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.

Understanding basic concepts, problems, and techniques of statistical learning and some of the recent topics.

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

特になし

Reports and/or final exam.

Basic knowledge about probability and statistics

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.

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.

【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。

特になし

講義への出席・各回の演習により採点する

講義内で紹介する

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．

【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．

・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．

- 「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．

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．

必要な場合は授業中に指定する．

- 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

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．

【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．

・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．

- 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．

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．

必要な場合は授業中に指定する．

- 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

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.

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.

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

An ability to think abstractly and to solve problems of a mathematical nature will be required for this course.
No programming skills are needed.

A written examination at the end of the course.

Students will be expected to spend about 5 hours per week to prepare for and review the lessons.

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.

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.

【The 1st】データ科学のコンセプト，データ解析，統計解析言語 R
Concept of data science, data analysis, Statistical analysis language R
【The 2nd】統計量と分布 Statistical quantity and distribution
【The 3rd】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
【The 4th】討論①：問題設定（グループ化，データ）
Discussion 1: Problem setting and grouping
【The 5th】推定，検定，最尤法 Estimation, test, and maximum-likelihood estimation
【The 6th】回帰分析②：単回帰, ANOVA
Regression analysis 2: Single-regression and ANOVA
【The 7th】回帰分析③：重回帰，多重共線性
Regression analysis 3: Multi-regression and multi-collinearity
【The 8th】主成分分析 Principal Component Analysis
【The 9th】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
【The 10th】討論②：中間発表　（グラフ，予備的結果）
Discussion 2: Data visualization and preliminary results
【The 11th】時系列分析②：ARモデル，最尤法
Time series analysis 2: AR model and maximum-likelihood estimation
【The 12th】時系列分析③：MAモデル，ARIMAモデル
Time series analysis 3: MA model and ARIMA model
【The 13th】時系列分析④：VARモデル，インパルス応答
Time series analysis 4: Vector Auto Regression model and Impulse Response
【The 14th】討論③：解析結果　 Discussion 3: Analysis Results

特になし

平常点と最終回に提示するレポートにより評価する。

討論の準備を授業外学習として行うこと。

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

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．前半では統計学の基礎の復習からはじまり，カルバック・ライブラ情報量，最尤推定量の性質の議論を経て，情報量規準によるモデル選択について幾何学観点をふまえて解説する．後半ではまず統計学の一分野である大偏差原理の基礎について解説する．次に，その理論に基づきバンディット問題をはじめとした動的意思決定問題について解説する．

・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．

第１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２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３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４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５回：情報量規準TICの導出，AICの導出（担当：下平）
第６回：クロスバリデーション，ベイズ情報量規準（担当：下平）
第７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８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９回：連続分布の大偏差原理，Cramerの定理（担当：本多）
第１０回：Sanovの定理，KL情報量の解釈（担当：本多）
第１１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１２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１３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１４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

特になし

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．

講義で学ぶだけでなく，実際のデータ解析を試みること．

オフィスアワーの詳細は別途指示する．

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。

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。

情報と法　（大手）　　 4回
情報と倫理 (担当教員） 2回
情報と政策（神田） 　　2回
情報と経済（伊藤） 　　4回
情報と教育（担当教員） 3回
（順序は変更されることがある）

特になし

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。

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。

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：
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。

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。

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】
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。

特になし

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。

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。

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。

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。すなわち授業内での議論では、理系・文系両方のの受講生からの意見を聞くことができる。

【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。

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。

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）

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。

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）　　　　　　35％程度
② 期末レポート　　　　　　　　　　　　　　　40％程度
③ 授業への貢献（議論への積極的参加・発言）　25％程度

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。

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。

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.

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.

【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。

特になし

講義への出席・各回の演習により採点する

予習・復習内容については講義内で伝える

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．

【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．

・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．

- 「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．

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．

必要な場合は授業中に指定する．

- 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

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．

【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．

・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．

- 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．

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．

必要な場合は授業中に指定する．

- 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

　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.

　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.

　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

特になし

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.

　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.

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。

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.

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.

【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】討論３：結果議論
Discussion 3: Results and Discussion

特になし

平常点と最終回に提示するレポートにより評価する。

討論の準備を授業外学習として行うこと。

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

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、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。

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。

1. ガイダンス：講義の進め方、データ科学と信号処理の関係
2. 統計的信号処理の基礎：信号処理の考え方、複素数、確率変数、期待値
3. 信号の統計的性質の基礎：確率過程、相関行列
4. 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
5. 線形逆問題：線形観測モデルと逆問題、最小二乗法、MMSE推定、最大比合成
6. 適応信号処理：ウィナーフィルタ、最急降下法
7. 適応信号処理：LMS、正規化LMS、RLS
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. 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
11. 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
12. 確率伝播法：条件付き独立性、グラフィカルモデル、確率推論問題、sum-productアルゴリズム、PearlのBPアルゴリズム
13. マルコフ連鎖モンテカルロ：メトロポリス法、ギブスサンプラー、詳細釣り合い条件、メトロポリス・ヘイスティングス法
14. 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
15. フィードバック

「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。

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。

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。

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。

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。

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）

特になし

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。
レポート課題と講義中に複数回実施する小テストで成績評価を行う。

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。

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

概要: 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起点とし、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。深層学習は様々な問題で目覚ましい成果を上げているが、開発は経験的/発見的に進んでいる側面が大きい。そのメカニズムや原理の数理的見通しを得ることを目指して講義を進める。具体的には、統計神経力学の枠組みを導入し、ランダム神経回路における発火状態の巨視的な伝播則から始める。続いて、機械学習で問題となるパラメータの学習ダイナミクスに話題を進め、モデルやアルゴリズムの望ましい設定を明らかにしていく。ダイナミクスは非線形かつ多様な振る舞いを見せるが、可解モデルの力学系解析を交えつつ、普遍的に成立すると考えられる現象や法則を探求する。

目標: 本講義では基礎となる考え方や道具を入門的に習得することを目指す。ただし、 重要と思われる項目では具体的に計算を追う一方で、近年の動向や事例も紹介しながら全体像の俯瞰を得ることも目指す。履修者が今後、機械学習や神経科学など諸問題において新しい問題や現象に出くわしても、ある程度は自分で解析の道筋が立てられるような知識の取得を目指す。

開講日程：吉田キャンパス内にて、６ー７月あるい１０ー１１月に週１日講義を３〜４回実施する予定である(具体的日時は４月までにアナウンスする)。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
- 歴史と背景
- 数理的研究の位置づけ

(2) 深層モデルの統計神経力学
- 大自由度とランダム性
- 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
- カーネル法とのつながり

(3) 学習レジームと陰的バイアス
- Neural Tangent Kernel(NTK)レジーム
- 無限幅極限の特徴学習, muP導出
- 対角線形ネット模型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) 連想記憶モデルとその周辺
- 現代的ホップフィールドネットワーク, 注意機構型, 記憶容量
- エネルギーベースモデルの学習法 (CD法, スコアマッチング, 平衡伝播法)

(6) 深層線形ネットの学習力学
- 可解条件
- カタパルト現象
- 動的等長性

特になし

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。

予習・復習についての具体的な事項は授業時に指示する。

※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。

　「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。

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。

Day1：第1回〜第4回
・サービスに関する議論全体を俯瞰
・「モデル」および「モデル化」の概要
・講義全体での課題等の説明

Day2：第5回〜第8回
・サービスをある軸で分類し、それぞれの特性を解説
・特定の場面を対象に具体的なモデル化の演習

Day3：第9回〜第12回
・サービスモデルの研究における位置づけ
・サービスの品質と評価

Day4：第13回〜第15回
・特定のサービス領域・分野の解説
・サービスの顧客と価値
・グループ演習の発表・フィードバック

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、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。

授業出席・参加状況(30%)、個人課題(30%)、グループ発表課題(40%)

発表を行う課題については、実在のサービス事例を調査・分析することがある。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。

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: sshimada@fc.ritsumei.ac.jp　 (嶋田)

本授業の目的は、大規模データに対する統計処理を通じて、高速な逐次計算プログラムを作成する技法と並列計算の初歩を学ぶことである。
その目的を達成するために、本授業では、予測を行うための典型的な手法である回帰分析を行うC言語のプログラムを3種類作成する。1つは逐次計算のプログラム、1つはOpenMPを用いた並列計算のプログラム、もう1つはMPIを用いた並列計算のプログラムである。演習に先立ち、コンピュータを用いて計算を行う数値計算についての基本的な知識や、行列・線形代数の知識、回帰分析の知識、および、並列計算を行うためのOpenMPとMPIについてなど、演習に必要な事項について講義する。

【大学院横断型教育の概要・目的】
具体的な題材を課題とした演習により、計算科学・並列計算の技法を実践的に学ぶことができ、学習成果の活用が期待される。特に、計算科学の技法を強く意識していなかった理系分野の大学院生が、この授業を受講することにより、新しい視点で、自分の分野の研究にアプローチできるようになる。

高速なプログラムを作成する技法を理解し、OpenMPおよびMPIを用いて並列計算を行うプログラムを作成できるようになること。

全15回の授業の予定は以下の通りである。

・数値計算と計算科学（1回）
二分法やガウスの消去法を例に計算機で計算する方法について講義する

・線形代数（1回）
回帰分析を行うのに必要なグラム・シュミットの正規直交化法とQR分解、および、分散メモリの並列計算でQR分解を行うAll Reduceアルゴリズムについて講義する

・回帰分析（1回）
回帰分析と最小二乗法について講義する

・逐次計算の高速化（1回）
効率的なアルゴリズム、計算機アーキテクチャとキャッシュの有効活用など高速な逐次計算を行うコツについて講義する

・OpenMP入門（1回）
共有メモリ向けの並列化技法であるOpenMPについて講義する

・MPI入門（1回）
分散メモリ向けの並列化技法であるMPIについて講義する

・回帰分析を行うプログラムの作成（9回）
回帰分析を行うC言語のプログラムを3種類作成する。
始めに逐次計算のプログラムを作成し、それをOpenMPを用いて並列化を行ったプログラム、MPIを用いて並列化を行ったプログラムをそれぞれ作成する。

C言語を用いて実習を行うため、C言語の文法を既に習得しているか、事前にC言語の基礎を学習しておくことを期待する。

レポート試験により評価する。
OpenMPを用いた並列計算のプログラム、MPIを用いた並列計算のプログラムの2種類を提出してもらい、正しく効率的に計算が行われているか評価する。

C言語を用いて実習を行うため、C言語の文法を既に習得しているか、事前にC言語の基礎を学習しておくことを期待する。
授業時間の制約上、各話題について詳細に解説することが困難であるため、各自で図書館等を利用してより深い知識を得ることを期待する。

課題実習では、学術情報メディアセンターのスーパーコンピュータを使用します。スーパーコンピュータ利用登録のために事前に必要な手続きについては7月下旬頃にPandAから連絡する予定ですので、確認の上、対応するようにしてください。

演習用の端末としてノート型PCを持参してください。