will cover the following topics: 1. Introduction 2. Divide-and-Conquer 3. Greedy Algorithms 4. Dynamic Programming 5. Randomized Algorithms 6. Advanced Sorting Algorithms 7. Hash Tables 8. Amortized Analysis 9. String Matching 10. Efficient Data Structures 11. Computational Geometry 12. NP-Completeness 13. Approximation Algorithms 14. Course summary and Q & A session < 15. Feedback |
||||||
(履修要件) |
An ability to think abstractly and to solve problems of a mathematical nature will be required for this course.
No programming skills are needed. |
||||||
(成績評価の方法・観点及び達成度) | A written examination at the end of the course. |
||||||
(教科書) |
使用しない
|
||||||
(参考書等) |
『Introduction to Algorithms, 3rd Edition』
(The MIT Press, 2009)
ISBN:978-0262033848
『Real-World Algorithms - A Beginner's Guide』
(The MIT Press, 2017)
ISBN:978-0262035705
|
||||||
(授業外学習(予習・復習)等) | Students will be expected to spend about 5 hours per week to prepare for and review the lessons. |
||||||
(その他(オフィスアワー等)) | |||||||
Introduction to Algorithms and Informatics
(科目名)
Introduction to Algorithms and Informatics
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 英語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 理系向 |
|||||||
(曜時限)
火1 (教室) 総合研究8号館講義室3 |
|||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
An algorithm is a well-defined procedure for solving a computational problem.
Reliable algorithms have become crucial components of people's daily lives; for example, the Internet or our smartphones would not work without them. The purpose of this course is to provide a basic introduction to algorithms for graduate students. General techniques for designing algorithms and analyzing their efficiency, as well as examples of widely used algorithms with important real-life applications, will be presented. |
|||||||
(到達目標)
After completing this course, the student should be able to:
- Apply various algorithm design techniques for solving computational problems. - Prove the correctness of an algorithm and measure its efficiency. - Explain how famous algorithms such as Prim's algorithm, Quicksort, the Karp-Rabin algorithm, and Graham's scan work. |
|||||||
(授業計画と内容)
The course will cover the following topics: 1. Introduction 2. Divide-and-Conquer 3. Greedy Algorithms 4. Dynamic Programming 5. Randomized Algorithms 6. Advanced Sorting Algorithms 7. Hash Tables 8. Amortized Analysis 9. String Matching 10. Efficient Data Structures 11. Computational Geometry 12. NP-Completeness 13. Approximation Algorithms 14. Course summary and Q & A session < 15. Feedback |
|||||||
(履修要件)
An ability to think abstractly and to solve problems of a mathematical nature will be required for this course.
No programming skills are needed. |
|||||||
(成績評価の方法・観点及び達成度)
A written examination at the end of the course.
|
|||||||
(教科書)
使用しない
|
|||||||
(参考書等)
『Introduction to Algorithms, 3rd Edition』
(The MIT Press, 2009)
ISBN:978-0262033848
『Real-World Algorithms - A Beginner's Guide』
(The MIT Press, 2017)
ISBN:978-0262035705
|
|||||||
(授業外学習(予習・復習)等)
Students will be expected to spend about 5 hours per week to prepare for and review the lessons.
|
|||||||
(その他(オフィスアワー等))
|
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
数理統計学 -データサイエンス1-
|
(英 訳) | Mathematical Statistics -Data Science 1- | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語及び英語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・前期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 火2 |
||||||
(教室) | 東一条館201大講義室 | ||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 経済や社会の様々な要因が絡み合うグローバル問題を解明するためには、データに潜む真理を探し出す統計解析が必須である。そのために有用な解析手法、特に多変量分析と時系列分析の基本を理解し、それらの具体的な応用事例を学習する。 【研究科横断型教育の概要・目的】 本講義では、データサイエンスの基本となるリテラシーとマイニングについて学ぶことを目的とする。同時に、英語と日本語を交えた講義により、この分野における英語能力の向上にも努める。 Statistical analysis to find the truth behind the data is indispensable to elucidate global problems involving various economic and social factors. This course aims to provide students with a basic understanding of useful analysis methods, especially multivariate analysis and time series analysis, and to study these methods' specific applications. This course is designed to provide students with an understanding of the fundamentals of statistical analysis, especially multivariate and time series analysis, and to learn specific applications of these techniques. In this course, students will learn about literacy and mining, which are the basics of data science. At the same time, we will strive to improve English proficiency in this field through English and Japanese lectures. |
||||||
(到達目標) | 統計解析の理論を理解した上で、学生各自が興味を持つ問題について統計ソフトRで解析できるようになる。 With an understanding of statistical analysis theory, students will be able to use statistical software R to analyze problems of interest to each student. |
||||||
(授業計画と内容) | 【第1回】イントロダクション :多変量分析と時系列分析 Introduction: Multivariate analysis and time series analysis 【第2回】データ科学のコンセプト:データ収集(調査,実験),解析,モデル化 Concept of data science: data acquisition, analysis, and modeling 【第3回】統計ソフトウエア R Statistical analysis software R 【第4回】統計量と分布 Statistical quantity and distribution 【第5回】討論①:問題設定とグループ化 (データ) Discussion 1: Problem setting and grouping 【第6回】回帰分析①:事例研究,学ぶべきポイント Regression analysis 1: Case studies, what to learn 【第7回】推定と検定 Estimation and test 【第8回】回帰分析②:単回帰, ANOVA Regression analysis 2: Single-regression and ANOVA 【第9回】回帰分析③:重回帰,多重共線性 Regression analysis 3: Multi-regression and multi-collinearity 【第10回】主成分分析:相関行列,固有値問題 Principal component analysis, correlation matrix, and the eigenvalue problem 【第11回】討論②:データ可視化 (グラフ,基本統計量) Discussion 2: Data visualization 【第12回】時系列分析①:事例研究,学ぶべきポイント Time series analysis 1: Case studies, what to learn 【第13回】時系列分析②:定常性,ARモデル Time series analysis 2: Stationarity, ARIMA model, and maximum-likelihood 【第14回】時系列分析③:ARIMAモデル,最尤法,VAR Time series analysis 3: Vector Auto Regression model and Impulse Response 【第15回】討論③:解析結果 Discussion 3: Analysis Results |
||||||
(履修要件) |
特になし
|
||||||
(成績評価の方法・観点及び達成度) | 平常点と最終回に提示するレポートにより評価する。 | ||||||
(教科書) |
印刷資料を配布する。
|
||||||
(参考書等) |
随時必要に応じて文献を紹介する。
|
||||||
(関連URL) |
https://www.gsais-nsrg.com/
https://www.gsais.kyoto-u.ac.jp/staff/ikeda/ |
||||||
(授業外学習(予習・復習)等) | 討論の準備を授業外学習として行うこと。 | ||||||
(その他(オフィスアワー等)) | 文系、理系を問わず、広い分野の学生の受講を期待する。 池田 裕一 ikeda.yuichi.2w@kyoto-u.ac.jp |
||||||
数理統計学 -データサイエンス1-
(科目名)
Mathematical Statistics -Data Science 1-
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語及び英語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
火2 (教室) 東一条館201大講義室 |
|||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
経済や社会の様々な要因が絡み合うグローバル問題を解明するためには、データに潜む真理を探し出す統計解析が必須である。そのために有用な解析手法、特に多変量分析と時系列分析の基本を理解し、それらの具体的な応用事例を学習する。
【研究科横断型教育の概要・目的】 本講義では、データサイエンスの基本となるリテラシーとマイニングについて学ぶことを目的とする。同時に、英語と日本語を交えた講義により、この分野における英語能力の向上にも努める。 Statistical analysis to find the truth behind the data is indispensable to elucidate global problems involving various economic and social factors. This course aims to provide students with a basic understanding of useful analysis methods, especially multivariate analysis and time series analysis, and to study these methods' specific applications. This course is designed to provide students with an understanding of the fundamentals of statistical analysis, especially multivariate and time series analysis, and to learn specific applications of these techniques. In this course, students will learn about literacy and mining, which are the basics of data science. At the same time, we will strive to improve English proficiency in this field through English and Japanese lectures. |
|||||||
(到達目標)
統計解析の理論を理解した上で、学生各自が興味を持つ問題について統計ソフトRで解析できるようになる。
With an understanding of statistical analysis theory, students will be able to use statistical software R to analyze problems of interest to each student. |
|||||||
(授業計画と内容)
【第1回】イントロダクション :多変量分析と時系列分析 Introduction: Multivariate analysis and time series analysis 【第2回】データ科学のコンセプト:データ収集(調査,実験),解析,モデル化 Concept of data science: data acquisition, analysis, and modeling 【第3回】統計ソフトウエア R Statistical analysis software R 【第4回】統計量と分布 Statistical quantity and distribution 【第5回】討論①:問題設定とグループ化 (データ) Discussion 1: Problem setting and grouping 【第6回】回帰分析①:事例研究,学ぶべきポイント Regression analysis 1: Case studies, what to learn 【第7回】推定と検定 Estimation and test 【第8回】回帰分析②:単回帰, ANOVA Regression analysis 2: Single-regression and ANOVA 【第9回】回帰分析③:重回帰,多重共線性 Regression analysis 3: Multi-regression and multi-collinearity 【第10回】主成分分析:相関行列,固有値問題 Principal component analysis, correlation matrix, and the eigenvalue problem 【第11回】討論②:データ可視化 (グラフ,基本統計量) Discussion 2: Data visualization 【第12回】時系列分析①:事例研究,学ぶべきポイント Time series analysis 1: Case studies, what to learn 【第13回】時系列分析②:定常性,ARモデル Time series analysis 2: Stationarity, ARIMA model, and maximum-likelihood 【第14回】時系列分析③:ARIMAモデル,最尤法,VAR Time series analysis 3: Vector Auto Regression model and Impulse Response 【第15回】討論③:解析結果 Discussion 3: Analysis Results |
|||||||
(履修要件)
特になし
|
|||||||
(成績評価の方法・観点及び達成度)
平常点と最終回に提示するレポートにより評価する。
|
|||||||
(教科書)
印刷資料を配布する。
|
|||||||
(参考書等)
随時必要に応じて文献を紹介する。
|
|||||||
(授業外学習(予習・復習)等)
討論の準備を授業外学習として行うこと。
|
|||||||
(その他(オフィスアワー等))
文系、理系を問わず、広い分野の学生の受講を期待する。
池田 裕一 ikeda.yuichi.2w@kyoto-u.ac.jp |
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
統計的システム論
|
(英 訳) | Statistical Systems Theory | ||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||
(群) | 院横断 | ||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||
(使用言語) | 日本語 | ||||||||||||
(旧群) | |||||||||||||
(単位数) | 2 単位 | ||||||||||||
(週コマ数) | 1 コマ | ||||||||||||
(授業形態) | 講義 | ||||||||||||
(開講年度・開講期) | 2024・前期 | ||||||||||||
(配当学年) | 大学院生 | ||||||||||||
(対象学生) | 理系向 | ||||||||||||
(曜時限) | 水1 |
||||||||||||
(教室) | 工学部総合校舎102 | ||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||
(授業の概要・目的) | 確率モデルを通してデータから推測,予測,決定を行うための統計的手法や,その数理的側面を解説する.特に,前半ではバンディットアルゴリズムによる動的意思決定法について,後半では情報量規準によるモデル選択やリサンプリング法について扱う. | ||||||||||||
(到達目標) | ・新たな応用問題に統計科学の手法を適用できるようになる. ・新たな統計科学の手法を発展させる基礎力を身につける. |
||||||||||||
(授業計画と内容) | 第1回:離散分布の大偏差原理,タイプの理論,条件付き極限定理(担当:本多) 第2回:連続分布の大偏差原理,Cramerの定理(担当:本多) 第3回:Sanovの定理,KL情報量の解釈(担当:本多) 第4回:指数型分布族,共役事前分布,事後分布の導出(担当:本多) 第5回:バンディット問題,UCBアルゴリズムとトンプソンサンプリング,リグレットの下界と上界(担当:本多) 第6回:線形バンディット問題,ロジスティックモデル,ラプラス近似(担当:本多) 第7回:バンディット問題の応用,最適腕識別,ガウス過程,ベイズ最適化(担当:本多) 第8回:線形回帰モデル,最小2乗法,確率モデルと最尤法,尤度原理,モデルの包含関係(担当:下平) 第9回:尤度比検定,赤池情報量規準AIC,エントロピー,カルバック・ライブラ情報量(担当:下平) 第10回:幾何的なイメージ,最適パラメータと射影,KL情報量の展開,ピタゴラスの定理,MLEと射影,一致性(担当:下平) 第11回:最尤推定量の漸近正規性,フィッシャー情報行列,予測分布,損失,リスクの導出(担当:下平) 第12回:情報量規準TICの導出,AICの導出(担当:下平) 第13回:クロスバリデーション,ベイズ情報量規準(担当:下平) 第14回:AICのばらつき,ブートストラップ,モデル選択の検定,多重比較,モデル選択のシミュレーションとブートストラップ確率,マルチスケール・ブートストラップ(担当:下平) 第15回:ディスカッション(担当:下平,本多) 定期試験は実施しない |
||||||||||||
(履修要件) |
特になし
|
||||||||||||
(成績評価の方法・観点及び達成度) | 講義で説明する基本的な概念についての理解をレポートにもとづいて評価する. | ||||||||||||
(教科書) |
使用しない
資料配布等する.
|
||||||||||||
(参考書等) |
『モデル選択 予測・検定・推定の交差点 (統計科学のフロンティア 3)』
(岩波書店)
ISBN:4000068431
(本講義準拠.)
『統計学への確率論、その先へ—ゼロからの測度論的理解と漸近理論への架け橋』
(内田老鶴圃)
ISBN:4753601250
(やや高度.統計的漸近理論で必要となるオーダー表記なども説明されている.)
『統計モデルと推測 (データサイエンス入門シリーズ)』
(講談社)
ISBN:4065178029
(基本事項のまとめ,確認によい.)
『情報量規準 (シリーズ・予測と発見の科学) 』
(朝倉書店)
ISBN:4254127820
(良い本 だが,本講義とは導出のながれと記号がことなるので,レポート作成時などは注意が必要.)
『赤池情報量規準AIC—モデリング・予測・知識発見』
(共立出版)
ISBN:4320121902
(考え方の参考になるかも.)
『バンディット問題の理論とアルゴリズム』
(講談社サイエンティフィク)
ISBN:9784061529175
|
||||||||||||
(授業外学習(予習・復習)等) | 講義で学ぶだけでなく,実際のデータ解析を試みること. |
||||||||||||
(その他(オフィスアワー等)) | オフィスアワーの詳細は別途指示する. |
||||||||||||
統計的システム論
(科目名)
Statistical Systems Theory
(英 訳)
|
|
|||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | ||||||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | ||||||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 理系向 |
||||||||||
(曜時限)
水1 (教室) 工学部総合校舎102 |
||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | ||||||||||
(授業の概要・目的)
確率モデルを通してデータから推測,予測,決定を行うための統計的手法や,その数理的側面を解説する.特に,前半ではバンディットアルゴリズムによる動的意思決定法について,後半では情報量規準によるモデル選択やリサンプリング法について扱う.
|
||||||||||
(到達目標)
・新たな応用問題に統計科学の手法を適用できるようになる.
・新たな統計科学の手法を発展させる基礎力を身につける. |
||||||||||
(授業計画と内容)
第1回:離散分布の大偏差原理,タイプの理論,条件付き極限定理(担当:本多) 第2回:連続分布の大偏差原理,Cramerの定理(担当:本多) 第3回:Sanovの定理,KL情報量の解釈(担当:本多) 第4回:指数型分布族,共役事前分布,事後分布の導出(担当:本多) 第5回:バンディット問題,UCBアルゴリズムとトンプソンサンプリング,リグレットの下界と上界(担当:本多) 第6回:線形バンディット問題,ロジスティックモデル,ラプラス近似(担当:本多) 第7回:バンディット問題の応用,最適腕識別,ガウス過程,ベイズ最適化(担当:本多) 第8回:線形回帰モデル,最小2乗法,確率モデルと最尤法,尤度原理,モデルの包含関係(担当:下平) 第9回:尤度比検定,赤池情報量規準AIC,エントロピー,カルバック・ライブラ情報量(担当:下平) 第10回:幾何的なイメージ,最適パラメータと射影,KL情報量の展開,ピタゴラスの定理,MLEと射影,一致性(担当:下平) 第11回:最尤推定量の漸近正規性,フィッシャー情報行列,予測分布,損失,リスクの導出(担当:下平) 第12回:情報量規準TICの導出,AICの導出(担当:下平) 第13回:クロスバリデーション,ベイズ情報量規準(担当:下平) 第14回:AICのばらつき,ブートストラップ,モデル選択の検定,多重比較,モデル選択のシミュレーションとブートストラップ確率,マルチスケール・ブートストラップ(担当:下平) 第15回:ディスカッション(担当:下平,本多) 定期試験は実施しない |
||||||||||
(履修要件)
特になし
|
||||||||||
(成績評価の方法・観点及び達成度)
講義で説明する基本的な概念についての理解をレポートにもとづいて評価する.
|
||||||||||
(教科書)
使用しない
資料配布等する.
|
||||||||||
(参考書等)
『モデル選択 予測・検定・推定の交差点 (統計科学のフロンティア 3)』
(岩波書店)
ISBN:4000068431
(本講義準拠.)
『統計学への確率論、その先へ—ゼロからの測度論的理解と漸近理論への架け橋』
(内田老鶴圃)
ISBN:4753601250
(やや高度.統計的漸近理論で必要となるオーダー表記なども説明されている.)
『統計モデルと推測 (データサイエンス入門シリーズ)』
(講談社)
ISBN:4065178029
(基本事項のまとめ,確認によい.)
『情報量規準 (シリーズ・予測と発見の科学) 』
(朝倉書店)
ISBN:4254127820
(良い本 だが,本講義とは導出のながれと記号がことなるので,レポート作成時などは注意が必要.)
『赤池情報量規準AIC—モデリング・予測・知識発見』
(共立出版)
ISBN:4320121902
(考え方の参考になるかも.)
『バンディット問題の理論とアルゴリズム』
(講談社サイエンティフィク)
ISBN:9784061529175
|
||||||||||
(授業外学習(予習・復習)等)
講義で学ぶだけでなく,実際のデータ解析を試みること.
|
||||||||||
(その他(オフィスアワー等))
オフィスアワーの詳細は別途指示する.
|
||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
情報社会論
|
(英 訳) | Information and Society | ||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||||||||
(群) | 院横断 | ||||||||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||||||||
(使用言語) | 日本語 | ||||||||||||||||||
(旧群) | |||||||||||||||||||
(単位数) | 2 単位 | ||||||||||||||||||
(週コマ数) | 1 コマ | ||||||||||||||||||
(授業形態) | 講義 | ||||||||||||||||||
(開講年度・開講期) | 2024・前期 | ||||||||||||||||||
(配当学年) | 大学院生 | ||||||||||||||||||
(対象学生) | 全学向 | ||||||||||||||||||
(曜時限) | 水2 |
||||||||||||||||||
(教室) | 総合研究7号館講義室2.3 | ||||||||||||||||||
情報学研究科, 経営管理大学院 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||
(授業の概要・目的) | 情報政策、情報と法制度、情報と経済、情報倫理、情報と教育など、情報技術の社会へのインパクトや社会との関わりについて講述する。これにより、受講者は、情報技術の歴史と動向、情報化社会の問題点、情報技術による社会革命、プライバシーとセキュリテイ、情報政策、知的財産権、専門家の論理と責任など、情報技術と社会とのかかわりについて、多角的に学習する。 | ||||||||||||||||||
(到達目標) | 情報政策、情報と法制度、情報と経済、情報倫理、情報と教育などに関して、情報技術の歴史と動向、情報化社会の問題点、情報技術による社会革命、プライバシーとセキュリティ、情報政策、知的財産権、専門家の倫理と責任など、情報技術と社会とのかかわりについて十分な知識を獲得する。 | ||||||||||||||||||
(授業計画と内容) | 情報と法(大手) 4回 情報と倫理/情報政策(神田) 4回 情報と教育(伊藤) 3回 情報と経済(吉川) 4回 |
||||||||||||||||||
(履修要件) |
特になし
|
||||||||||||||||||
(成績評価の方法・観点及び達成度) | 達成目標に対する達成度を、情報学研究科成績評価規定第7条による成績評価に則り行う。詳細は授業時に説明する。 | ||||||||||||||||||
(教科書) |
授業中に指示する
資料となるプリント等を講義の際に配布する。
|
||||||||||||||||||
(参考書等) |
『知的財産と技術経営』
(MOTテキストシリーズ)
|
||||||||||||||||||
(授業外学習(予習・復習)等) | 本科目の達成目標に到達するには、講義での学習のほかに予習・復習が必要である。 | ||||||||||||||||||
(その他(オフィスアワー等)) | オフィスアワーは時間設定はしないが、個別の質問・指導を希望する場合は担当教員に事前にメールにて日時調整を行うこと。 メールアドレス: 吉川 正俊 yoshikawa[AT]i.kyoto-u.ac.jp 大手 信人 nobu[AT]i.kyoto-u.ac.jp 神田 崇行 kanda[AT]i.kyoto-u.ac.jp 伊藤 孝行 ito[AT]i.kyoto-u.ac.jp (メールアドレスの,[AT]を@に変更すること。) ※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。 |
||||||||||||||||||
情報社会論
(科目名)
Information and Society
(英 訳)
|
|
||||||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||||||||
(曜時限)
水2 (教室) 総合研究7号館講義室2.3 |
|||||||||||||
情報学研究科, 経営管理大学院 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||
(授業の概要・目的)
情報政策、情報と法制度、情報と経済、情報倫理、情報と教育など、情報技術の社会へのインパクトや社会との関わりについて講述する。これにより、受講者は、情報技術の歴史と動向、情報化社会の問題点、情報技術による社会革命、プライバシーとセキュリテイ、情報政策、知的財産権、専門家の論理と責任など、情報技術と社会とのかかわりについて、多角的に学習する。
|
|||||||||||||
(到達目標)
情報政策、情報と法制度、情報と経済、情報倫理、情報と教育などに関して、情報技術の歴史と動向、情報化社会の問題点、情報技術による社会革命、プライバシーとセキュリティ、情報政策、知的財産権、専門家の倫理と責任など、情報技術と社会とのかかわりについて十分な知識を獲得する。
|
|||||||||||||
(授業計画と内容)
情報と法(大手) 4回 情報と倫理/情報政策(神田) 4回 情報と教育(伊藤) 3回 情報と経済(吉川) 4回 |
|||||||||||||
(履修要件)
特になし
|
|||||||||||||
(成績評価の方法・観点及び達成度)
達成目標に対する達成度を、情報学研究科成績評価規定第7条による成績評価に則り行う。詳細は授業時に説明する。
|
|||||||||||||
(教科書)
授業中に指示する
資料となるプリント等を講義の際に配布する。
|
|||||||||||||
(参考書等)
『知的財産と技術経営』
(MOTテキストシリーズ)
|
|||||||||||||
(授業外学習(予習・復習)等)
本科目の達成目標に到達するには、講義での学習のほかに予習・復習が必要である。
|
|||||||||||||
(その他(オフィスアワー等))
オフィスアワーは時間設定はしないが、個別の質問・指導を希望する場合は担当教員に事前にメールにて日時調整を行うこと。
メールアドレス: 吉川 正俊 yoshikawa[AT]i.kyoto-u.ac.jp 大手 信人 nobu[AT]i.kyoto-u.ac.jp 神田 崇行 kanda[AT]i.kyoto-u.ac.jp 伊藤 孝行 ito[AT]i.kyoto-u.ac.jp (メールアドレスの,[AT]を@に変更すること。) ※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。 |
|||||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
統計科学基礎論
|
(英 訳) | Foundations of Statistical Science | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・前期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 木1 |
||||||
(教室) | 総合研究8号館講義室3 | ||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 本講義では、近年のデータサイエンスにおいて中心的な役割を果たしているさまざまな統計モデルの理論的背景と実装法の修得を目的とする。統計学の基礎知識が十分でない学生にも配慮し、講義前半では確率・確率過程の基礎から出発し、線形回帰モデルの一般形として様々な統計モデルを導入し、データ例を交えながら解説を行う。回帰モデルの近年の機械学習分野への展開についても解説を行う。後半では、ベイズモデルとその推測の基礎理論と、その機械学習分野への応用に関する解説を行う。 | ||||||
(到達目標) | 1. 各統計モデルの理論的背景を理解し、データが与えられたときに適切なモデルを用いて分析を行う能力を身につける。 2. 多くの統計モデルは線形回帰モデルの一般形として解釈が可能である。各モデルが線形回帰モデルの何を一般化したもので、それがどのような実問題に対応するのかを理解する。 |
||||||
(授業計画と内容) | 【授業計画と内容】 1. 確率論の基礎:確率変数、確率分布、条件付確率分布、ベイズの定理 2. 多次元確率分布と極限定理:モーメント、極限定理、確率論における収束の概念 3. 統計的推測の基礎:点推定、最尤推定、尤度比検定 4. 線形回帰モデル(1):最小二乗法、最小二乗推定量の統計的性質 5. 線形回帰モデル(2):複合仮説の検定、線形射影、操作変数法 6. 統計的因果推論:反実仮想モデル、強い意味での無視可能性条件、識別可能性、傾向スコア法 7. 制限従属変数モデル:二項選択モデル、多項選択モデル、打ち切り回帰モデル、ポアソン回帰モデル 8. 一般化モーメント法:MM法、GMM法、経験尤度法、因果推論への応用 9. 分位点回帰モデル:チェック関数、LAD推定量 10. 部分識別法:因果効果の部分識別、ゲーム理論モデル 11. ベイズ推測:ベイズの定理、ベイズ学習 12. ベイズ学習の一般論:共役事前分布、無情報事前分布 13. 無情報事前分布、マルコフ連鎖:ジェフリーズ事前分布、推移確率、定常分布、極限分布 14. 事後分布からのサンプリング:MCMC法、ギブスサンプリング 15. さまざまなベイズモデル:回帰モデル、階層ベイズモデル、トピックモデル、隠れマルコフモデル <期末レポート作成> 受講者の理解度に応じて、多少内容を変更したり、順序が前後することはあり得る。 |
||||||
(履修要件) |
特になし
|
||||||
(成績評価の方法・観点及び達成度) | レポートにより評価する。レポートは月一回出題し、4月〜6月は20点x3、7月の期末レポートは40点x1の合計点によって評価をする。 期末レポートの提出がない場合は不合格とする。 |
||||||
(教科書) |
使用しない
|
||||||
(参考書等) |
授業中に紹介する
|
||||||
(授業外学習(予習・復習)等) | 講義資料と講義内で紹介する参考書を用いて予習・復習を行う。 | ||||||
(その他(オフィスアワー等)) | 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 質問にはオンラインも含め、柔軟に対応する。 |
||||||
統計科学基礎論
(科目名)
Foundations of Statistical Science
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
木1 (教室) 総合研究8号館講義室3 |
|||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
本講義では、近年のデータサイエンスにおいて中心的な役割を果たしているさまざまな統計モデルの理論的背景と実装法の修得を目的とする。統計学の基礎知識が十分でない学生にも配慮し、講義前半では確率・確率過程の基礎から出発し、線形回帰モデルの一般形として様々な統計モデルを導入し、データ例を交えながら解説を行う。回帰モデルの近年の機械学習分野への展開についても解説を行う。後半では、ベイズモデルとその推測の基礎理論と、その機械学習分野への応用に関する解説を行う。
|
|||||||
(到達目標)
1. 各統計モデルの理論的背景を理解し、データが与えられたときに適切なモデルを用いて分析を行う能力を身につける。
2. 多くの統計モデルは線形回帰モデルの一般形として解釈が可能である。各モデルが線形回帰モデルの何を一般化したもので、それがどのような実問題に対応するのかを理解する。 |
|||||||
(授業計画と内容)
【授業計画と内容】 1. 確率論の基礎:確率変数、確率分布、条件付確率分布、ベイズの定理 2. 多次元確率分布と極限定理:モーメント、極限定理、確率論における収束の概念 3. 統計的推測の基礎:点推定、最尤推定、尤度比検定 4. 線形回帰モデル(1):最小二乗法、最小二乗推定量の統計的性質 5. 線形回帰モデル(2):複合仮説の検定、線形射影、操作変数法 6. 統計的因果推論:反実仮想モデル、強い意味での無視可能性条件、識別可能性、傾向スコア法 7. 制限従属変数モデル:二項選択モデル、多項選択モデル、打ち切り回帰モデル、ポアソン回帰モデル 8. 一般化モーメント法:MM法、GMM法、経験尤度法、因果推論への応用 9. 分位点回帰モデル:チェック関数、LAD推定量 10. 部分識別法:因果効果の部分識別、ゲーム理論モデル 11. ベイズ推測:ベイズの定理、ベイズ学習 12. ベイズ学習の一般論:共役事前分布、無情報事前分布 13. 無情報事前分布、マルコフ連鎖:ジェフリーズ事前分布、推移確率、定常分布、極限分布 14. 事後分布からのサンプリング:MCMC法、ギブスサンプリング 15. さまざまなベイズモデル:回帰モデル、階層ベイズモデル、トピックモデル、隠れマルコフモデル <期末レポート作成> 受講者の理解度に応じて、多少内容を変更したり、順序が前後することはあり得る。 |
|||||||
(履修要件)
特になし
|
|||||||
(成績評価の方法・観点及び達成度)
レポートにより評価する。レポートは月一回出題し、4月〜6月は20点x3、7月の期末レポートは40点x1の合計点によって評価をする。
期末レポートの提出がない場合は不合格とする。 |
|||||||
(教科書)
使用しない
|
|||||||
(参考書等)
授業中に紹介する
|
|||||||
(授業外学習(予習・復習)等)
講義資料と講義内で紹介する参考書を用いて予習・復習を行う。
|
|||||||
(その他(オフィスアワー等))
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 質問にはオンラインも含め、柔軟に対応する。 |
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
イノベーションと情報
|
(英 訳) | Innovation and Information | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・前期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 木5 |
||||||
(教室) | 共東11 | ||||||
情報学研究科, 経営管理大学院 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 研究や技術開発をを含むイノベーションに関する理論を、情報活用につながるよう体系的に概観する。 したがって受講者は文系・理系を問わず、また製造業志望・非製造業志望も問わない。 【研究科横断型教育の概要・目的】 広い視野と新しい学問領域を創造する能力(俯瞰力と独創力)をもつ大学院生を養成する授業科目である。 経済学や経営学(経営戦略、経営組織、マーケティングなど)の基礎知識があれば望ましいが、そうでない場合も履修に支障を来すことはない。 |
||||||
(到達目標) | 主として企業で行われるイノベーションを、経営学のコンテクストで整理し、体系化したものとして理解する。 履修生は、技術系であろうと非技術系であろうと、また製造業志望であろうと非製造業志望であろうと、経営学の基本的な概念や用語についての理解を得る。さらには、履修生それぞれにとってのイノベーションや価値創造の背景や論理として、深い理解を得ることをより高い目標とする。 |
||||||
(授業計画と内容) | 各回のテーマやトピックスは、イノベーションや価値創造の背景や論理が理解できるよう、また、経営学の諸理論と技術開発との関連がよく理解できるよう選択してある。たとえば、 ・中央研究所の意義、 ・「研究」・「開発」分類、 ・製品アーキテクチャ論、 ・マーケティングと技術開発、 ・ナレッジマネジメントと技術開発、 ・戦略論と技術開発、 ・経営組織と技術開発、 ・日本型経営と日本人論、 ・技術者の倫理、 などなど。 受講者には、2回目以降、毎回、配布資料を読んで授業にのぞみ、積極的に発言することが期待される。 イントロダクション (第1回) ・イノベーションとは ・経営とは ・自然科学と社会科学 パラダイム〜科学の構造 (第2回) ・『科学革命の構造』 ・『科学的発見の論理』 中央研究所の成立と今後 (第3回) ・『中央研究所の時代の終焉』 ・コーポレートR&DとディビジョンR&D ・OECDによる定義 ・セレンディピティー ・リニアモデルと連鎖モデル 「オープンイノベーション」 (第4回) ・オープンイノベーションとクローズドイノベーション 「パズル理論」 (第5回) ・技術者と事務系社員の技術観の相違 ・技術への投資の意思決定の実際 「イノベーションのジレンマ」 (第6回) ・『イノベーションのジレンマ : 技術革新が巨大企業を滅ぼすとき』 マーケティングと技術開発 (第7回) ・「マーケティング近視眼」 ・STP(Strategy/Target/Positioning)マーケティング ナレッジマネジメントと技術開発 (第8回) ・知の伝達の成否・コンカレントエンジニアリング 中間まとめと演習 (第9回) 経営戦略論と情報応用 (第10回) ・経営戦略とは ・合理性、非合理性、愚直、 ・技術者の評価とモチベーション、デュアルラダー 経営組織と技術開発 (第11回) ・技術人材マネジメント ・技術者評価とモチベーション ・デュアルラダー 経営組織と日本型経営 (第12回) ・「組織能力と製品アーキテクチャ」 ・技術担当者のメンタリティ ・西洋との対比 デジタル技術とテクノヘゲモニー (第13回) ・『テクノヘゲモニー - 国は技術で興り、滅びる』 まとめ(技術者の倫理観 / Q&A)(第14回) ・科学における不正行為 ・Q&A フィードバック (第15回) 4月11日の第1回は、下記のイベントに参加し、 後に200文字程度のレポートを、授業で担当教員 に提出することで、出席としてカウントします。 https://www.project.gsm.kyoto-u.ac.jp/pib/news/917/ 京都大学情報学ビジネス実践講座 新歓オープンイベント 4月11日(木)17:00-18:45 京都大学時計台記念館1階 百周年記念ホール 「情報こそがビジネスを制する」〜ITと企業のこれからの”生の声”を知る〜 第1部 記念講演「AI時代は大学を使いこなす人が生き残る」 中村伊知哉氏 iU学長 第2部 パネルディスカッション〜企業の”生の声”を聴く 登壇企業:ANA・ANAシステムズ、NTTデータグループ、DMG森精機、東京海上日動システムズ、日本総合研究所、日本電気 |
||||||
(履修要件) |
特になし。ただし、経営学(経営戦略、経営組織、マーケティングなど)の基礎的な知識があれば望ましい。
|
||||||
(成績評価の方法・観点及び達成度) | 下記の順に考慮して決定する予定。 ただし、授業の2/3以上に出席しなければ、単位付与の対象外となる。 ① 前半終りの演習(小テスト形式) 30%程度 ② 期末レポート 30%程度 ③ 授業への貢献(議論への積極的参加・発言) 40%程度 |
||||||
(教科書) |
『パズル理論』
(白桃書房)
ISBN:978-4561266136
その他授業で用いるものは、適宜配布する。
下記「参考文献」参照。
|
||||||
(参考書等) |
『イノベーション・マネジメント入門』
(日本経済新聞社)
ISBN:978-4532132231
『イノベーションのジレンマ: 技術革新が巨大企業を滅ぼすとき』
(翔泳社)
ISBN:978-4798100234
|
||||||
(授業外学習(予習・復習)等) | 2週目以降、次の週までの課題として文献や記事などを配布し、かつそれに伴う考察テーマを示す。受講者は課題を熟読し、テーマに沿って自分の考えを整理して授業に臨むこと。この姿勢がなければ、学習効果は半減する。 | ||||||
(その他(オフィスアワー等)) | 開講時限の前後の1時間を原則としてオフィスアワーとする。その他の時間についてはメールでのアポイントを経ることとする。 | ||||||
イノベーションと情報
(科目名)
Innovation and Information
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・前期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
木5 (教室) 共東11 |
|||||||
情報学研究科, 経営管理大学院 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
研究や技術開発をを含むイノベーションに関する理論を、情報活用につながるよう体系的に概観する。 したがって受講者は文系・理系を問わず、また製造業志望・非製造業志望も問わない。
【研究科横断型教育の概要・目的】 広い視野と新しい学問領域を創造する能力(俯瞰力と独創力)をもつ大学院生を養成する授業科目である。 経済学や経営学(経営戦略、経営組織、マーケティングなど)の基礎知識があれば望ましいが、そうでない場合も履修に支障を来すことはない。 |
|||||||
(到達目標)
主として企業で行われるイノベーションを、経営学のコンテクストで整理し、体系化したものとして理解する。
履修生は、技術系であろうと非技術系であろうと、また製造業志望であろうと非製造業志望であろうと、経営学の基本的な概念や用語についての理解を得る。さらには、履修生それぞれにとってのイノベーションや価値創造の背景や論理として、深い理解を得ることをより高い目標とする。 |
|||||||
(授業計画と内容)
各回のテーマやトピックスは、イノベーションや価値創造の背景や論理が理解できるよう、また、経営学の諸理論と技術開発との関連がよく理解できるよう選択してある。たとえば、 ・中央研究所の意義、 ・「研究」・「開発」分類、 ・製品アーキテクチャ論、 ・マーケティングと技術開発、 ・ナレッジマネジメントと技術開発、 ・戦略論と技術開発、 ・経営組織と技術開発、 ・日本型経営と日本人論、 ・技術者の倫理、 などなど。 受講者には、2回目以降、毎回、配布資料を読んで授業にのぞみ、積極的に発言することが期待される。 イントロダクション (第1回) ・イノベーションとは ・経営とは ・自然科学と社会科学 パラダイム〜科学の構造 (第2回) ・『科学革命の構造』 ・『科学的発見の論理』 中央研究所の成立と今後 (第3回) ・『中央研究所の時代の終焉』 ・コーポレートR&DとディビジョンR&D ・OECDによる定義 ・セレンディピティー ・リニアモデルと連鎖モデル 「オープンイノベーション」 (第4回) ・オープンイノベーションとクローズドイノベーション 「パズル理論」 (第5回) ・技術者と事務系社員の技術観の相違 ・技術への投資の意思決定の実際 「イノベーションのジレンマ」 (第6回) ・『イノベーションのジレンマ : 技術革新が巨大企業を滅ぼすとき』 マーケティングと技術開発 (第7回) ・「マーケティング近視眼」 ・STP(Strategy/Target/Positioning)マーケティング ナレッジマネジメントと技術開発 (第8回) ・知の伝達の成否・コンカレントエンジニアリング 中間まとめと演習 (第9回) 経営戦略論と情報応用 (第10回) ・経営戦略とは ・合理性、非合理性、愚直、 ・技術者の評価とモチベーション、デュアルラダー 経営組織と技術開発 (第11回) ・技術人材マネジメント ・技術者評価とモチベーション ・デュアルラダー 経営組織と日本型経営 (第12回) ・「組織能力と製品アーキテクチャ」 ・技術担当者のメンタリティ ・西洋との対比 デジタル技術とテクノヘゲモニー (第13回) ・『テクノヘゲモニー - 国は技術で興り、滅びる』 まとめ(技術者の倫理観 / Q&A)(第14回) ・科学における不正行為 ・Q&A フィードバック (第15回) 4月11日の第1回は、下記のイベントに参加し、 後に200文字程度のレポートを、授業で担当教員 に提出することで、出席としてカウントします。 https://www.project.gsm.kyoto-u.ac.jp/pib/news/917/ 京都大学情報学ビジネス実践講座 新歓オープンイベント 4月11日(木)17:00-18:45 京都大学時計台記念館1階 百周年記念ホール 「情報こそがビジネスを制する」〜ITと企業のこれからの”生の声”を知る〜 第1部 記念講演「AI時代は大学を使いこなす人が生き残る」 中村伊知哉氏 iU学長 第2部 パネルディスカッション〜企業の”生の声”を聴く 登壇企業:ANA・ANAシステムズ、NTTデータグループ、DMG森精機、東京海上日動システムズ、日本総合研究所、日本電気 |
|||||||
(履修要件)
特になし。ただし、経営学(経営戦略、経営組織、マーケティングなど)の基礎的な知識があれば望ましい。
|
|||||||
(成績評価の方法・観点及び達成度)
下記の順に考慮して決定する予定。
ただし、授業の2/3以上に出席しなければ、単位付与の対象外となる。 ① 前半終りの演習(小テスト形式) 30%程度 ② 期末レポート 30%程度 ③ 授業への貢献(議論への積極的参加・発言) 40%程度 |
|||||||
(教科書)
『パズル理論』
(白桃書房)
ISBN:978-4561266136
その他授業で用いるものは、適宜配布する。
下記「参考文献」参照。
|
|||||||
(参考書等)
『イノベーション・マネジメント入門』
(日本経済新聞社)
ISBN:978-4532132231
『イノベーションのジレンマ: 技術革新が巨大企業を滅ぼすとき』
(翔泳社)
ISBN:978-4798100234
|
|||||||
(授業外学習(予習・復習)等)
2週目以降、次の週までの課題として文献や記事などを配布し、かつそれに伴う考察テーマを示す。受講者は課題を熟読し、テーマに沿って自分の考えを整理して授業に臨むこと。この姿勢がなければ、学習効果は半減する。
|
|||||||
(その他(オフィスアワー等))
開講時限の前後の1時間を原則としてオフィスアワーとする。その他の時間についてはメールでのアポイントを経ることとする。
|
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
ビジネスアナリティクス応用
|
(英 訳) | Application of Practical Business Analytics | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語及び英語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・後期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 月3 |
||||||
(教室) | 東一条館201大講義室 | ||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 本講義では、受講者がデータドリブンな思考力・解決力を身につけることにより、SDGsをはじめとする社会課題の解決に資するAI人材の育成を主眼に置き、そのベーススキルを固めることを目的とする。具体的には、豊富なAI社会実装実績を持つアクセンチュア株式会社が教材を作成し、ビジネスにおけるデータサイエンス・AI活用の概要と事例の紹介、基本的なデータ分析手法と機械学習に関する講義、そしてデータ分析演習を想定している。本講義は、前期に開講する内容の応用編で、深層学習や画像認識など高度な技術についても触れる。 The purpose of this lecture is to cultivate the basic skills for AI analysts who can contribute to solving social issues such as the SDGs by acquiring data-driven thinking. Specifically, by its original course materials, Accenture Japan Ltd, which has a wealth of experience in AI implementation, will introduce an overview of data science and AI applications in business, and lecture on basic data analysis methods and machine learning with practical data analysis exercises. In this lecture we develop applicational skill through deep learning module and image processing. |
||||||
(到達目標) | まずは国内外含めたデータサイエンス・AI活用の事例を知り、実際のビジネスにおける重要性を理解する。そして座学と演習を通して、分析プロジェクトの一連の流れを学ぶことを目標とする。具体的には、課題定義や仮説立案などデータドリブンな思考の習得と、Pythonを用いたデータ処理およびモデル構築のスキル習得、特に、本講義においては深層学習などを用いた画像認識の習得をゴールとする。 First, students will learn about various examples of data science and AI applications, and understand their importance in actual business. Then, through classroom lectures and exercises, students aim to understand a series of analytical project flows. Specifically, students will acquire the way of data-driven thinking such as issue definition and hypothesis formulation and data processing and model building skills using Python, especially focusing on deep learning and image processing skills. |
||||||
(授業計画と内容) | 【第1回】AI・データサイエンス概論・応用編 Introduction to AI and Data science 【第2回】データ分析実務の全体像①(分析プロジェクトとは・課題定義・応用編) Overview of data analysis practices (1) (Analysis project & Defining issues) 【第3回】データ分析実務の全体像②(仮説立案・示唆導出) Overview of data analysis practices (2) (Formulating hypothesis & Suggesting) 【第4回】データ収集・加工・探索 Data collection, processing, and exploration 【第5回】Pythonコーディングの復習① Python basics (1) 【第6回】Pythonコーディングの復習② Python basics (2) 【第7回】教師なし学習(クラスター分析)① Unsupervised learning (Clustering) (1) 【第8回】教師なし学習(クラスター分析)② Unsupervised learning (Clustering) (2) 【第9回】教師あり学習(深層学習)① Supervised learning (deep learning) (1) 【第10回】教師あり学習(深層学習)② Supervised learning (deep learning) (2) 【第11回】画像認識① Image Processing (1) 【第12回】画像認識② Image Processing (2) 【第13回】データ分析演習① Data analytics exercise & presentation (1) 【第14回】データ分析演習② Data analytics exercise & presentation (2) 【第15回】データ分析プレゼン・講評会 Data analytics exercise & presentation なお、毎回の講義において、ゲストスピーカーとして、アクセンチュア株式会社AIセンター長 保科学世氏 および 同社AIセンターの右衛門佐氏 および前田 将貴氏らに講義にご参加いただきます。 |
||||||
(履修要件) |
特になし
|
||||||
(成績評価の方法・観点及び達成度) | 講義への出席・各回の演習により採点する | ||||||
(教科書) |
使用しない
各回にてPDF資料配布
|
||||||
(参考書等) | |||||||
(授業外学習(予習・復習)等) | 予習・復習内容については講義内で伝える | ||||||
(その他(オフィスアワー等)) | |||||||
ビジネスアナリティクス応用
(科目名)
Application of Practical Business Analytics
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語及び英語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
月3 (教室) 東一条館201大講義室 |
|||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
本講義では、受講者がデータドリブンな思考力・解決力を身につけることにより、SDGsをはじめとする社会課題の解決に資するAI人材の育成を主眼に置き、そのベーススキルを固めることを目的とする。具体的には、豊富なAI社会実装実績を持つアクセンチュア株式会社が教材を作成し、ビジネスにおけるデータサイエンス・AI活用の概要と事例の紹介、基本的なデータ分析手法と機械学習に関する講義、そしてデータ分析演習を想定している。本講義は、前期に開講する内容の応用編で、深層学習や画像認識など高度な技術についても触れる。
The purpose of this lecture is to cultivate the basic skills for AI analysts who can contribute to solving social issues such as the SDGs by acquiring data-driven thinking. Specifically, by its original course materials, Accenture Japan Ltd, which has a wealth of experience in AI implementation, will introduce an overview of data science and AI applications in business, and lecture on basic data analysis methods and machine learning with practical data analysis exercises. In this lecture we develop applicational skill through deep learning module and image processing. |
|||||||
(到達目標)
まずは国内外含めたデータサイエンス・AI活用の事例を知り、実際のビジネスにおける重要性を理解する。そして座学と演習を通して、分析プロジェクトの一連の流れを学ぶことを目標とする。具体的には、課題定義や仮説立案などデータドリブンな思考の習得と、Pythonを用いたデータ処理およびモデル構築のスキル習得、特に、本講義においては深層学習などを用いた画像認識の習得をゴールとする。
First, students will learn about various examples of data science and AI applications, and understand their importance in actual business. Then, through classroom lectures and exercises, students aim to understand a series of analytical project flows. Specifically, students will acquire the way of data-driven thinking such as issue definition and hypothesis formulation and data processing and model building skills using Python, especially focusing on deep learning and image processing skills. |
|||||||
(授業計画と内容)
【第1回】AI・データサイエンス概論・応用編 Introduction to AI and Data science 【第2回】データ分析実務の全体像①(分析プロジェクトとは・課題定義・応用編) Overview of data analysis practices (1) (Analysis project & Defining issues) 【第3回】データ分析実務の全体像②(仮説立案・示唆導出) Overview of data analysis practices (2) (Formulating hypothesis & Suggesting) 【第4回】データ収集・加工・探索 Data collection, processing, and exploration 【第5回】Pythonコーディングの復習① Python basics (1) 【第6回】Pythonコーディングの復習② Python basics (2) 【第7回】教師なし学習(クラスター分析)① Unsupervised learning (Clustering) (1) 【第8回】教師なし学習(クラスター分析)② Unsupervised learning (Clustering) (2) 【第9回】教師あり学習(深層学習)① Supervised learning (deep learning) (1) 【第10回】教師あり学習(深層学習)② Supervised learning (deep learning) (2) 【第11回】画像認識① Image Processing (1) 【第12回】画像認識② Image Processing (2) 【第13回】データ分析演習① Data analytics exercise & presentation (1) 【第14回】データ分析演習② Data analytics exercise & presentation (2) 【第15回】データ分析プレゼン・講評会 Data analytics exercise & presentation なお、毎回の講義において、ゲストスピーカーとして、アクセンチュア株式会社AIセンター長 保科学世氏 および 同社AIセンターの右衛門佐氏 および前田 将貴氏らに講義にご参加いただきます。 |
|||||||
(履修要件)
特になし
|
|||||||
(成績評価の方法・観点及び達成度)
講義への出席・各回の演習により採点する
|
|||||||
(教科書)
使用しない
各回にてPDF資料配布
|
|||||||
(参考書等)
|
|||||||
(授業外学習(予習・復習)等)
予習・復習内容については講義内で伝える
|
|||||||
(その他(オフィスアワー等))
|
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
情報分析・管理論
|
(英 訳) | Information Analysis and Management | ||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||||||||||||||||||||
(群) | 院横断 | ||||||||||||||||||||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||||||||||||||||||||
(使用言語) | 日本語 | ||||||||||||||||||||||||||||||
(旧群) | |||||||||||||||||||||||||||||||
(単位数) | 2 単位 | ||||||||||||||||||||||||||||||
(週コマ数) | 1 コマ | ||||||||||||||||||||||||||||||
(授業形態) | 講義 | ||||||||||||||||||||||||||||||
(開講年度・開講期) | 2024・後期 | ||||||||||||||||||||||||||||||
(配当学年) | 大学院生 | ||||||||||||||||||||||||||||||
(対象学生) | 全学向 | ||||||||||||||||||||||||||||||
(曜時限) | 月4 |
||||||||||||||||||||||||||||||
(教室) | 総合研究8号館講義室1 | ||||||||||||||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||||||||||||||
(授業の概要・目的) | 今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して講述する.特に,具体的な問題に対して,それらの技術をどのように適用できるかを学ぶことで,技術の基本的な考え方を理解し,各自の分野において,応用できるようになることを目標とする. | ||||||||||||||||||||||||||||||
(到達目標) | 【研究科横断型教育の概要・目的】 上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理演習」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
||||||||||||||||||||||||||||||
(授業計画と内容) | ・ガイダンス (1回) 講義全体の概要 ・問題のモデル化と問題の解き方 (2回) コンピュータで問題を解くために必要となる,問題のモデル化と,問題の解き方,すなわち,アルゴリズムについて学ぶ.具体的には,まず,グラフを用いたモデル化,アルゴリズムとその戦略(計算量,近似,動的計画など),情報検索に用いられるランキング手法 (PageRankやHITSなど)の応用について講述する.さらに,情報科学の他分野への応用について学ぶ. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するための手法について講述する.具体的には,データマイニング技術(アソシエーションルール,クラスタリング,決定木,サポートベクターマシン,深層学習など) と,そこで利用されている機械学習やベイズ推定の技術を学ぶ. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら説明する. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術を学ぶ. |
||||||||||||||||||||||||||||||
(履修要件) |
- 「情報分析・管理演習」を,原則として受講すること.
- 各自のノートPC等の持ち込みを前提とする. |
||||||||||||||||||||||||||||||
(成績評価の方法・観点及び達成度) | 講義で扱った情報分析・管理技術の仕組みを理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.各回の出席状況,ならびに数回ごとに扱うテーマに基づいたレポートによって,この目標に到達しているかどうかを検証し,成績を算出する. | ||||||||||||||||||||||||||||||
(教科書) |
特になし
|
||||||||||||||||||||||||||||||
(参考書等) |
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Authoritative Sources in a Hyperlinked Environment』
(Journal of the ACM (JACM), 46(5), pages 604-632, 1999.)
『The PageRank Citation Ranking: Bringing Order to the Web』
(Technical Report SIDL-WP-1999-0120, Stanford Digital Library Technologies Project, 1998.)
|
||||||||||||||||||||||||||||||
(授業外学習(予習・復習)等) | 必要な場合は授業中に指定する. | ||||||||||||||||||||||||||||||
(その他(オフィスアワー等)) | - 前期・後期共に同一内容のリピート科目である. - 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
||||||||||||||||||||||||||||||
情報分析・管理論
(科目名)
Information Analysis and Management
(英 訳)
|
|
||||||||||||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||||||||||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||||||||||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||||||||||||||
(曜時限)
月4 (教室) 総合研究8号館講義室1 |
|||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||
(授業の概要・目的)
今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して講述する.特に,具体的な問題に対して,それらの技術をどのように適用できるかを学ぶことで,技術の基本的な考え方を理解し,各自の分野において,応用できるようになることを目標とする.
|
|||||||||||||||||||
(到達目標)
【研究科横断型教育の概要・目的】
上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理演習」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
|||||||||||||||||||
(授業計画と内容)
・ガイダンス (1回) 講義全体の概要 ・問題のモデル化と問題の解き方 (2回) コンピュータで問題を解くために必要となる,問題のモデル化と,問題の解き方,すなわち,アルゴリズムについて学ぶ.具体的には,まず,グラフを用いたモデル化,アルゴリズムとその戦略(計算量,近似,動的計画など),情報検索に用いられるランキング手法 (PageRankやHITSなど)の応用について講述する.さらに,情報科学の他分野への応用について学ぶ. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するための手法について講述する.具体的には,データマイニング技術(アソシエーションルール,クラスタリング,決定木,サポートベクターマシン,深層学習など) と,そこで利用されている機械学習やベイズ推定の技術を学ぶ. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら説明する. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術を学ぶ. |
|||||||||||||||||||
(履修要件)
- 「情報分析・管理演習」を,原則として受講すること.
- 各自のノートPC等の持ち込みを前提とする. |
|||||||||||||||||||
(成績評価の方法・観点及び達成度)
講義で扱った情報分析・管理技術の仕組みを理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.各回の出席状況,ならびに数回ごとに扱うテーマに基づいたレポートによって,この目標に到達しているかどうかを検証し,成績を算出する.
|
|||||||||||||||||||
(教科書)
特になし
|
|||||||||||||||||||
(参考書等)
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Authoritative Sources in a Hyperlinked Environment』
(Journal of the ACM (JACM), 46(5), pages 604-632, 1999.)
『The PageRank Citation Ranking: Bringing Order to the Web』
(Technical Report SIDL-WP-1999-0120, Stanford Digital Library Technologies Project, 1998.)
|
|||||||||||||||||||
(授業外学習(予習・復習)等)
必要な場合は授業中に指定する.
|
|||||||||||||||||||
(その他(オフィスアワー等))
- 前期・後期共に同一内容のリピート科目である.
- 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
|||||||||||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
情報分析・管理演習
|
(英 訳) | Information Analysis and Management, Exercise | ||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||||||||||||||||||||
(群) | 院横断 | ||||||||||||||||||||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||||||||||||||||||||
(使用言語) | 日本語 | ||||||||||||||||||||||||||||||
(旧群) | |||||||||||||||||||||||||||||||
(単位数) | 1 単位 | ||||||||||||||||||||||||||||||
(週コマ数) | 1 コマ | ||||||||||||||||||||||||||||||
(授業形態) | 演習 | ||||||||||||||||||||||||||||||
(開講年度・開講期) | 2024・後期 | ||||||||||||||||||||||||||||||
(配当学年) | 大学院生 | ||||||||||||||||||||||||||||||
(対象学生) | 全学向 | ||||||||||||||||||||||||||||||
(曜時限) | 月5 |
||||||||||||||||||||||||||||||
(教室) | 総合研究8号館講義室1 | ||||||||||||||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||||||||||||||
(授業の概要・目的) | 今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して,演習形式で具体的な問題を計算機で解く方法を学ぶ. |
||||||||||||||||||||||||||||||
(到達目標) | 【研究科横断型教育の概要・目的】 上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理論」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
||||||||||||||||||||||||||||||
(授業計画と内容) | ・ガイダンス(1回) 演習の準備およびプログラミング言語Rのインストール,簡単な使い方 ・問題のモデル化と問題の解き方 (2回) 講義で扱った,グラフを用いたモデル化とアルゴリズム(オイラー閉路,最短経路)やPageRankについて,Rで実際に問題を解く方法を学ぶ.また,問題を解くだけでなく,可視化などを通じて結果を分析する基礎を身につける. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するデータマイニング技術(相関ルール,クラスタリング,決定木,サポートベクターマシン,深層学習など)を,Rで実行する方法を学ぶとともに,得られた結果を解析する. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら,Python, Jupyter Notebookを用いた演習を行う. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術についてPython, Jupyter Notebookを用いた演習を行う. |
||||||||||||||||||||||||||||||
(履修要件) |
- 情報分析・管理論を,原則として受講していること.
- プログラミングを伴う演習を受講する意欲があれば,プログラミング経験は問わないが,PCの基本的な使用方法を習得していること,何らかのソフトウェアをダウロードした経験があることが望ましい. - 各自のノートPC等の持ち込みを前提とする. |
||||||||||||||||||||||||||||||
(成績評価の方法・観点及び達成度) | 演習で扱った情報分析・管理技術を理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.出席状況,ならびに毎週のレポートによってこの目標に到達しているかどうかを検証し,成績を算出する. |
||||||||||||||||||||||||||||||
(教科書) |
特になし
|
||||||||||||||||||||||||||||||
(参考書等) |
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Database Systems: The Complete Book』
(Prentice Hall)
『An Introduction to Database Systems』
(Addison Wesley)
『データベースの基礎』
(オーム社)
『Search Engines: Information Retrieval in Practice』
(Addison-Wesley)
『Information Retrieval: Implementing and Evaluating Search Engines』
(The MIT Press)
『デザイニング・インタフェース〜 パターンによる実践的インタラクションデザイン 〜』
(オライリー・ジャパン)
『ビジュアライジング・データ Processingによる情報視覚化手法』
(オライリー・ジャパン)
『Search User Interfaces』
(Cambridge University Press)
|
||||||||||||||||||||||||||||||
(授業外学習(予習・復習)等) | 必要な場合は授業中に指定する. | ||||||||||||||||||||||||||||||
(その他(オフィスアワー等)) | - 前期・後期共に同一内容のリピート科目である. - 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
||||||||||||||||||||||||||||||
情報分析・管理演習
(科目名)
Information Analysis and Management, Exercise
(英 訳)
|
|
||||||||||||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||||||||||||||
(旧群) (単位数) 1 単位 (週コマ数) 1 コマ (授業形態) 演習 | |||||||||||||||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||||||||||||||
(曜時限)
月5 (教室) 総合研究8号館講義室1 |
|||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||
(授業の概要・目的)
今日,文理の分野を問わず最先端の研究を進めていくには,大規模データの分析・管理技術が不可欠となっている.本講義では,コンピュータで問題を解くために必要なモデル化やアルゴリズムと,その情報検索への応用,データの管理およびデータから有用な情報や知識を発見するマイニング技術,情報の分析結果の可視化とインタラクション技術など,様々な分野で利用されているトピックを精選して,演習形式で具体的な問題を計算機で解く方法を学ぶ.
|
|||||||||||||||||||
(到達目標)
【研究科横断型教育の概要・目的】
上述したように,大規模データの分析・管理技術はあらゆる分野の研究に必要とされている.本授業では,それらの技術の仕組みの基礎を理解するとともに,「情報分析・管理論」と連携して,各自が具体的な問題に対して技術を実践できるレベルに到達することを目標としている. |
|||||||||||||||||||
(授業計画と内容)
・ガイダンス(1回) 演習の準備およびプログラミング言語Rのインストール,簡単な使い方 ・問題のモデル化と問題の解き方 (2回) 講義で扱った,グラフを用いたモデル化とアルゴリズム(オイラー閉路,最短経路)やPageRankについて,Rで実際に問題を解く方法を学ぶ.また,問題を解くだけでなく,可視化などを通じて結果を分析する基礎を身につける. ・データマイニング (6回) データを分析して,有用な情報や知識を発見するデータマイニング技術(相関ルール,クラスタリング,決定木,サポートベクターマシン,深層学習など)を,Rで実行する方法を学ぶとともに,得られた結果を解析する. ・データベース・情報検索・情報可視化(3回) 大規模な情報を管理するデータベース技術,大量の文書データから必要な情報を検索する技術,情報システムを利用者からのフィードバックに基づき改善する技術について,研究での応用事例も交えながら,Python, Jupyter Notebookを用いた演習を行う. ・自然言語処理(3回) 自然言語を扱う技術について講述する。形態素解析などの文書解析基本技術、機械学習と大規模言語モデルにより機械翻訳や文書要約などのタスクに応用する技術についてPython, Jupyter Notebookを用いた演習を行う. |
|||||||||||||||||||
(履修要件)
- 情報分析・管理論を,原則として受講していること.
- プログラミングを伴う演習を受講する意欲があれば,プログラミング経験は問わないが,PCの基本的な使用方法を習得していること,何らかのソフトウェアをダウロードした経験があることが望ましい. - 各自のノートPC等の持ち込みを前提とする. |
|||||||||||||||||||
(成績評価の方法・観点及び達成度)
演習で扱った情報分析・管理技術を理解し,具体的な問題に応用し,実際にその解を計算できるようになることが達成目標である.出席状況,ならびに毎週のレポートによってこの目標に到達しているかどうかを検証し,成績を算出する.
|
|||||||||||||||||||
(教科書)
特になし
|
|||||||||||||||||||
(参考書等)
『ネットワーク・大衆・マーケット: 現代社会の複雑な連結性についての推論 Crowds, and Markets: Reasoning About a Highly Connected World』
(共立出版 Cambridge University Press)
『アルゴリズム・デザイン Algorithm Design』
(共立出版 Addison Wesley)
『Biological sequence analysis -Probabilistic models of proteins and nucleic acids-』
(Cambridge University Press)
『パターン認識と機械学習 -ベイズ理論による統計的予測- 上・下巻 Pattern Recognition and Machine Learning』
(シュプリンガー・ジャパンSpringer-Verlag)
『Database Systems: The Complete Book』
(Prentice Hall)
『An Introduction to Database Systems』
(Addison Wesley)
『データベースの基礎』
(オーム社)
『Search Engines: Information Retrieval in Practice』
(Addison-Wesley)
『Information Retrieval: Implementing and Evaluating Search Engines』
(The MIT Press)
『デザイニング・インタフェース〜 パターンによる実践的インタラクションデザイン 〜』
(オライリー・ジャパン)
『ビジュアライジング・データ Processingによる情報視覚化手法』
(オライリー・ジャパン)
『Search User Interfaces』
(Cambridge University Press)
|
|||||||||||||||||||
(授業外学習(予習・復習)等)
必要な場合は授業中に指定する.
|
|||||||||||||||||||
(その他(オフィスアワー等))
- 前期・後期共に同一内容のリピート科目である.
- 自身の研究に,種類は問わず,何らかのデータを用いている学生を歓迎する. - 単位を必要としない学生の聴講は,受講希望人数などにより,受け入れられないこともある. - オフィスアワーについては特に指定せず,メールのやり取りで随時行う. 東風上: kochigami@robot.soc.i.kyoto-u.ac.jp, Huang: huang@nlp.ist.i.kyoto-u.ac.jp |
|||||||||||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
医療情報学
|
(英 訳) | Medical Informatics | ||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||||||||
(群) | 院横断 | ||||||||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||||||||
(使用言語) | 日本語 | ||||||||||||||||||
(旧群) | |||||||||||||||||||
(単位数) | 2 単位 | ||||||||||||||||||
(週コマ数) | 1 コマ | ||||||||||||||||||
(授業形態) | 講義 | ||||||||||||||||||
(開講年度・開講期) | 2024・後期 | ||||||||||||||||||
(配当学年) | 大学院生 | ||||||||||||||||||
(対象学生) | 全学向 | ||||||||||||||||||
(曜時限) | 火1 |
||||||||||||||||||
(教室) | 杉浦ホール(医学部人間健康科学科)(医・薬・病院構内) | ||||||||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||||||||
(授業の概要・目的) | 現在、医療データを取り扱う情報技術は病院を運営するだけでなく、一般的な生活を支えるために必要な基盤となっている。本講義では、病院を取り巻く情報技術に焦点を充て、データ収集基盤の基礎から各種医療データの収集技術に触れ、病院情報システムを構成する各種主要なシステムについて講じ、さらには最新の大規模医療情報システムの実例を紹介する。情報技術だけでなく、病院を支える実例に触れることで社会性を意識しつつ、社会情報学的視点でのものの考え方を身につけることを目指す。 Currently, information and communication technologies (ICT) for handling medical data are necessary not only for hospital management but also for daily health support. This lecture provides fundamental knowledge for data handling platforms, and discusses medical data collection technologies as well as major sub-systems that form a hospital information system. In addition, recent large-scale medical information systems are introduced by showing the practical cases. Students are expected to deeply consider the social applicability, and to obtain the perspective of a social informatician. |
||||||||||||||||||
(到達目標) | 本講義の履修を通じて、技術が社会をどのように変えていくのかをつぶさに観察し、社会や技術の有り様を、社会科学と自然科学を跨がった広い視点から俯瞰して考える力を養い、新しい技術を大胆に取り入れながら連続性を持って変革していく社会や企業体などを導くことが出来る力を身につけることを目指す。 また、医療情報システムを構成する各種技術やノウハウを身につけ、病院を取り巻く社会の仕組みを考慮しつつ、病院を支える医療情報システムの設計・提案ができる力を身につけることを目標とする。 Students will observe how information communication technology is changing social medical systems. As a result, students will obtain a broad scope of social medical systems, and, consequently, the skill to lead companies or society for new frontiers of medicine with gradually emerging technologies. Additionally, students are expected to learn each technology that is used to create medical information systems, and to acquire skills to design or propose a medical information system that supports hospital work. |
||||||||||||||||||
(授業計画と内容) | 基本的に以下のプランに従って講義を進める。ただし講義の進みぐあい、時事問題への言及などに対応して順序や同一テーマの回数を変えることがある。 第1回 計算機科学概論 第2回 情報ネットワーク概論 第3回 医療情報システム学概論 第4回 部門システム概論 第5回 病院見学 第6回 電子カルテ概論 第7回 地域医療連携 第8回 法制・倫理 第9回 ネットワーク・セキュリティ 第10回 データ管理・システム管理 第11回 医事会計システム 第12回 画像システム 第13回 生体・検査データ 第14回 電子カルテシステム 第15回 ゲノムデータ This lecture has the following basic plan with the order and frequency of each theme subject to change depending on circumstances. 1. Overview of Computer Architecture 2. Overview of Information Network Configuration 3. Overview of medical information systems 4. Overview of medical departmental systems 5. Hospital visit 6.Overview of electronic medical records system 7.Regional medical cooperation 8. Legislation and ethics related to medical information 9. Network security 10. Data management and system management 11. Medical accounting system 12. Medical imaging system 13. Biomedical and laboratory data 14. Electronic medical record system 15. Collection and management of genome data |
||||||||||||||||||
(履修要件) |
特になし
|
||||||||||||||||||
(成績評価の方法・観点及び達成度) | 講義に関するレポートにより評価する。講じた内容に関する包括的理解度と、社会情報学的視点で自ら考えて議論を組み立てているか否かを、具体的評価基準とする。 Students submit reports. The originality of the discussion, social insights, and understandings of general view given in the lecture will be evaluated. |
||||||||||||||||||
(教科書) |
講義資料は、PandA、および、講義時間中に適宜提供する。
Materials are given through "PandA" or within the lecture.
|
||||||||||||||||||
(参考書等) |
現代電子情報通信選書「知識の森」 医療情報システム (オーム社)
Medial Information System (Ohm-sha) (Japanese only)
|
||||||||||||||||||
(授業外学習(予習・復習)等) | 講義前に配布される資料を読み込み、そこに現れる用語などについて予めインターネットなどで調査を行うとともに、講義後にも得られた知識を元に、改めて様々な記事などに目を通して考える作業を行うことが求められる。レポート作成時には、充分考えた内容を元に、与えられた課題に対して、自らの考えを記すことを求める。 Students should read given materials and study given technical terms and related materials by external information source such as the Internet. Students need to express their own opinions for short essay after deep thinking with obtained knowledge through lectures and self-study. |
||||||||||||||||||
(その他(オフィスアワー等)) | 質問・問い合わせは、メール(medinfoq@kuhp.kyoto-u.ac.jp)にて受け付ける。 Questions will be accepted through email (for medinfoq@kuhp.kyoto-u.ac.jp). ※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。 |
||||||||||||||||||
医療情報学
(科目名)
Medical Informatics
(英 訳)
|
|
||||||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||||||||
(曜時限)
火1 (教室) 杉浦ホール(医学部人間健康科学科)(医・薬・病院構内) |
|||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||
(授業の概要・目的)
現在、医療データを取り扱う情報技術は病院を運営するだけでなく、一般的な生活を支えるために必要な基盤となっている。本講義では、病院を取り巻く情報技術に焦点を充て、データ収集基盤の基礎から各種医療データの収集技術に触れ、病院情報システムを構成する各種主要なシステムについて講じ、さらには最新の大規模医療情報システムの実例を紹介する。情報技術だけでなく、病院を支える実例に触れることで社会性を意識しつつ、社会情報学的視点でのものの考え方を身につけることを目指す。
Currently, information and communication technologies (ICT) for handling medical data are necessary not only for hospital management but also for daily health support. This lecture provides fundamental knowledge for data handling platforms, and discusses medical data collection technologies as well as major sub-systems that form a hospital information system. In addition, recent large-scale medical information systems are introduced by showing the practical cases. Students are expected to deeply consider the social applicability, and to obtain the perspective of a social informatician. |
|||||||||||||
(到達目標)
本講義の履修を通じて、技術が社会をどのように変えていくのかをつぶさに観察し、社会や技術の有り様を、社会科学と自然科学を跨がった広い視点から俯瞰して考える力を養い、新しい技術を大胆に取り入れながら連続性を持って変革していく社会や企業体などを導くことが出来る力を身につけることを目指す。
また、医療情報システムを構成する各種技術やノウハウを身につけ、病院を取り巻く社会の仕組みを考慮しつつ、病院を支える医療情報システムの設計・提案ができる力を身につけることを目標とする。 Students will observe how information communication technology is changing social medical systems. As a result, students will obtain a broad scope of social medical systems, and, consequently, the skill to lead companies or society for new frontiers of medicine with gradually emerging technologies. Additionally, students are expected to learn each technology that is used to create medical information systems, and to acquire skills to design or propose a medical information system that supports hospital work. |
|||||||||||||
(授業計画と内容)
基本的に以下のプランに従って講義を進める。ただし講義の進みぐあい、時事問題への言及などに対応して順序や同一テーマの回数を変えることがある。 第1回 計算機科学概論 第2回 情報ネットワーク概論 第3回 医療情報システム学概論 第4回 部門システム概論 第5回 病院見学 第6回 電子カルテ概論 第7回 地域医療連携 第8回 法制・倫理 第9回 ネットワーク・セキュリティ 第10回 データ管理・システム管理 第11回 医事会計システム 第12回 画像システム 第13回 生体・検査データ 第14回 電子カルテシステム 第15回 ゲノムデータ This lecture has the following basic plan with the order and frequency of each theme subject to change depending on circumstances. 1. Overview of Computer Architecture 2. Overview of Information Network Configuration 3. Overview of medical information systems 4. Overview of medical departmental systems 5. Hospital visit 6.Overview of electronic medical records system 7.Regional medical cooperation 8. Legislation and ethics related to medical information 9. Network security 10. Data management and system management 11. Medical accounting system 12. Medical imaging system 13. Biomedical and laboratory data 14. Electronic medical record system 15. Collection and management of genome data |
|||||||||||||
(履修要件)
特になし
|
|||||||||||||
(成績評価の方法・観点及び達成度)
講義に関するレポートにより評価する。講じた内容に関する包括的理解度と、社会情報学的視点で自ら考えて議論を組み立てているか否かを、具体的評価基準とする。
Students submit reports. The originality of the discussion, social insights, and understandings of general view given in the lecture will be evaluated. |
|||||||||||||
(教科書)
講義資料は、PandA、および、講義時間中に適宜提供する。
Materials are given through "PandA" or within the lecture.
|
|||||||||||||
(参考書等)
現代電子情報通信選書「知識の森」 医療情報システム (オーム社)
Medial Information System (Ohm-sha) (Japanese only)
|
|||||||||||||
(授業外学習(予習・復習)等)
講義前に配布される資料を読み込み、そこに現れる用語などについて予めインターネットなどで調査を行うとともに、講義後にも得られた知識を元に、改めて様々な記事などに目を通して考える作業を行うことが求められる。レポート作成時には、充分考えた内容を元に、与えられた課題に対して、自らの考えを記すことを求める。
Students should read given materials and study given technical terms and related materials by external information source such as the Internet. Students need to express their own opinions for short essay after deep thinking with obtained knowledge through lectures and self-study. |
|||||||||||||
(その他(オフィスアワー等))
質問・問い合わせは、メール(medinfoq@kuhp.kyoto-u.ac.jp)にて受け付ける。
Questions will be accepted through email (for medinfoq@kuhp.kyoto-u.ac.jp). ※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。 |
|||||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
複雑系科学 -データサイエンス2-
|
(英 訳) | Complex Systems -Data Science 2- | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語及び英語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・後期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 火2 |
||||||
(教室) | 東一条館201大講義室 | ||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 経済や社会の様々な要因が絡み合うグローバル問題を解明するには、複雑な現象のモデル化が必須である。データ解析とシミュレーションの共用により、複数の構成要素が強い相互作用を通じて個別構成要素が持たない全体的な性質を発現する系を理解する。データ科学、ネットワーク科学、計算科学の基本を理解して、それらの具体的な応用事例を学習する。 【研究科横断型教育の概要・目的】 本講義では、データサイエンスの基本となるモデリングとシミュレーションについて学ぶことを目的とする。同時に、英語と日本語を交えた講義により、この分野における英語能力の向上にも努める。 Modeling of complex phenomena is essential to elucidate global problems involving a variety of economic and social factors. Through the co-use of data analysis and simulation, students will understand systems in which multiple components manifest holistic properties that individual components do not possess through strong interactions. To understand the basics of data science, network science, and computational science, and to learn their specific applications. This course is designed to provide students with an understanding of the fundamentals of data science, network science, and computational science and to study specific applications of those fundamentals. This course's objective is to learn modeling and simulation, which are the basics of data science. At the same time, we will try to improve our English language skills in this field through English and Japanese lectures. |
||||||
(到達目標) | ネットワーク科学と複雑系の基本概念を理解した上で、学生各自が興味を持つ現象についてモデル化とPythonを使ってシミュレーションができるようになる。 Students will have an understanding of the basic concepts of network science and complex systems and be able to model and simulate the phenomena of interest to each student using Python. |
||||||
(授業計画と内容) | 【第1回】イントロダクション:ネットワーク科学と機械学習 Introduction: Network Science and Machine Learning 【第2回】機械学習①:教師あり学習と主成分分析 Machine Learning 1: Unsupervised Learning (Principal Component Analysis) 【第3回】機械学習②:教師あり学習 ラッソ・リッジ回帰 Machine Learning 2: Supervised Learning (Lasso and Ridge Regression) 【第4回】機械学習③:教師あり学習 ニューラルネットワーク Machine Learning 3: Supervised Learning (K-Nearest Neighbor Classifier and Neural Network) 【第5回】討論1:テーマ設定 Discussion 1: Problem Setting 【第6回】ネットワーク構造①:グラフ理論と中心性指標 Network Structure 1: Graph Theory and Centralities 【第7回】ネットワーク構造②:生成モデル Network Structure 2: Network Generation Model 【第8回】ネットワーク構造③:コミュニティ解析 Network Structure 3: Community Analysis 【第9回】ネットワークダイナミクス①:システム・ダイナミクス Network Dynamics 1: System Dynamics 【第10回】討論2:モデル検討 Discussion 2: Modeling and Programing 【第11回】ネットワークダイナミクス②:ネットワーク疫学 Network Dynamics 2: Network Epidemiology 【第12回】ネットワークダイナミクス③:集団運動(蔵本モデル,イジングモデル) Network Dynamics 3: Collective Motion (Kuramoto Model and Ising Model) 【第13回】機械学習④:自然言語処理 Machine Learning 4: Unsupervised Learning (Natural Language Processing) 【第14回】 機械学習とネットワーク科学 Machine Learning and Network Science 【第15回】討論3:結果議論 Discussion 3: Results and Discussion |
||||||
(履修要件) |
特になし
|
||||||
(成績評価の方法・観点及び達成度) | 平常点と最終回に提示するレポートにより評価する。 | ||||||
(教科書) |
印刷資料を配布する。
|
||||||
(参考書等) |
随時必要に応じて文献を紹介する。
|
||||||
(関連URL) |
https://www.gsais-nsrg.com/
https://www.gsais.kyoto-u.ac.jp/staff/ikeda/ |
||||||
(授業外学習(予習・復習)等) | 討論の準備を授業外学習として行うこと。 | ||||||
(その他(オフィスアワー等)) | 文系、理系を問わず、広い分野の学生の受講を期待する。 池田 裕一 ikeda.yuichi.2w@kyoto-u.ac.jp |
||||||
複雑系科学 -データサイエンス2-
(科目名)
Complex Systems -Data Science 2-
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語及び英語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
火2 (教室) 東一条館201大講義室 |
|||||||
総合生存学館 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
経済や社会の様々な要因が絡み合うグローバル問題を解明するには、複雑な現象のモデル化が必須である。データ解析とシミュレーションの共用により、複数の構成要素が強い相互作用を通じて個別構成要素が持たない全体的な性質を発現する系を理解する。データ科学、ネットワーク科学、計算科学の基本を理解して、それらの具体的な応用事例を学習する。
【研究科横断型教育の概要・目的】 本講義では、データサイエンスの基本となるモデリングとシミュレーションについて学ぶことを目的とする。同時に、英語と日本語を交えた講義により、この分野における英語能力の向上にも努める。 Modeling of complex phenomena is essential to elucidate global problems involving a variety of economic and social factors. Through the co-use of data analysis and simulation, students will understand systems in which multiple components manifest holistic properties that individual components do not possess through strong interactions. To understand the basics of data science, network science, and computational science, and to learn their specific applications. This course is designed to provide students with an understanding of the fundamentals of data science, network science, and computational science and to study specific applications of those fundamentals. This course's objective is to learn modeling and simulation, which are the basics of data science. At the same time, we will try to improve our English language skills in this field through English and Japanese lectures. |
|||||||
(到達目標)
ネットワーク科学と複雑系の基本概念を理解した上で、学生各自が興味を持つ現象についてモデル化とPythonを使ってシミュレーションができるようになる。
Students will have an understanding of the basic concepts of network science and complex systems and be able to model and simulate the phenomena of interest to each student using Python. |
|||||||
(授業計画と内容)
【第1回】イントロダクション:ネットワーク科学と機械学習 Introduction: Network Science and Machine Learning 【第2回】機械学習①:教師あり学習と主成分分析 Machine Learning 1: Unsupervised Learning (Principal Component Analysis) 【第3回】機械学習②:教師あり学習 ラッソ・リッジ回帰 Machine Learning 2: Supervised Learning (Lasso and Ridge Regression) 【第4回】機械学習③:教師あり学習 ニューラルネットワーク Machine Learning 3: Supervised Learning (K-Nearest Neighbor Classifier and Neural Network) 【第5回】討論1:テーマ設定 Discussion 1: Problem Setting 【第6回】ネットワーク構造①:グラフ理論と中心性指標 Network Structure 1: Graph Theory and Centralities 【第7回】ネットワーク構造②:生成モデル Network Structure 2: Network Generation Model 【第8回】ネットワーク構造③:コミュニティ解析 Network Structure 3: Community Analysis 【第9回】ネットワークダイナミクス①:システム・ダイナミクス Network Dynamics 1: System Dynamics 【第10回】討論2:モデル検討 Discussion 2: Modeling and Programing 【第11回】ネットワークダイナミクス②:ネットワーク疫学 Network Dynamics 2: Network Epidemiology 【第12回】ネットワークダイナミクス③:集団運動(蔵本モデル,イジングモデル) Network Dynamics 3: Collective Motion (Kuramoto Model and Ising Model) 【第13回】機械学習④:自然言語処理 Machine Learning 4: Unsupervised Learning (Natural Language Processing) 【第14回】 機械学習とネットワーク科学 Machine Learning and Network Science 【第15回】討論3:結果議論 Discussion 3: Results and Discussion |
|||||||
(履修要件)
特になし
|
|||||||
(成績評価の方法・観点及び達成度)
平常点と最終回に提示するレポートにより評価する。
|
|||||||
(教科書)
印刷資料を配布する。
|
|||||||
(参考書等)
随時必要に応じて文献を紹介する。
|
|||||||
(授業外学習(予習・復習)等)
討論の準備を授業外学習として行うこと。
|
|||||||
(その他(オフィスアワー等))
文系、理系を問わず、広い分野の学生の受講を期待する。
池田 裕一 ikeda.yuichi.2w@kyoto-u.ac.jp |
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
Mathematics and Numerical Computing
|
(英 訳) | Mathematics and Numerical Computing | ||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||
(群) | 院横断 | ||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||
(使用言語) | 英語 | ||||||||||||
(旧群) | |||||||||||||
(単位数) | 1.5 単位 | ||||||||||||
(週コマ数) | 1 コマ | ||||||||||||
(授業形態) | 演習 | ||||||||||||
(開講年度・開講期) | 2024・後期 | ||||||||||||
(配当学年) | 大学院生 | ||||||||||||
(対象学生) | 理系向 | ||||||||||||
(曜時限) | 火4 |
||||||||||||
(教室) | 桂A2棟305教室 | ||||||||||||
工学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||
(授業の概要・目的) | The aim is to describe methodologies using scientific programming software (Python) to solve typical numerical computation problems encountered in the field of engineering and science. While exercises often revolve around problems in chemical engineering, the final part involves participants bringing numerical computation tasks related to their research projects. Each individual uses Python to find solutions to their respective problems and engages in group discussions to explore the significance of these solutions. Through these exercises, participants acquire skills in programming techniques and their application in research. | ||||||||||||
(到達目標) | The goal is to comprehend Python programming code, attain a basic proficiency in programming using Python, learn various numerical computation methods, and acquire the ability to program, compute, and analyze solutions for self-defined problems in this field. | ||||||||||||
(授業計画と内容) | (1) Introduction to Python Learn how to get started with Python: simple arithmetic operations, creating loop statements, making vectors with numpy, and visualization with matplotlib. (2) Solving Algebraic Equations Learn Bisection, Newton, and Secant methods as numerical computational methods for solving linear and nonlinear algebraic equations. (3) Numerical Integration Learn how to numerically integrate arbitrary nonlinear functions. As numerical calculation methods, we will discuss trapezoidal and Simpson's rule and Gauss quadrature. (4) Solving Ordinary Differential Equations Learn how to numerically solve linear and nonlinear ordinary differential equations. As numerical calculation methods, Euler, implicit first order, and RKG methods will be discussed. (5) Solving Partial Differential Equations Learn how to numerically solve partial differential equations. We will discuss the difference between FDM and FEM and apply them to a simple one-dimensional example. (6) Introduction to Eigenvalue Problems Learn about eigenvalues and their mathematical properties. Furthermore, create a program using matplotlib to visualize eigenvectors, deepening the understanding of the significance of eigenvalues. (7) Computation of Eigenvalues Learn fundamental methods to find a single eigenvalue of a matrix. Discuss Gershgorin's theorem, power iteration method, inverse power iteration method, and deflation method. (8) Computation of Eigenvalues Study the QR method, which can simultaneously determine all eigenvalues of a matrix. (9) Solution Methods for Algebraic Equations Understand the relationship between algebraic equations and eigenvalue problems. Learn methods to find all solutions of algebraic equations using the properties of eigenvalues. (10) Principal Component Analysis Learn principal component analysis as an application of eigenvalues. PCA is a prominent data compression technique widely used in engineering and scientific fields. (11) Presentation Each participant selects a topic of interest, performs calculations related to it using Python, and presents the results. |
||||||||||||
(履修要件) |
特になし
|
||||||||||||
(成績評価の方法・観点及び達成度) | Attendance, assignment and presentation will count. | ||||||||||||
(教科書) |
Handouts will be given in each lecture.
|
||||||||||||
(参考書等) |
授業中に紹介する
|
||||||||||||
(授業外学習(予習・復習)等) | Assignments will be given as necessary. | ||||||||||||
(その他(オフィスアワー等)) | This course is offered every other year. |
||||||||||||
Mathematics and Numerical Computing
(科目名)
Mathematics and Numerical Computing
(英 訳)
|
|
|||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 英語 | ||||||||||
(旧群) (単位数) 1.5 単位 (週コマ数) 1 コマ (授業形態) 演習 | ||||||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 理系向 |
||||||||||
(曜時限)
火4 (教室) 桂A2棟305教室 |
||||||||||
工学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | ||||||||||
(授業の概要・目的)
The aim is to describe methodologies using scientific programming software (Python) to solve typical numerical computation problems encountered in the field of engineering and science. While exercises often revolve around problems in chemical engineering, the final part involves participants bringing numerical computation tasks related to their research projects. Each individual uses Python to find solutions to their respective problems and engages in group discussions to explore the significance of these solutions. Through these exercises, participants acquire skills in programming techniques and their application in research.
|
||||||||||
(到達目標)
The goal is to comprehend Python programming code, attain a basic proficiency in programming using Python, learn various numerical computation methods, and acquire the ability to program, compute, and analyze solutions for self-defined problems in this field.
|
||||||||||
(授業計画と内容)
(1) Introduction to Python Learn how to get started with Python: simple arithmetic operations, creating loop statements, making vectors with numpy, and visualization with matplotlib. (2) Solving Algebraic Equations Learn Bisection, Newton, and Secant methods as numerical computational methods for solving linear and nonlinear algebraic equations. (3) Numerical Integration Learn how to numerically integrate arbitrary nonlinear functions. As numerical calculation methods, we will discuss trapezoidal and Simpson's rule and Gauss quadrature. (4) Solving Ordinary Differential Equations Learn how to numerically solve linear and nonlinear ordinary differential equations. As numerical calculation methods, Euler, implicit first order, and RKG methods will be discussed. (5) Solving Partial Differential Equations Learn how to numerically solve partial differential equations. We will discuss the difference between FDM and FEM and apply them to a simple one-dimensional example. (6) Introduction to Eigenvalue Problems Learn about eigenvalues and their mathematical properties. Furthermore, create a program using matplotlib to visualize eigenvectors, deepening the understanding of the significance of eigenvalues. (7) Computation of Eigenvalues Learn fundamental methods to find a single eigenvalue of a matrix. Discuss Gershgorin's theorem, power iteration method, inverse power iteration method, and deflation method. (8) Computation of Eigenvalues Study the QR method, which can simultaneously determine all eigenvalues of a matrix. (9) Solution Methods for Algebraic Equations Understand the relationship between algebraic equations and eigenvalue problems. Learn methods to find all solutions of algebraic equations using the properties of eigenvalues. (10) Principal Component Analysis Learn principal component analysis as an application of eigenvalues. PCA is a prominent data compression technique widely used in engineering and scientific fields. (11) Presentation Each participant selects a topic of interest, performs calculations related to it using Python, and presents the results. |
||||||||||
(履修要件)
特になし
|
||||||||||
(成績評価の方法・観点及び達成度)
Attendance, assignment and presentation will count.
|
||||||||||
(教科書)
Handouts will be given in each lecture.
|
||||||||||
(参考書等)
授業中に紹介する
|
||||||||||
(授業外学習(予習・復習)等)
Assignments will be given as necessary.
|
||||||||||
(その他(オフィスアワー等))
This course is offered every other year.
|
||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
統計的信号処理論
|
(英 訳) | Statistical Signal Processing | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・後期 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 木2 |
||||||
(教室) | 工学部総合校舎213 | ||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 信号処理は生の観測データから役に立つ情報を抽出するための理論的な枠組みである。信号処理の最も基本的な問題であり、かつデータ利活用の現場で最も直面することが多いと考えられる観測データから未知ベクトルを推定する問題を中心に、線形観測モデルの逆問題を考えるアプローチやベイズ統計に基づく確率推論のアプローチなどについて、その理論的な背景から実際のアルゴリズムまで解説する。具体的には、最小二乗法や最小平均二乗誤差推定、適応信号処理、アレイ信号処理、圧縮センシング、カルマンフィルタ、粒子フィルタ、確率伝播法、位相的データ解析などのテーマについて関連事項を解説する。 | ||||||
(到達目標) | 各手法の理論的な基礎事項を十分に理解し、実際の問題に応用するための能力を身につける。 | ||||||
(授業計画と内容) | 1. 信号の統計的性質の基礎:確率変数、確率過程、相関行列、ウィナーフィルタ 2. 重み係数最適化の基礎:勾配、偏微分、全微分、ウィルティンガー微分、複素勾配 3. 線形逆問題:線形観測モデルと逆問題、最小二乗法、最小平均二乗誤差推定、最大比合成 4. 適応信号処理:最急降下法、LMS、CMA、RLS 5. アダプティブアレイ:アレイ信号処理の基礎、ビームフォーミング、広帯域アレイ 6. 到来方向推定:MUSIC法、ESPRIT法、KR積拡張アレイ 7. 部分空間法:信号部分空間と雑音部分空間、主成分分析、独立成分分析、ブラインド同定 8. 圧縮センシングの基礎:最小ノルム解、正則化最小二乗法、圧縮センシングの問題設定、再構成の条件 9. 圧縮センシングのアルゴリズム:近接写像、近接勾配法、Douglas-Rachford 分離、交互方向乗数法 10. 分散信号処理:グラフラプラシアン、平均合意、拡散LMS 11. 確率推論の基礎:条件付き独立性、グラフィカルモデル、確率推論問題、最尤推定、最大事後確率推定 12. サンプリング法:逆関数法、棄却サンプリング、重点サンプリング、SIR 13. 状態推定:状態空間モデル、状態推定、粒子フィルタ、カルマンフィルタ 14. 確率伝播法:sum-productアルゴリズム、PearlのBPアルゴリズム 15. 位相的データ解析:ベッチ数、単体複体、鎖群、サイクルとバウンダリ、ホモロジー群 |
||||||
(履修要件) |
「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」、および確率論基礎の内容を理解していることが望ましい。
|
||||||
(成績評価の方法・観点及び達成度) | 観測データから未知ベクトルを推定する問題に関するレポート課題により到達目標の達成度を評価する。 | ||||||
(教科書) |
各回において講義資料を電子ファイルで配布する。
|
||||||
(参考書等) |
『通信の信号処理』
(コロナ社,2023)
『信号処理(新世代工学シリーズ)』
(オーム社,1998)
ISBN:4274131513
『Adaptive Filter Theory』
(Pearson, 2013)
『Pattern Recognition and Machine Learning 』
(Springer, 2006)
『スパースモデリング- 基礎から動的システムへの応用 -』
(コロナ社,2017)
『応用カルマンフィルタ』
(朝倉書店,2000)
|
||||||
(授業外学習(予習・復習)等) | 前回までの授業内容を十分に理解して各回の授業に臨むこと。 | ||||||
(その他(オフィスアワー等)) | |||||||
統計的信号処理論
(科目名)
Statistical Signal Processing
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
木2 (教室) 工学部総合校舎213 |
|||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
信号処理は生の観測データから役に立つ情報を抽出するための理論的な枠組みである。信号処理の最も基本的な問題であり、かつデータ利活用の現場で最も直面することが多いと考えられる観測データから未知ベクトルを推定する問題を中心に、線形観測モデルの逆問題を考えるアプローチやベイズ統計に基づく確率推論のアプローチなどについて、その理論的な背景から実際のアルゴリズムまで解説する。具体的には、最小二乗法や最小平均二乗誤差推定、適応信号処理、アレイ信号処理、圧縮センシング、カルマンフィルタ、粒子フィルタ、確率伝播法、位相的データ解析などのテーマについて関連事項を解説する。
|
|||||||
(到達目標)
各手法の理論的な基礎事項を十分に理解し、実際の問題に応用するための能力を身につける。
|
|||||||
(授業計画と内容)
1. 信号の統計的性質の基礎:確率変数、確率過程、相関行列、ウィナーフィルタ 2. 重み係数最適化の基礎:勾配、偏微分、全微分、ウィルティンガー微分、複素勾配 3. 線形逆問題:線形観測モデルと逆問題、最小二乗法、最小平均二乗誤差推定、最大比合成 4. 適応信号処理:最急降下法、LMS、CMA、RLS 5. アダプティブアレイ:アレイ信号処理の基礎、ビームフォーミング、広帯域アレイ 6. 到来方向推定:MUSIC法、ESPRIT法、KR積拡張アレイ 7. 部分空間法:信号部分空間と雑音部分空間、主成分分析、独立成分分析、ブラインド同定 8. 圧縮センシングの基礎:最小ノルム解、正則化最小二乗法、圧縮センシングの問題設定、再構成の条件 9. 圧縮センシングのアルゴリズム:近接写像、近接勾配法、Douglas-Rachford 分離、交互方向乗数法 10. 分散信号処理:グラフラプラシアン、平均合意、拡散LMS 11. 確率推論の基礎:条件付き独立性、グラフィカルモデル、確率推論問題、最尤推定、最大事後確率推定 12. サンプリング法:逆関数法、棄却サンプリング、重点サンプリング、SIR 13. 状態推定:状態空間モデル、状態推定、粒子フィルタ、カルマンフィルタ 14. 確率伝播法:sum-productアルゴリズム、PearlのBPアルゴリズム 15. 位相的データ解析:ベッチ数、単体複体、鎖群、サイクルとバウンダリ、ホモロジー群 |
|||||||
(履修要件)
「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」、および確率論基礎の内容を理解していることが望ましい。
|
|||||||
(成績評価の方法・観点及び達成度)
観測データから未知ベクトルを推定する問題に関するレポート課題により到達目標の達成度を評価する。
|
|||||||
(教科書)
各回において講義資料を電子ファイルで配布する。
|
|||||||
(参考書等)
『通信の信号処理』
(コロナ社,2023)
『信号処理(新世代工学シリーズ)』
(オーム社,1998)
ISBN:4274131513
『Adaptive Filter Theory』
(Pearson, 2013)
『Pattern Recognition and Machine Learning 』
(Springer, 2006)
『スパースモデリング- 基礎から動的システムへの応用 -』
(コロナ社,2017)
『応用カルマンフィルタ』
(朝倉書店,2000)
|
|||||||
(授業外学習(予習・復習)等)
前回までの授業内容を十分に理解して各回の授業に臨むこと。
|
|||||||
(その他(オフィスアワー等))
|
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
情報と知財
|
(英 訳) | Information and Intellectual Property | ||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||||||||
(群) | 院横断 | ||||||||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||||||||
(使用言語) | 日本語 | ||||||||||||
(旧群) | |||||||||||||
(単位数) | 2 単位 | ||||||||||||
(週コマ数) | 1 コマ | ||||||||||||
(授業形態) | 講義 | ||||||||||||
(開講年度・開講期) | 2024・後期 | ||||||||||||
(配当学年) | 大学院生 | ||||||||||||
(対象学生) | 全学向 | ||||||||||||
(曜時限) | 木5 |
||||||||||||
(教室) | 総合研究8号館NSホール | ||||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||||||||
(授業の概要・目的) | 情報に関わる著作権、特許、知財管理、個人情報保護に関する知識を教授する。 | ||||||||||||
(到達目標) | 情報に関わる著作権、特許、知財管理、個人情報保護に関する基礎的な知識を十分に取得できていることを到達目標とする。 | ||||||||||||
(授業計画と内容) | 以下の内容の講述を行うとともに、適宜、机上演習やグループ討論を行う。また、一部の回では関連分野のゲストスピーカーを招聘して討論を行う。 [01] 講義概要紹介(田島) [02] 特許権(1)知的財産権の基礎、特許出願の流れ、特許要件(谷川、田島) [03] 特許権(2)ソフトウェア関連発明、発明の取り扱い、特許出願の態様(谷川、田島) [04] 特許権(3)特許に関する手続きの流れ(谷川、田島) [05] 特許権(4)特許文書の読み方、よい発明の構築方法(谷川、田島) [06] 特許権(5)特許工学、特許調査(谷川、田島) [07] 情報技術と商標(商標登録の仕組、キーワード広告と商標権、商標戦略等)(谷川、田島) [08] 特許権・商標権とライセンス交渉(谷川、田島) [09] デジタルコンテンツ著作権(1)著作権法の概要、著作物性(田島) [10] デジタルコンテンツ著作権(2)著作権法上の権利の種類と効力(田島) [11] デジタルコンテンツ著作権(3)著作物の利用機器・サービスの提供者の責任(田島) [12] デジタルコンテンツ著作権(4)侵害コンテンツへの誘導者の責任(田島) [13] 人工知能(AI)と知的財産(田島) [14] 個人情報保護(田島) [15] 京都大学における知財(田島) |
||||||||||||
(履修要件) |
特になし
|
||||||||||||
(成績評価の方法・観点及び達成度) | 情報に関わる著作権・特許、知財管理、個人情報保護に関する知識を十分に取得できることを到達目標とする。 講義中に複数回実施する小テスト(合計で55%)および期末試験(45%)で成績評価を行う。 |
||||||||||||
(教科書) |
教材は、講義スライドのコピーおよび関連文献のプリント(適宜配布)を用いる。
|
||||||||||||
(参考書等) |
『特許工学入門』
(中央経済社)
ISBN:978-4502909603
『入門知的財産法[第3版]』
(有斐閣)
ISBN:978-4641243606
|
||||||||||||
(関連URL) |
https://www.j-platpat.inpit.go.jp/
J-PlatPat 特許情報プラットフォーム
https://www.bunka.go.jp/seisaku/chosakuken/index.html 著作権(文化庁ウェブページ) https://www.ppc.go.jp/ 個人情報保護委員会 |
||||||||||||
(授業外学習(予習・復習)等) | 授業時に配布する授業資料を用いて予習復習を行うこと。 | ||||||||||||
(その他(オフィスアワー等)) | オフィスアワーはメールによる事前予約のこと。メールアドレスは以下の通り(「@」を「@」に置き換えること): 田島:tajima@i.kyoto-u.ac.jp 谷川:htanigawa@ird-pat.com |
||||||||||||
情報と知財
(科目名)
Information and Intellectual Property
(英 訳)
|
|
|||||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | ||||||||||
(旧群) (単位数) 2 単位 (週コマ数) 1 コマ (授業形態) 講義 | ||||||||||
(開講年度・ 開講期) 2024・後期 (配当学年) 大学院生 (対象学生) 全学向 |
||||||||||
(曜時限)
木5 (教室) 総合研究8号館NSホール |
||||||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | ||||||||||
(授業の概要・目的)
情報に関わる著作権、特許、知財管理、個人情報保護に関する知識を教授する。
|
||||||||||
(到達目標)
情報に関わる著作権、特許、知財管理、個人情報保護に関する基礎的な知識を十分に取得できていることを到達目標とする。
|
||||||||||
(授業計画と内容)
以下の内容の講述を行うとともに、適宜、机上演習やグループ討論を行う。また、一部の回では関連分野のゲストスピーカーを招聘して討論を行う。 [01] 講義概要紹介(田島) [02] 特許権(1)知的財産権の基礎、特許出願の流れ、特許要件(谷川、田島) [03] 特許権(2)ソフトウェア関連発明、発明の取り扱い、特許出願の態様(谷川、田島) [04] 特許権(3)特許に関する手続きの流れ(谷川、田島) [05] 特許権(4)特許文書の読み方、よい発明の構築方法(谷川、田島) [06] 特許権(5)特許工学、特許調査(谷川、田島) [07] 情報技術と商標(商標登録の仕組、キーワード広告と商標権、商標戦略等)(谷川、田島) [08] 特許権・商標権とライセンス交渉(谷川、田島) [09] デジタルコンテンツ著作権(1)著作権法の概要、著作物性(田島) [10] デジタルコンテンツ著作権(2)著作権法上の権利の種類と効力(田島) [11] デジタルコンテンツ著作権(3)著作物の利用機器・サービスの提供者の責任(田島) [12] デジタルコンテンツ著作権(4)侵害コンテンツへの誘導者の責任(田島) [13] 人工知能(AI)と知的財産(田島) [14] 個人情報保護(田島) [15] 京都大学における知財(田島) |
||||||||||
(履修要件)
特になし
|
||||||||||
(成績評価の方法・観点及び達成度)
情報に関わる著作権・特許、知財管理、個人情報保護に関する知識を十分に取得できることを到達目標とする。
講義中に複数回実施する小テスト(合計で55%)および期末試験(45%)で成績評価を行う。 |
||||||||||
(教科書)
教材は、講義スライドのコピーおよび関連文献のプリント(適宜配布)を用いる。
|
||||||||||
(参考書等)
『特許工学入門』
(中央経済社)
ISBN:978-4502909603
『入門知的財産法[第3版]』
(有斐閣)
ISBN:978-4641243606
|
||||||||||
(授業外学習(予習・復習)等)
授業時に配布する授業資料を用いて予習復習を行うこと。
|
||||||||||
(その他(オフィスアワー等))
オフィスアワーはメールによる事前予約のこと。メールアドレスは以下の通り(「@」を「@」に置き換えること):
田島:tajima@i.kyoto-u.ac.jp 谷川:htanigawa@ird-pat.com |
||||||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
非線形物理学特論I
|
(英 訳) | Topics in Nonlinear Physics I | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語 | ||||||
(旧群) | |||||||
(単位数) | 1 単位 | ||||||
(時間数) | 30 時間 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・通年集中 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 理系向 | ||||||
(曜時限) | 集中 6/25(火) 2〜4限、7/2(火) 2〜4限、7/9(火) 3,4限 |
||||||
(教室) | 工学部総合校舎 213講義室 | ||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 機械学習から神経科学まで幅広い広がりを見せているニューラルネットワークの数理的理解について、おもに力学的/統計力学的視点から解説する。ランダム神経回路の解析を土台とし、特に深層学習における学習ダイナミクスの理解に向けて講義を進めていく。基本的な道具や考え方を入門的に習得することに主眼をおきつつ、近年の動向や発展的事例を含めた全体像の俯瞰を得ることも目指す。 | ||||||
(到達目標) | 機械学習・深層学習や神経科学において、ニューラルネットワークに関係した新しい問題や現象に出くわしたとき、ある程度自分で数理的な解析ができるように、基礎的知識を取得する。 | ||||||
(授業計画と内容) | 開講日程:吉田キャンパス内にて、前期火曜日、6月中旬から7月中旬に講義を予定している (詳細は後日案内)。集中講義として講義を行なうが、本科目は1単位科目であることから、7.5回以上の講義を行う。 具体的な講義内容:以下の通りである。なお、履修者の理解度や講義の進度を考慮して、一部の内容の変更・省略あるいは順序の変更を行うことがある。 (1) ニューラルネットワークの概要 (2) 深層モデルの統計神経力学 - 勾配消失/発散問題と秩序-カオス相転移 - バックプロパゲーションの平均場理論 - NNGPカーネル (3) Neural Tangent Kernelと学習レジーム - NTKレジームの特徴づけ - 最大更新パラメータにおける特徴学習 - 可解モデル: 対角線形ネットにおける陰的正則化 (4) 過剰パラメータ系の典型評価 - 二重/多重降下現象 - カーネルリッジ回帰における汎化誤差のレプリカ解析 - ランダム行列理論 (5) 連想記憶とボルツマンマシン - ホップフィールド模型と現代的アーキテクチャ - CD学習, スコアマッチング (6) 深層線形ネットの学習力学 - 可解条件 - ランダム行列積と動的等長性 |
||||||
(履修要件) |
特になし
|
||||||
(成績評価の方法・観点及び達成度) | 到達目標に対する達成度をレポートにより評価する。成績評価の詳細は授業時に説明する。 | ||||||
(教科書) |
使用しない
|
||||||
(参考書等) |
授業中に紹介する
|
||||||
(授業外学習(予習・復習)等) | 予習・復習についての具体的な事項は授業時に指示する。 | ||||||
(その他(オフィスアワー等)) | ※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。 | ||||||
非線形物理学特論I
(科目名)
Topics in Nonlinear Physics I
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||
(旧群) (単位数) 1 単位 (時間数) 30 時間 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・通年集中 (配当学年) 大学院生 (対象学生) 理系向 |
|||||||
(曜時限)
集中 6/25(火) 2〜4限、7/2(火) 2〜4限、7/9(火) 3,4限 (教室) 工学部総合校舎 213講義室 |
|||||||
情報学研究科 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
機械学習から神経科学まで幅広い広がりを見せているニューラルネットワークの数理的理解について、おもに力学的/統計力学的視点から解説する。ランダム神経回路の解析を土台とし、特に深層学習における学習ダイナミクスの理解に向けて講義を進めていく。基本的な道具や考え方を入門的に習得することに主眼をおきつつ、近年の動向や発展的事例を含めた全体像の俯瞰を得ることも目指す。
|
|||||||
(到達目標)
機械学習・深層学習や神経科学において、ニューラルネットワークに関係した新しい問題や現象に出くわしたとき、ある程度自分で数理的な解析ができるように、基礎的知識を取得する。
|
|||||||
(授業計画と内容)
開講日程:吉田キャンパス内にて、前期火曜日、6月中旬から7月中旬に講義を予定している (詳細は後日案内)。集中講義として講義を行なうが、本科目は1単位科目であることから、7.5回以上の講義を行う。 具体的な講義内容:以下の通りである。なお、履修者の理解度や講義の進度を考慮して、一部の内容の変更・省略あるいは順序の変更を行うことがある。 (1) ニューラルネットワークの概要 (2) 深層モデルの統計神経力学 - 勾配消失/発散問題と秩序-カオス相転移 - バックプロパゲーションの平均場理論 - NNGPカーネル (3) Neural Tangent Kernelと学習レジーム - NTKレジームの特徴づけ - 最大更新パラメータにおける特徴学習 - 可解モデル: 対角線形ネットにおける陰的正則化 (4) 過剰パラメータ系の典型評価 - 二重/多重降下現象 - カーネルリッジ回帰における汎化誤差のレプリカ解析 - ランダム行列理論 (5) 連想記憶とボルツマンマシン - ホップフィールド模型と現代的アーキテクチャ - CD学習, スコアマッチング (6) 深層線形ネットの学習力学 - 可解条件 - ランダム行列積と動的等長性 |
|||||||
(履修要件)
特になし
|
|||||||
(成績評価の方法・観点及び達成度)
到達目標に対する達成度をレポートにより評価する。成績評価の詳細は授業時に説明する。
|
|||||||
(教科書)
使用しない
|
|||||||
(参考書等)
授業中に紹介する
|
|||||||
(授業外学習(予習・復習)等)
予習・復習についての具体的な事項は授業時に指示する。
|
|||||||
(その他(オフィスアワー等))
※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。
|
|||||||
授業の進捗状況や受講生の習熟度などによって「授業計画と内容」,「成績評価の方法」が変更になる場合があります。
(科目名) |
サービスモデリング論
|
(英 訳) | Service Modeling & Applying Strategy | ||||
---|---|---|---|---|---|---|---|
(担当教員) |
|
||||||
(群) | 院横断 | ||||||
(分野(分類)) | 統計・情報・データ科学系 | ||||||
(使用言語) | 日本語 | ||||||
(旧群) | |||||||
(単位数) | 2 単位 | ||||||
(時間数) | 30 時間 | ||||||
(週コマ数) | 1 コマ | ||||||
(授業形態) | 講義 | ||||||
(開講年度・開講期) | 2024・通年集中 | ||||||
(配当学年) | 大学院生 | ||||||
(対象学生) | 全学向 | ||||||
(曜時限) | 集中 9月9日(月)〜11日(水)2限〜5限、9月12日(木)2限〜4限 |
||||||
(教室) | 総合研究所2号館 ケーススタディ演習室 | ||||||
情報学研究科, 経営管理大学院 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的) | 「サービス」において、無形の事象や財、プロセス等が価値をもたらす。複数のステークホルダがサービスを適切に認識し、その情報を共有するためにはサービスを視える化することが効果的である。本講義では複数の側面からのサービスモデリングについて、手法やモデル化の意図等を解説する。ここで対象とするサービスとは、対人サービスをはじめとした第三次産業だけでなく、製造業におけるサービス化も含めた産業全体のサービスである。 サービスを表現するモデルについての基礎的な知識を身に着けたうえで、モデルの利用場面や利用方法を理解する。これを通じて、付加価値の増加・効率化・生産性の向上といった事業の改善に寄与できる人材となることを目指す。 |
||||||
(到達目標) | 物財と異なる性質(無形性、同時性、異質性、消滅性)を含むサービスに対して、モデル化することによる情報の活用・共有やビジネスモデルの理解を深める。また、学んだモデル・手法を利用して他者との議論や認識の擦り合わせを身につける。 | ||||||
(授業計画と内容) | 1、ガイダンス サービスに関わる基本概念の説明を行い、サービスの特性(製造業との対比含む) や生産性向上のための施策、関連するモデル等について概説 2、モデル化と「モデル」の理解 サービスのモデル化を行う意義、目的、効用などの総論を説明 3、モデル化の道具:モデリング言語 サービスのモデル化を行う表現手段として、UML(Unified Modeling Language)等 のモデリング言語について概説する 4、グループ発表・個人発表の概要説明とモデル活用 講義で行ってもらうプロジェクト発表についての概要を説明。サービスのいくつかのモデルを活用し、プロジェクトにおいてサービスを捉える観点を紹介。 また、今後の活動の単位となるグループを構成し、自己紹介等を行う 5、サービスのケース演習概説 演習の全体像、および、ケースの分類軸(フロント/バック、リアル/バーチャル)について解説 6、フロント/リアル デパートの店員、セルフレジなどの対人サービスとしての小売業事例を紹介 7、フロント/バーチャル 音楽携帯プレーヤー(iPod vs ウォークマン)の事例について紹介 8、バック/バーチャル クラウドサービスの事例について紹介 9、バック/リアル 物流業、業務アウトソーシング、人材派遣業等の事例について紹介 10、サービスの品質 SERVQUALなどのサービス品質評価尺度について概説 11、サービスの顧客と価値 利用者視点にたったサービス活用能力と価値について概説 12、個人発表 個人プロジェクトについて発表を行う(受講数に応じて、全体orグループ内) 13、サービスの領域と特性 公共サービスとしての行政サービスのような特異な性質をもったサービスや、その環境に対する概説 14、グループプロジェクト発表とケースの総括 グループ単位で学生によるサービスモデル化の事例発表を実施 15、総括 講義全体のまとめ、および、授業アンケートを実施 |
||||||
(履修要件) |
履修条件はなく、本講義単独での受講可。体系的な学習としては、「サービス創出方法論」等の経営管理大学院、サービス&ホスピタリティプログラム関連の授業を受講することが望ましい。
|
||||||
(成績評価の方法・観点及び達成度) | 授業出席・参加状況(30%)、個人発表課題(40%)、グループ発表課題(30%) | ||||||
(教科書) |
授業中に指示する
|
||||||
(参考書等) |
『UMLモデリング入門』
(日経BP社)
(2008)
『サービス・マネジメント(統合的アプローチ上・中・下)Services management : an integrated approach』
(ピアソン・エデュケーションFinancial Times Management)
(2004)
その他、講義中に紹介
|
||||||
(授業外学習(予習・復習)等) | 発表を行うプロジェクトについては、実在のサービス事例を調査・分析する。上場企業に対しては、アニュアルレポート等が公開されているので参照されたい。 | ||||||
(その他(オフィスアワー等)) | 原則として授業の後の時間帯をオフィスアワーとする。 メールで事前連絡することが望ましい。 e-mail: shimada.satoshi.4a@kyoto-u.ac.jp (嶋田) |
||||||
サービスモデリング論
(科目名)
Service Modeling & Applying Strategy
(英 訳)
|
|
||||||
(群) 院横断 (分野(分類)) 統計・情報・データ科学系 (使用言語) 日本語 | |||||||
(旧群) (単位数) 2 単位 (時間数) 30 時間 (週コマ数) 1 コマ (授業形態) 講義 | |||||||
(開講年度・ 開講期) 2024・通年集中 (配当学年) 大学院生 (対象学生) 全学向 |
|||||||
(曜時限)
集中 9月9日(月)〜11日(水)2限〜5限、9月12日(木)2限〜4限 (教室) 総合研究所2号館 ケーススタディ演習室 |
|||||||
情報学研究科, 経営管理大学院 の学生は、全学共通科目として履修できません。所属学部で履修登録してください。 | |||||||
(授業の概要・目的)
「サービス」において、無形の事象や財、プロセス等が価値をもたらす。複数のステークホルダがサービスを適切に認識し、その情報を共有するためにはサービスを視える化することが効果的である。本講義では複数の側面からのサービスモデリングについて、手法やモデル化の意図等を解説する。ここで対象とするサービスとは、対人サービスをはじめとした第三次産業だけでなく、製造業におけるサービス化も含めた産業全体のサービスである。
サービスを表現するモデルについての基礎的な知識を身に着けたうえで、モデルの利用場面や利用方法を理解する。これを通じて、付加価値の増加・効率化・生産性の向上といった事業の改善に寄与できる人材となることを目指す。 |
|||||||
(到達目標)
物財と異なる性質(無形性、同時性、異質性、消滅性)を含むサービスに対して、モデル化することによる情報の活用・共有やビジネスモデルの理解を深める。また、学んだモデル・手法を利用して他者との議論や認識の擦り合わせを身につける。
|
|||||||
(授業計画と内容)
1、ガイダンス サービスに関わる基本概念の説明を行い、サービスの特性(製造業との対比含む) や生産性向上のための施策、関連するモデル等について概説 2、モデル化と「モデル」の理解 サービスのモデル化を行う意義、目的、効用などの総論を説明 3、モデル化の道具:モデリング言語 サービスのモデル化を行う表現手段として、UML(Unified Modeling Language)等 のモデリング言語について概説する 4、グループ発表・個人発表の概要説明とモデル活用 講義で行ってもらうプロジェクト発表についての概要を説明。サービスのいくつかのモデルを活用し、プロジェクトにおいてサービスを捉える観点を紹介。 また、今後の活動の単位となるグループを構成し、自己紹介等を行う 5、サービスのケース演習概説 演習の全体像、および、ケースの分類軸(フロント/バック、リアル/バーチャル)について解説 6、フロント/リアル デパートの店員、セルフレジなどの対人サービスとしての小売業事例を紹介 7、フロント/バーチャル 音楽携帯プレーヤー(iPod vs ウォークマン)の事例について紹介 8、バック/バーチャル クラウドサービスの事例について紹介 9、バック/リアル 物流業、業務アウトソーシング、人材派遣業等の事例について紹介 10、サービスの品質 SERVQUALなどのサービス品質評価尺度について概説 11、サービスの顧客と価値 利用者視点にたったサービス活用能力と価値について概説 12、個人発表 個人プロジェクトについて発表を行う(受講数に応じて、全体orグループ内) 13、サービスの領域と特性 公共サービスとしての行政サービスのような特異な性質をもったサービスや、その環境に対する概説 14、グループプロジェクト発表とケースの総括 グループ単位で学生によるサービスモデル化の事例発表を実施 15、総括 講義全体のまとめ、および、授業アンケートを実施 |
|||||||
(履修要件)
履修条件はなく、本講義単独での受講可。体系的な学習としては、「サービス創出方法論」等の経営管理大学院、サービス&ホスピタリティプログラム関連の授業を受講することが望ましい。
|
|||||||
(成績評価の方法・観点及び達成度)
授業出席・参加状況(30%)、個人発表課題(40%)、グループ発表課題(30%)
|
|||||||
(教科書)
授業中に指示する
|
|||||||
(参考書等)
『UMLモデリング入門』
(日経BP社)
(2008)
『サービス・マネジメント(統合的アプローチ上・中・下)Services management : an integrated approach』
(ピアソン・エデュケーションFinancial Times Management)
(2004)
その他、講義中に紹介
|
|||||||
(授業外学習(予習・復習)等)
発表を行うプロジェクトについては、実在のサービス事例を調査・分析する。上場企業に対しては、アニュアルレポート等が公開されているので参照されたい。
|
|||||||
(その他(オフィスアワー等))
原則として授業の後の時間帯をオフィスアワーとする。
メールで事前連絡することが望ましい。 e-mail: shimada.satoshi.4a@kyoto-u.ac.jp (嶋田) |
|||||||