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

本講義は、受講者がデータドリブンな思考力および課題解決力を身につけることを通じて、SDGsをはじめとする多様な社会課題の解決に貢献できる実践的AI人材の育成を目的とする。そのために、ビジネスおよび社会実装の現場で求められるデータ分析・AI活用の基礎スキルを体系的に習得することを主眼とする。

具体的には、豊富なAI社会実装の実績を有する アクセンチュア株式会社 が作成した教材を用い、ビジネス領域におけるデータサイエンスおよびAI活用の全体像を概観するとともに、実際の活用事例を通じてその有効性と課題を学ぶ。あわせて、基本的なデータ分析手法、機械学習の考え方に関する講義、およびデータ分析演習を行う。

本講義は、前期に開講される基礎編の内容を踏まえた応用編として位置づけられており、基礎的な分析手法の復習に加え、深層学習や画像認識など、より高度なAI技術についても触れることで、実社会におけるAI活用を多角的に理解する力を養う。

This course is designed to develop data-driven analytical and problem-solving competencies, with the goal of nurturing practice-oriented AI professionals capable of addressing complex societal challenges, including those related to the SDGs. Emphasis is placed on building a solid foundation in data analytics and AI utilization as required in business and social implementation settings.

The course employs instructional materials developed by Accenture, a company with a strong track record in real-world AI deployment. Students will explore the overall landscape of data science and AI applications in business, examine practical case studies, and critically assess both their impact and limitations. Core topics include fundamental data analysis techniques, machine learning concepts, and hands-on analytical exercises.

Positioned as an advanced extension of the introductory course offered in the first semester, this course goes beyond foundational methods to introduce advanced AI technologies such as deep learning and image recognition. Through this approach, students will gain a comprehensive and practical understanding of AI applications in contemporary business and society.

1. 理解（知識）
　国内外におけるデータサイエンスおよびAI活用の代表的事例を通じて、実際のビジネスや社会課題解決の現場におけるデータ活用の重要性を理解する。
2. 思考（プロセス理解）
　講義および演習を通じて、分析プロジェクトにおける一連の流れ（課題定義、仮説立案、データ理解、分析・検証、結果解釈）を体系的に理解し、データドリブンな思考方法を身につける。
3. 技能（実装）
　Pythonを用いたデータ処理およびモデル構築の基礎的スキルを習得し、データ分析を自ら実装できる能力を身につける。
4. 応用（発展）
　本講義の到達点として、深層学習を用いた画像認識を題材に、より高度なAI技術の基本的な考え方と実装方法を理解し、実データへの応用可能性を説明できるようになる。

Learning Outcomes (English Version)
1. Understanding (Knowledge)
Through representative domestic and international case studies of data science and AI applications, students will understand the importance of data utilization in real-world business contexts and in addressing societal challenges.
2. Analytical Thinking (Process Understanding)
Through lectures and hands-on exercises, students will systematically understand the full workflow of an analytics project, including problem definition, hypothesis formulation, data understanding, analysis and validation, and interpretation of results, and will acquire a data-driven approach to thinking.
3. Technical Skills (Implementation)
Students will acquire fundamental skills in data processing and model development using Python, and will develop the ability to implement data analysis independently.
4. Application and Advancement
As a culmination of the course, students will use image recognition tasks based on deep learning to understand the fundamental concepts and implementation methods of advanced AI technologies, and will be able to explain their applicability to real-world data.

授業内容

【第1回】AI・データサイエンス概論（応用編）
Introduction to AI and Data Science (Advanced)

【第2回】データ分析実務の全体像①：分析プロジェクトと課題定義
Overview of Data Analysis Practices (1): Analysis Projects & Problem Definition

【第3回】データ分析実務の全体像②：仮説立案と示唆導出
Overview of Data Analysis Practices (2): Hypothesis Formulation & Insight Generation

【第4回】データ収集・加工・探索的データ分析
Data Collection, Processing, and Exploratory Data Analysis

【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①：クラスタリング
Unsupervised Learning (Clustering) (1)

【第8回】教師なし学習②：クラスタリング応用
Unsupervised Learning (Clustering) (2)

【第9回】教師あり学習①：深層学習の基礎
Supervised Learning (Deep Learning) (1)

【第10回】教師あり学習②：深層学習の応用
Supervised Learning (Deep Learning) (2)

【第11回】画像認識①：基礎理論と手法
Image Recognition (1): Fundamentals and Methods

【第12回】画像認識②：実装と応用事例
Image Recognition (2): Implementation and Applications

【第13回】データ分析演習①：分析・発表準備
Data Analytics Exercise & Presentation (1)

【第14回】データ分析演習②：分析・発表
Data Analytics Exercise & Presentation (2)

【第15回】データ分析プレゼンテーション・講評会
Final Presentation & Review Session

⸻

ゲスト講演（予定）

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、または同社AIセンター関係者による講演を予定している。

特になし

講義への出席状況および各回の演習への取り組みを総合的に評価し、成績を判定する。
Assessment will be based on class attendance and active participation in exercises conducted in each session.

日本語：参考文献は講義内で適宜紹介する。
英語：Relevant references will be introduced as appropriate during the course.

経済や社会の諸要因が複雑に相互作用するグローバル課題を理解するためには、データに内在する構造を抽出する統計解析と、複雑な現象を記述するモデル化が不可欠である。本講義では、データサイエンスの基礎として、多変量解析および時系列解析を中心に学び、実データへの応用を通じて実践的理解を深める。特に、統計解析と機械学習の手法の対応関係に留意して、方法論を体系的に学習する。データサイエンスに加え、ネットワーク科学および計算科学の基礎を修得し、経済・社会システムへの応用を学ぶことを目的とする。また、日本語と英語を併用した講義により、データサイエンス分野における専門的な英語運用能力の向上を目指す。
To understand global issues arising from complex interactions among economic and social factors, statistical analysis and modeling of complex phenomena are essential. This course introduces fundamental methods in data science, focusing on multivariate and time series analysis, and develops practical understanding through applications to real-world data. In particular, systematically study methodologies while paying close attention to the relationship between statistical analysis and machine learning techniques.　The course also covers basic concepts in data science, network science, and computational science, with applications to economic and social systems. The course is conducted in both Japanese and English to enhance students’ ability to understand and communicate technical content in data science in an international research context.

データ科学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RやPythonを使ってデータ解析とシミュレーションができるようになる。
After gaining an understanding of data science theory, students will be able to perform data analysis and simulations using R or Python on problems that interest them individually.

【第1回】データ科学の概念，統計量と分布
【第2回】回帰分析①：基礎概念，推定
【第3回】回帰分析②：単回帰，検定
【第4回】回帰分析③：重回帰，多重共線性
【第5回】機械学習①: リッジ回帰とラッソ回帰
【第6回】機械学習②: 主成分分析
【第7回】機械学習③: クラスタ分析、分類、ニューラルネットワーク
【第8回】時系列分析①：基礎概念，最尤法、自己回帰モデル（ARモデル）
【第9回】時系列分析②：自己回帰和分移動平均モデル（ARIMAモデル）、一般化自己回帰条件付き分散不均一モデル（GARCHモデル）
【第10回】機械学習④: ブラウン運動、カルマンフィルタ、長・短期記憶モデル (LSTMモデル)
【第11回】ネットワーク科学①：複雑ネットワーク
【第12回】ネットワーク科学②：システムダイナミクス
【第13回】ネットワーク科学③：ネットワーク疫学
【第14回】演習: 問題設定と解析方法

【The 1st】Concept of data science, Statistical quantity and distribution
【The 2nd】Regression analysis 1: Basic concept, Estimation
【The 3rd】Regression analysis 2: Single-regression and Test
【The 4th】Regression analysis 3: Multi-regression and multi-collinearity
【The 5th】Machine Leaning 1: Lasso and Ridge Regression
【The 6th】achine Leaning 2: Principal Component Analysis
【The 7th】Machine Leaning 3: Cluster Analysis, Classification, and Neural network
【The 8th】Time series analysis 1: Basic concept, maximum-likelihood estimation, and Autoregressive model (AR model)
【The 9th】Time series analysis 2: ARIMA model (Autoregressive integrated moving average model), GARCH model (Generalized Autoregressive Conditional Heteroskedasticity model)
【The 10th】 Machine Leaning 4: Brownian Motion, Kalman Filter, and LSTM model (Long Short-Term Memory model)
【The 11th】Network Science 1: Complex Network
【The 12th】Network Science 2: System Dynamics
【The 13th】Network Science 3: Network Epidemiology
【The 14th】Exercise: Problem Setting and Analysis Methods

特になし

評価は、提出されたレポートに基づく達成目標の達成度に基づいて行われる。
The evaluation will be based on the degree of achievement of the attainment objectives by submitting reports.

授業前に配布する資料やプログラムをもとに，各自で復習を行うこと
Review the materials and program distributed before class on your own.

この講義は、文系・理系を問わず、幅広い分野の学生が受講することを想定しています。
池田裕一　　ikeda.yuichi.2w@kyoto-u.ac.jp
I expect students from a wide range of fields, regardless of whether they are in the humanities or sciences, to take this course.
Yuichi Ikeda　　ikeda.yuichi.2w@kyoto-u.ac.jp

様々な分野に展開しているAIの基盤である機械学習モデル、及び大規模言語モデル等の基盤モデルについて、その原理から応用について概観する。AIの倫理的・法的・社会的課題(ELSI)についても述べる。

AI for Scienceの基盤である機械学習及び大規模言語モデル等の基盤モデルの原理から応用まで理解・修得することを目標とする。

1. AIによる問題の定式化と倫理的・法的・社会的課題 (１回：河原)
AIによる様々な問題のモデル化と解き方を述べた後、倫理的・法的・社会的課題(ELSI)について論じる。
2. データ分析と機械学習 （３回；佐藤）
ベイズ決定理論、教師なし学習（最尤推定、EMアルゴリズム、ベイズ推定）、及び教師あり学習（誤り最小化、サポートベクトルマシン、アダブースト）を概観した後、深層学習の基礎（多層パーセプトロン、畳み込みニューラルネット、自己教師あり学習、対照学習）を講義する。
3. 自然言語処理と大規模言語モデル (３回: Huang)
自然言語処理（形態素解析、構文解析、意味解析、談話解析など）とその応用（機械翻訳や文書要約など）を概観した後、トランスフォーマに基づく大規模言語モデルの構成と展開について述べる。
4. マルチモーダル基盤モデルと生成AI （２回; Chu）
大規模言語モデルを発展させた、画像や音声を扱うことのできるマルチモーダルな基盤モデル、及び画像生成や画像の説明生成などのAIについて述べる。
5. 機械学習のための最適化 （３回；藤井）
機械学習の基盤技術である最適化の基礎を外観したあと、勾配降下法や確率的勾配降下法などの最適化アルゴリズムとその理論解析を述べる。
6. 時系列データのための機械学習 （３回；明石）
動力学現象の解析手法の基礎を概観した後、再帰型ニューラルネットワーク、リザバー計算、状態空間モデルなどの時系列データの扱いに長ける機械学習モデルについて述べる。

特になし

各講師が授業中に提示する質問への回答や課題のレポートに基づいて、総合的に成績評価を行う。

講義資料はLMSで配布する。予習・復習を行うこと。

講師の都合により、順序の変更および回数変更がありうる。

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.

疾患の予防、診断、治療の方法を評価する際に必要となるデータ科学の基本について学びます。数学的、技術的なことには立ち入らず、平易な言葉で、データ科学の基本的な考え方を中心に解説します。

・人を対象とした研究におけるデータ科学の基本的な視点を身につける。
・社会健康医学研究の目的に応じた基本的な研究デザインとデータ解析の方法を理解でき、それらの課題・限界について考察できる。

第1回　イントロダクション．医学・医療におけるデータ科学の貢献、基本概念
第2回　因果関係の評価、コントロールの必要性と選択
第3回　観察的研究のデザイン
第4回　実験的研究のデザイン
第5回　記述統計、関連性の指標
第6回　統計的推測
第7回　研究に必要なサンプルサイズ
第8回　探索と検証、NEJMの統計ガイドライン
第9回　診断・予後に関する研究1
第10回　診断・予後に関する研究2
第11回　統計モデリングの基礎
第12回　判別・予測、機械学習の基礎
第13回　判別・予測精度の評価
第14回　研究報告の各種ガイドライン

・受講者は単位不要でもミニテストを受けてください。
・「医療データ科学（コア）」を履修していないと後期「データ解析の方法」は履修できません。
・受講希望者は事前に必ずメールで連絡してください（contact@biostat.med.kyoto-u.ac.jp）。

・講義内のミニテスト（90%）。ディスカッションへの積極的な参加（10%）。理解度を素点（100点満点）で評価する。

予習のため講義の前の週の金曜までに講義資料をアップする予定。復習も充分行うこと。

オフィスアワーの詳細については、KULASISで確認してください。

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、社会に遍在する各種情報をディジタルデータ化し、そのデータを広範囲に収集し、ビッグデータと呼ばれる大規模データとして蓄積、それらデータの整理、分析、共有するという情報通信（ICT）技術を利用した“プラットフォーム”に関連するテーマについて、農学、医学、防災の観点からプラットフォーム利用の実際、利活用に関する最新研究動向、プラットフォーム利用企業のケーススタディを行う。また、社会に遍在する各種情報を情報通信デバイスによりクラウドに収集し、そのデータを処理し、利活用する技術の基本技術を習得する。さらに講義を通じて得た情報をもとにグループワークの形で社会課題を解決をするプラットフォームの設計を行う。本科目は主としてプラットフォーム学卓越大学院のプログラム担当教員により行われる。

農学、医学、防災の観点から情報通信技術を用いたプラットフォーム利用の実際、利活用法に関する理解を深めるとともに自らデータを収集、処理する基礎技術を習得する。

1. 　プラットフォームの概要（１回）：本講義で取り上げるプラットフォームの概要、応用分野について説明する。
2.　　農学とプラットフォーム（４回）：農学の観点からプラットフォーム利用の実際、利活用に関する最新研究動向に関するセミナー、プラットフォーム利用企業のケーススタディを行う。
2. 　医学とプラットフォーム（２回）：医学の観点からプラットフォーム利用の実際、利活用に関する最新研究動向に関するセミナー、プラットフォーム利用企業のケーススタディを行う。
3. 　防災とプラットフォーム（１回）：防災の観点からプラットフォーム利用の実際、利活用に関する最新研究動向に関するセミナー、プラットフォーム利用企業のケーススタディを行う。
4. 　プラットフォームにおけるデータ収集と現場環境駆動（２回）：サイバー空間上にセンサー、メーター、モニター情報を収集する技術、またサイバー空間上での結果に基づき現場空間を駆動する技術に関するセミナーを行う。
5.プラットフォーム構築ワークショップ（３回）：講義を通じて得た知識をもとに講義を通じて得た情報をもとにグループワークの形で社会課題を解決をするプラットフォームの設計を行うグループワークを行う。
6. ．到達度評価　　１回（レポート試験）

「プラットフォーム学展望」を受講していることが望ましい。

グループワークの成果、学期末に出題するレポート課題により評価する。また、平常点、授業への積極的な参加も評価に用いる。

各講義の復習を行い、レポート課題に取り組む。

オフィスアワーはメールのやり取りで随時行う。 メールアドレスは授業中に示す。

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。

本講義は、受講者がデータドリブンな思考力および課題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人材の育成を主眼とし、その基盤となるスキルを確立することを目的とする。

具体的には、豊富なAI社会実装実績を有する アクセンチュア株式会社 が作成した教材を基幹としつつ、講義独自のプログラムや資料も活用し、ビジネスにおけるデータサイエンスおよびAI活用の概要と事例の紹介、基本的なデータ分析手法および機械学習に関する講義、ならびにデータ分析演習を行う。

本講義は、前期に開講する科目の応用編として位置づけられ、深層学習や画像認識などの高度な技術についても取り上げる。

⸻

English

The objective of this course is to develop foundational skills for AI analysts who can contribute to solving social challenges, including the Sustainable Development Goals (SDGs), through the acquisition of data-driven thinking and problem-solving abilities.

Using original course materials developed by Accenture Japan Ltd., which has extensive experience in real-world AI implementation, together with instructor-developed programs and resources, the course introduces an overview of data science and AI applications in business, presents representative case studies, and covers fundamental data analysis methods and machine learning through practical analytical exercises.

This course is positioned as an advanced extension of the first-semester offering and also addresses more sophisticated topics such as deep learning and image recognition.

Advanced Business Analytics

日本語

本講義は、受講者がデータドリブンな思考力および課題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人材の育成を主眼とし、その基盤となるスキルを確立することを目的とする。

具体的には、豊富なAI社会実装実績を有するアクセンチュア株式会社が作成した教材を基幹としつつ、講義独自のプログラムや資料も活用し、ビジネスにおけるデータサイエンスおよびAI活用の概要と事例の紹介、基本的なデータ分析手法および機械学習に関する講義、ならびにデータ分析演習を行う。

本講義は、前期に開講する〈基礎編〉の応用編として位置づけられ、基礎編では十分に扱わなかった、現代AIを支える二つの中核技術である〈画像認識〉および〈自然言語処理〉に焦点を当てる。それぞれについて、理論的背景、実装に用いられるスクリプト、ならびに具体的な活用事例を、講義および演習を通じて学習する。

これらを通じて、深層学習や画像認識などの高度な技術を含むAIの基幹技術を体系的に理解した上で、実社会やビジネスの現場において適切にAIを活用できる人材を育成する。


The objective of this course is to develop foundational skills for AI analysts who can contribute to solving social challenges, including the Sustainable Development Goals (SDGs), through the acquisition of data-driven thinking and problem-solving abilities.

Using original course materials developed by Accenture Japan Ltd., which has extensive experience in real-world AI implementation, together with instructor-developed programs and resources, the course introduces an overview of data science and AI applications in business, presents representative case studies, and covers fundamental data analysis methods and machine learning through practical analytical exercises.

Positioned as an advanced extension of the first-semester introductory course, this lecture focuses on two core technologies that underpin modern AI—image recognition and natural language processing—which were not fully covered in the basic course. Through lectures and hands-on exercises, students will learn the theoretical foundations of these technologies, the scripts and tools used for their implementation, and their real-world applications.

By comprehensively understanding these core AI technologies, including deep learning and image processing, students will develop the ability to appropriately apply AI techniques in practical business and societal contexts.

【第1回】AI・データサイエンス概論（応用編）

Introduction to AI and Data Science (Advanced)

日本語
AIおよびデータサイエンスの基本概念を、社会課題やビジネス応用の観点から整理する。前期科目〈基礎編〉の内容を踏まえ、AI活用の全体像と本講義の位置づけを理解する。

English
This session provides an overview of AI and data science from the perspective of business and social applications. Building on the introductory course, students will understand the overall structure of AI utilization and the positioning of this advanced course.

⸻

【第2回】データ分析実務の全体像①（分析プロジェクト・課題定義）

Overview of Data Analysis Practices (1): Analysis Projects and Issue Definition

日本語
実務におけるデータ分析プロジェクトの流れを概観し、課題定義の重要性について学ぶ。分析の目的設定やビジネス課題の構造化に焦点を当てる。

English
This session introduces the overall workflow of data analysis projects, emphasizing the importance of issue definition and problem structuring in real-world business contexts.

⸻

【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): Hypothesis Formulation and Insight Generation

日本語
仮説立案の考え方と、分析結果から有用な示唆を導出するプロセスについて学ぶ。データドリブンな思考法を実例を通じて理解する。

English
Students will learn how to formulate hypotheses and derive meaningful insights from data, developing data-driven thinking through practical examples.

⸻

【第4回】データ収集・加工・探索

Data Collection, Processing, and Exploration

日本語
データ分析における前処理の重要性を理解し、データ収集、加工、探索的データ分析（EDA）の基本手法を学ぶ。

English
This session covers essential techniques for data collection, preprocessing, and exploratory data analysis (EDA), highlighting their importance in the analytical process.

⸻

【第5回】Pythonコーディングの復習①

Python Basics (1)

日本語
Pythonを用いたデータ分析の基礎的なコーディングを復習する。分析に必要な文法や基本ライブラリの使い方を確認する。

English
This session reviews basic Python coding skills required for data analysis, including essential syntax and commonly used libraries.

⸻

【第6回】Pythonコーディングの復習②

Python Basics (2)

日本語
Pythonによるデータ処理および分析の実践的なコーディングを行う。後半で扱う機械学習・深層学習に向けた準備を行う。

English
Students continue practicing Python coding for data processing and analysis, preparing for subsequent machine learning and deep learning topics.

⸻

【第7〜10回】画像認識

Image Recognition

日本語
深層学習を用いた画像認識技術について体系的に学ぶ。
畳み込みニューラルネットワーク（CNN）の理論的背景、代表的な解析手法、アルゴリズム構造、ならびに商用・オープンソースの共有モジュールについて理解する。
あわせて、画像認識AIのビジネス活用事例を通じて、実社会への応用を考察する。

English
This module provides a systematic introduction to image recognition using deep learning. Students will learn the theoretical foundations of convolutional neural networks (CNNs), major analytical approaches, algorithmic structures, and widely used commercial and open-source modules. Practical business applications are also discussed.

⸻

【第11〜14回】自然言語処理

Natural Language Processing

日本語
自然言語処理（NLP）の基礎から最新技術までを体系的に学ぶ。
自然言語処理の歴史的発展を概観した後、テキスト前処理、ストップ語解析、TF-IDFおよびEmbeddingによる表現手法を学ぶ。
さらに、BERTopicによるトピック分析や、Transformerを基盤とする最新の言語モデルについて理解を深め、実データを用いた演習を行う。

English
This module covers natural language processing (NLP) from foundational concepts to state-of-the-art techniques. Topics include text preprocessing, stop-word analysis, TF-IDF, embeddings, topic modeling with BERTopic, and modern Transformer-based language models, supported by hands-on exercises.

⸻

【第15回】データ分析プレゼンテーション・講評会

Data Analysis Presentation and Review Session

日本語
受講者が本講義で学んだデータ分析およびAI技術を用いて行った分析結果について発表を行う。
講評およびディスカッションを通じて、分析の妥当性、示唆の質、プレゼンテーション能力を総合的に振り返る。

English
In the final session, students will present their data analysis projects using the techniques learned throughout the course. Presentations will be followed by reviews and discussions, providing comprehensive feedback.

⸻

【補足】

本講義では、アクセンチュア株式会社 が作成した教材を基幹とし、同社AI関連部門の担当者によるゲスト講演や演習サポートを予定している。

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

様々な分野に展開しているAIの基盤である機械学習モデル、及び大規模言語モデル等の基盤モデルについて、その原理から応用について概観する。AIの倫理的・法的・社会的課題(ELSI)についても述べる。

AI for Scienceの基盤である機械学習及び大規模言語モデル等の基盤モデルの原理から応用まで理解・修得することを目標とする。

1. AIによる問題の定式化と倫理的・法的・社会的課題 (１回：河原)
AIによる様々な問題のモデル化と解き方を述べた後、倫理的・法的・社会的課題(ELSI)について論じる。
2. データ分析と機械学習 （３回；佐藤）
ベイズ決定理論、教師なし学習（最尤推定、EMアルゴリズム、ベイズ推定）、及び教師あり学習（誤り最小化、サポートベクトルマシン、アダブースト）を概観した後、深層学習の基礎（多層パーセプトロン、畳み込みニューラルネット、自己教師あり学習、対照学習）を講義する。
3. 自然言語処理と大規模言語モデル (３回: Huang)
自然言語処理（形態素解析、構文解析、意味解析、談話解析など）とその応用（機械翻訳や文書要約など）を概観した後、トランスフォーマに基づく大規模言語モデルの構成と展開について述べる。
4. マルチモーダル基盤モデルと生成AI （２回; Chu）
大規模言語モデルを発展させた、画像や音声を扱うことのできるマルチモーダルな基盤モデル、及び画像生成や画像の説明生成などのAIについて述べる。
5. 機械学習のための最適化 （３回；藤井）
機械学習の基盤技術である最適化の基礎を外観したあと、勾配降下法や確率的勾配降下法などの最適化アルゴリズムとその理論解析を述べる。
6. 時系列データのための機械学習 （３回；明石）
動力学現象の解析手法の基礎を概観した後、再帰型ニューラルネットワーク、リザバー計算、状態空間モデルなどの時系列データの扱いに長ける機械学習モデルについて述べる。

特になし

各講師が授業中に提示する質問への回答や課題のレポートに基づいて、総合的に成績評価を行う。

講義資料はLMSで配布する。予習・復習を行うこと。

講師の都合により、順序の変更および回数変更がありうる。

様々な分野に展開しているAIの基盤である機械学習モデル、及び大規模言語モデル等の基盤モデルについて、演習を通じて、その実装法と動作を確認するとともに、いくつかの応用タスクへの適用を行う。

AI for Scienceの基盤である機械学習及び大規模言語モデル等を実際に活用できる能力を修得することを目標とする。

1.生成AIの演習 (４回；黄)
生成AI（GeminiやNotebook LM）を用いたプログラミングを含む演習を行う。
2.機械学習と最適化 （４回；藤井）
機械学習の基礎となる最適化を学んだ後、文字認識などの実データを題材に、最適化手法を用いてニューラルネットワークなどの機械学習モデルを訓練する演習を行う。
3.自然言語処理 (３回；黄)
形態素解析・係り受け解析・格解析などの基本的な自然言語処理、及び大規模言語モデルを用いた機械翻訳や文書要約などの応用について演習を行う。
4.リザバー計算：時系列データのための機械学習 （４回；明石）
時系列データの扱いに長ける小規模な機械学習モデルであるリザバー計算による時系列処理に関する演習を行う。

特になし

各講師が授業中に提示する課題のレポートに基づいて総合的に成績評価を行う。

講義資料はLMSで配布する。予習・復習を行うこと。

　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　フィードバック




　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. feedback

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。

前期コア科目「医療データ科学」で示した基本的な考え方に基づき、幅広い社会医学健康医学研究を想定した基本的なデータ解析の方法について講義します。前期コア科目「医療データ科学」と同様、数学的、技術的な議論には極力立ち込まず、「どういう方法か」の本質を理解できるような解説を試みます。
履修条件に注意してください。

・社会健康医学の幅広い研究・実践において有用となるデータ解析の基本的な方法について理解できる。

第1回　連続的データの解析
第2回　離散的データの解析
第3回　回帰モデリング1　各種回帰分析、一般化線型モデル
第4回　回帰モデリング2　変数選択。探索と検証。説明と予測
第5回　交絡調整 1　有向非巡回グラフ、回帰分析による調整、標準化
第6回　交絡調整 2　傾向スコア解析
第7回　生存時間解析
第8回　相関のあるデータの解析
第9回　ベイズ統計
第10回　欠測データの解析
第11回　機械学習1　教師あり学習
第12回　機械学習2　教師なし学習
第13回　機械学習3　深層学習、大規模言語モデルなど
第14回　診断・予後研究における予測解析の報告

・前期コア科目「医療データ科学」を履修済みであること。
・受講者は単位不要でもミニテストを受けてください。
・受講希望者は事前に必ずメールで連絡してください（contact@biostat.med.kyoto-u.ac.jp）。

・講義内のミニテスト（90%）。ディスカッションへの積極的な参加（10%）。理解度を素点（100点満点）で評価する。

予習のため講義の前の週の金曜までに講義資料をアップする予定。復習も充分行うこと。

オフィスアワーの詳細については、KULASISで確認してください。

本講義では、社会に遍在する各種情報をディジタルデータ化し、そのデータを広範囲に収集し、ビッグデータと呼ばれる大規模データとして蓄積、それらデータの整理・分析・共有するという情報通信（ICT）技術を利用した“プラットフォーム”に関連するテーマについて、本研究科の教授、プラットフォーム学卓越大学院プログラム担当教員、外部講師により最先端の話題の提供を行う。

情報通信技術の観点からプラットフォーム学を俯瞰し、特に、知能情報学・先端数理科学・数理工学・システム科学・通信情報システムに関する理解を深めるとともに、今後の展望を自ら考える。

1. 　プラットフォームの概要（１回）：プラットフォーム学で取り上げるプラットフォームの概要を解説する。
2.　通信情報システムとプラットフォーム（１回）：社会に遍在するする各種情報・データをサイバー空間に収集し、収集したビッグデータを処理した結果を実空間にフィードバックするプラットフォームで利用される通信情報システムを展望する。
2. 　知能情報学とプラットフォーム（３回）：サイバー空間上に収集された、センサー、メーター、モニター情報を知能情報学の観点で整理、解析、分析、利活用する実際を展望する。
3. 　先端数理科学とプラットフォーム（１回）：サイバー空間上に収集された、センサー、メーター、モニター情報を先端数理科学の観点で整理、解析、分析、利活用する実際を展望する。
4. 　数理工学とプラットフォーム（１回）：サイバー空間上に収集された、センサー、メーター、モニター情報を数理工学の観点で整理、解析、分析、利活用する実際を展望する。
5. 　システム科学とプラットフォーム（２回）：サイバー空間上に収集された、センサー、メーター、モニター情報をシステム科学の観点で整理、解析、分析、利活用する実際を展望する。
6. 　情報通信基盤を利用したプラットフォームの実際（４回）：社会で実運用されている情報通信基盤を利用したプラットフォームの実際を展望する。
7. 到達度評価　　１回（レポート試験）

特になし

各テーマごとに課すレポート課題により評価する。また、平常点、授業への積極的な参加も評価に用いる。

各講義の復習を行い、レポート課題に取り組む。

オフィスアワーはメールのやり取りで随時行う。 メールアドレスは授業中に示す。

This course aims to develop students' proficiency in numerical computation and scientific programming using Python, with a particular emphasis on eigenvalue problems and their computational methods. The course is structured in two progressive parts: the first focuses on building Python programming skills and essential mathematical tools (arithmetic operations, class design, polynomials, and orthogonal functions), while the second half concentrates on eigenvalue problems—their mathematical foundations, various computational algorithms, and practical applications. Through hands-on programming exercises and project work, students will gain deep understanding of eigenvalue computations and learn to apply these concepts to solve real-world problems in engineering and science.

Upon completion of this course, students will be able to:

1. Develop practical Python programming skills for scientific computing through implementing numerical algorithms and designing custom mathematical classes (fractions, polynomials)

2. Develop a comprehensive understanding of eigenvalue problems—including their mathematical foundations, geometric interpretations, and fundamental role in scientific computation—and appreciate the deep connections between theory and applications

3. Implement and apply various eigenvalue computation methods to solve practical problems such as polynomial equation solving, data analysis, and dimensionality reduction (PCA)

(1) Introduction to Python - Python programming environment, basic syntax, variable types, control structures (loops, conditionals), and simple input/output

(2) Basic Arithmetics Using Python - Arithmetic operations, numerical precision, handling floating-point errors, and basic mathematical functions from NumPy

(3) Manipulating Fractions Using Python Class - Design and implementation of a custom Fraction class; operator overloading; practical applications in exact arithmetic

(4) Python Class for Handling Polynomials - Design and implementation of a Polynomial class; polynomial operations (addition, multiplication, evaluation); symbolic and numerical representations

(5) Orthogonal Functions - Introduction to orthogonal function systems; properties of orthogonal polynomials (e.g., Legendre, Chebyshev); applications in numerical analysis and approximation theory

(6) Introduction to Eigenvalue Problem - Fundamental concepts of eigenvalues and eigenvectors; characteristic polynomial; geometric and physical interpretations; relationship to linear transformations

(7) Estimation of Eigenvalues - Gershgorin's theorem, power iteration method, inverse power iteration method, and deflation method for computing individual eigenvalues

(8) QR Methods - QR decomposition and QR algorithm for simultaneous computation of all eigenvalues; convergence properties; practical implementation in Python

(9) Application of Eigenvalue to Solution of Higher Order Equations - Relationship between polynomial roots and matrix eigenvalues; companion matrix method; finding all solutions of polynomial equations using eigenvalue algorithms

(10) Application of Eigenvalue: Principal Component Analysis (PCA) - Theoretical foundations of PCA; dimensionality reduction; variance maximization; practical applications in data analysis, feature extraction, and image processing

(11) Final Presentation - Each student presents a computational project involving eigenvalue problems or their applications, demonstrating understanding of both theory and implementation

特になし

Attendance, assignment and presentation will count.

Assignments will be given as necessary.

This course is offered every other year. Students are encouraged to start planning their final presentation topics by mid-semester.

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。
期末試験（44%），および，レポート課題と講義中に複数回実施する小テスト（56%）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。

情報学研究科開講の「データの二次利用実践論」と兼ねた開講になる.
情報学研究科の学生はそちらを選択すること

Society5.0の実現による更なる経済成長や生産性の向上に向けて、社会全体のデジタル化が不可欠とされる。政府もデジタル庁の設置に代表されるように、デジタル・トランスフォーメーション（DX）を推進している。DXの恩恵として蓄積されるデータの二次活用は、さらに大きな可能性が広がっている。本講義では、医療や教育等を例に社会におけるデータの活用の現状・課題・解決の方向性について議論を深めることを目指す。

社会に蓄積されるデータについて、医療や教育等を例にデータがどのように集積され、どのように分析されているのか。その際の課題にはどういうものがあり、解決に向けた方策にはどのようなものがあるのか、を理解し説明できるようになること。

以下のような課題について、1課題あたり1〜2回の授業を合計8回（フィードバックを含む）で、必要に応じて学内外の専門家の意見も踏まえながら、データの二次利用の現状・課題・解決の方向性について学ぶ。
開講にあたっては、受講生の所属するキャンパスの配置や受講形態にも配慮するとともに、対面授業以上に受講生間の活発な議論を期待し、一部同時双方向型のメディア授業で実施する。

- 導入（1回）　　　　　　　　　　　　【メディア授業：同時双方向型】
- 個人情報を含むデータの二次利用(1回）
- データに基づいた政策・経済評価・経営実践（3回）
- データの二次利用の限界(1回）
- データを活用した研究(2回） 　　　　 【メディア授業：同時双方向型】

（9月14日に対面授業、9月7日にメディア授業の開講を予定）

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

京都大学「統計入門」と同等（数理・データサイエンス認定プログラムリテラシーレベル）の単位を取得していること

平常点相当（授業への参加（出席そのものではない）・小課題・授業での発言・リアクションペーパー等）60％、複数回のレポート課題等40％

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

講義中に教員との連絡方法について指示する。また、以下の点にも留意を求める。

・情報学研究科の学生は，大学院横断科目として履修登録できない。情報学研究科開講の「データの二次利用実践論」を選択すること。

・集中講義で採点報告日以降に実施するため、成績報告に遅れが生じ得ること。

・医療データ人材育成事業（KEUP-DHI）受講生は、別途その旨申し出ること。