MMDS大阪大学 数理・データ科学教育研究センター
Center for Mathematical Modeling and Data Science,Osaka University

DuEX e-Learningコンテンツについて

e-Learningコンテンツの取り扱い

コンソーシアム協定校に在籍する大学院生

Aコースについては、e-Learningは自習用であり、DuEXから単位が出ることはありません。
※ただし、★の科目については大阪大学のKOANにて履修登録(大阪大学以外の大学院生については聴講申請)を行い単位を修得することで、DuEXの単位としても認められる科目となります。

2019/10/4より、e-LearningでもDuEXから単位が出るようになりました。
※2019/10/4よりも前に受講した科目は、2019/10/4以降に再度受講することでDuEXの単位としても認められます。

社会人、またはコンソーシアム協定校以外の大学に在籍する大学院生

e-LearningコンテンツはいずれもDuEXの単位として認められます。

現時点で提供可能なe-Learningコンテンツ (2019/12/20 時点)

コース 科目分類 科目名 単位数 開講大学
A 数学基礎 データ科学のための数理 I 1 大阪大学
データ科学のための数理 II 1
データサイエンス基礎 II 1
統計学 文系のための統計学 2
理工系のための統計学 I 1
理工系のための統計学 II 1
理工系のための統計学 III 1
理工系のための統計学 IV 1
データ科学(社会統計) I 1
データ科学(社会統計) II 1
データ科学と意思決定 I 1
データ科学と意思決定 II 1
ベイズ統計学入門 ※1 ※2 1
確率的グラフィカルモデルと因果推論 2
データサイエンス基礎 I 1
Data Science I ※English 1
数理モデル 数値シミュレーション法 I 1
機械学習 データ科学(機械学習) I 1
データ科学(機械学習) II 1
★ スパース推定の数理と機械学習への応用 1
ガウス過程と機械学習入門 ※1 1
プログラミング ★ 機械学習のための数理とRプログラミング 2
Pythonを用いたデータマイニング入門 I 1 和歌山大学
Pythonを用いたデータマイニング入門 II 1
Pythonプログラミング I 1 滋賀大学
Pythonプログラミング II 1
B 対象科目なし    
C 数理腫瘍学 数理腫瘍学 I (入門編) ※5 1 大阪大学
数理腫瘍学 II (基礎編) ※5 1
数理腫瘍学 III (数学編) ※5 1
数理腫瘍学 IV (応用編) ※5 1
数理腫瘍学 V (実践編) ※5 1
数理腫瘍学VI (中級編) 1
医薬統計学 医学統計学各論(線形回帰分析) ※3 1
医学統計学各論
(ロジスティック回帰分析と一般化線形モデル) ※3
1
医学統計学総論(医学統計学入門) ※3 1
医学統計学各論(生存時間解析) ※3 1
医療情報 医療情報公開講座 I(生体情報の数理モデリングと統計解析) 1
医療情報公開講座 III(医療情報分析の実際) 1
医療情報公開講座 III
(データサイエンスが切り拓く生命科学と生体工学の未来) ※4
1
医療情報公開講座 IV(医療×AI) 1
バイオインフォマティクス ※3 1

e-Learningシステムでの公開について
※1 「スプリングキャンプ2019」内で公開しています。
※2 「今流行っているベイズ統計学とは一体なんなのか」として公開しています。
※3 本科目はスライドおよびノートのみの掲載となります。
※4 「医療情報公開講座Ⅲ(データサイエンスが切り拓く生命科学)」として公開しています。
※5 「数理腫瘍学」内で公開しています。

シラバス

データ科学のための数理 I

内容
第1回 行列と方程式
第2回 一般逆行列と方程式
第3回 反射型逆行列
第4回 擬似逆行列
第5回 擬似逆行列2
第6回 擬似逆行列の計算・方程式
第7回 擬似逆行列と回帰分析

データ科学のための数理 II

内容
第1回 数理計画入門
第2回 最適性の条件
第3回 最適解の探索アルゴリズム
第4回 等式制約条件付き最適化
第5回 不等式制約条件付き最適化
第6回 線形計画問題
第7回 線形計画問題と最適性

データサイエンス基礎 II

内容
第1回 行列と方程式1
第2回 行列と方程式2
第3回 最適化
第4回 特徴抽出
第5回 観測データから非観測データの推定
第6回 非観測状態の推定と統計モデル最適化
第7回 EMアルゴリズと混合正規分布
第8回 生成と識別の統計モデル

文系のための統計学

内容
記述統計法
推測統計法入門
仮説検定と区間推定の基本
分散分析

理工系のための統計学 I

内容
I-1 統計学とは
I-2 度数分布表, データを代表する値
I-3 散らばりの指標
I-4 相関
I-5 その他の指標, グラフ
I-6 確率
I-7 条件付き確率, ベイズの定理

理工系のための統計学 II

内容
II-1 1変量確率変数
II-2 多変量確率変数
II-3 条件付き確率密度関数
II-4 1変量確率変数の期待値・分散
II-5 多変量確率変数の期待値
II-6 共分散, 相関係数
II-7 条件付き期待値

理工系のための統計学 III

内容
III-1 ベルヌーイ分布, 二項分布
III-2 ポアソン分布
III-3 一様分布, 指数分布
III-4 正規分布
III-5 確率変数の関数の分布
III-6 確率変数の和の分布
III-7 正規分布に関する分布

理工系のための統計学 IV

内容
IV-1 大数の法則, 中心極限定理
IV-2 点推定
IV-3 最尤法
IV-4 区間推定
IV-5、IV-6 統計的仮説検定(1標本)
IV-7 統計的仮説検定(2標本)

データ科学(社会統計)I

内容
I-1 データの扱いの基礎
I-2 確率・統計の基礎
I-3 信号検出理論
I-4 ROC解析
I-5 仮説検定
I-6 相関
I-7 質的データの分析

データ科学(社会統計)II

内容
II-1 最尤推定
II-2 ベイズ推定
II-3 回帰分析
II-4 一般化線形モデル
II-5 主成分分析
II-6 データ分類

データ科学と意思決定 I

内容
第1回 確率統計の基礎
第2回 統計的決定の基礎
第3回 二値分類と信号検出理論
第4回 仮説検定
第5回 推論:演繹と帰納
第6回 確率推論モデル
第7回 直観の機能

データ科学と意思決定 II

内容
第1回 知覚的意思決定
第2回 因果推論
第3回 期待効用理論
第4回 プロスペクト理論
第5回 ベイジアンネットワーク
第6回 アイオアギャンブル課題
第7回 意思決定とコミュニケーション

ベイズ統計学入門

内容
ベイズ統計の流行を整理する
ベイズ統計と従来の方法の違い
統計モデリングとベイズ推定
Stanを使ってベイズ推定
ベイズ統計を活用するために

確率的グラフィカルモデルと因果推論

内容
第1回 情報は、なぜ圧縮できるのか
第2回 相互情報量の推定と森の構造学習
第3回 2変数の因果推論
第4回 カーネルとHSIC
第5回 多変量間の因果推論
第6回 PCアルゴリズム
第7回 情報量基準とベイジアンネットワークの構造学習
第8回 離散変量のベイジアンネットワークの構造学習
第9回 NP完全性とのベイジアンネットワークの構造学習の計算量的困難性
第10回 スパース推定
第11回 グラフィカルLasso
第12回 連続変量に対する相互情報用の推定と交絡のある場合のLiNGAMへの適用
演習問題 確率的グラフィカルモデルと因果推論 100問

データサイエンス基礎Ⅰ

内容
第1回 イントロダクション・データの扱いの基礎
第2回 信号検出理論
第3回 ROC解析
第4回 仮説検定の基礎
第5回 相関―2つの変数の関連
第6回 回帰分析
第7回 一般化線形モデル
第8回 主成分分析

Data Science I

内容
第1回 Data and their properties
第2回 Data science and cognitive modeling
第3回 Signal detection theory
第4回 ROC analysis
第5回 Regression analysis
第6回 Generalized linear model

数値シミュレーション法 I

内容
基礎編① 線形代数・ベクトル解析・微分積分
基礎編② 部分積分
基礎編③ 発散定理
基礎編④ 弱形式
数値シミュレーション① メッシュ生成
数値シミュレーション② ポアソン方程式
数値シミュレーション③ 移流拡散方程式

データ科学(機械学習) I

内容
第1回 統計基礎
第2回 最適化基礎
第3回 主成分分析
第4回 非線形主成分分析
第5回 判別分析
第6回 正準相関分析
第7回 線形回帰分析

データ科学(機械学習) II

内容
第1回 ガウス過程回帰
第2回 カーネルトリック
第3回 パーティクルフィルター
第4回 カルマンフィルター
第5回 EMアルゴリズム
第6回 混合正規分布の最適化
第7回 変分ベイズ

スパース推定の数理と機械学習への応用

内容
第1回 線形回帰
第2回 一般線形回帰
第3回 グループLasso
第4回 グラフィカルLasso
演習問題 機械学習の数理100問

ガウス過程と機械学習入門

内容
確率的生成モデルとベイズ推定
線形回帰モデルと基底関数
ガウス過程回帰とハイパーパラメータの推定
補助変数法によるガウス過程回帰の高速化

機械学習のための数理とRプログラミング

内容
第1回 線形回帰
第2回 分類
第3回 リサンプリング
第4回 情報量基準
第5回 正則化
第6回 非線形
第7回 決定木
第8回 サポートベクトルマシンとカーネル
第9回 教師なし学習の解説
演習問題 機械学習の数理100問

Pythonを用いたデータマイニング入門 I

内容
はじめに 講義資料/レポートについて
第1回 データマイニングとは
第2回 相関ルールのマイニング
第3回 クラスタリング(k-means法)
第4回 クラスタリング(階層的クラスタリング)
第5回 決定木
第6回 近傍法
第7回 Word2Vec

Pythonを用いたデータマイニング入門 II

内容
はじめに 講義資料/レポートについて
第1回 テキストマイニングの基礎,形態素解析,Nグラム
第2回 テキストマイニングとSVM,精度評価指標,交差検証
第3回 Webマイニング(ネットワークマイニング)
第4回 Webマイニング(内容マイニングと可視化)
第5回 画像認識とSVM
第6回 顔画像認識
第7回 DeepLearningと画像認識

Pythonプログラミング I

内容
第1回 ガイダンス
第2回 Python概要
第3回 文字列の基本・条件分岐
第4回 数値、文字列などの型入門とformat()メソッド
第5回 繰り返し文、ループ
第6回 中間レポート課題(1)
第7回 中間レポート課題(2)

Pythonプログラミング II

内容
第1回 リストの基礎、多重ループ
第2回 リストの操作
第3回 リストのおさらいと、関数
第4回 中間ミニレポート課題2
第5回 マッピング型
第6回 リストやマッピング型の注意事項
第7回 補足事項
第8回 コンピュータの仕組み

数理腫瘍学Ⅰ(入門編)

内容
入門編1-1 ・統合数理腫瘍学の方法
・データ科学との関わり
・生命現象の数理モデリング
・ハイブリッドシミュレーション
・数学と生命科学の融合
上記項目につき、入門レベルで解説する.
入門編1-2
入門編1-3
入門編2-1
入門編2-2
入門編2-3

数理腫瘍学Ⅱ(基礎編)

内容
基礎編1-1 ・統合数理腫瘍学の方法
・数学と生命科学の融合
上記につき、数理腫瘍学I(入門レベル)より詳しく講義する.

・浸潤突起の形成
・薬剤耐性
・膜分子の二面性 
上記生命現象を題材にした数理モデルの立て方を解説する.
基礎編1-2
基礎編1-3
基礎編2-1
基礎編2-2
基礎編2-3
基礎編2-4
基礎編3-1
基礎編3-2
基礎編3-3
基礎編3-4

数理腫瘍学Ⅲ(数学編)

内容
数学編1-1 ・マルチスケールモデル
・階層的自己組織化
上記の生命現象を記述する数理モデルの立て方を解説する.

数理腫瘍学I、IIで学んだ数式に加え、スモルコフスキー-ポワソン方程式等を使用した数理モデルを学ぶ.
数学編1-1
数学編1-2
数学編1-3
数学編2-1
数学編2-2
数学編2-3
数学編3-1
数学編3-2
数学編3-3
数学編4-1
数学編4-2
数学編4-3
数学編4-4

数理腫瘍学Ⅳ(応用編)

内容
応用編1-1 ・血管新生
・個別細胞モデリング
・自由境界の記述
上記の生命現象を記述する数理モデルの立て方を応用レベルで解説する.
応用編1-1
応用編1-2
応用編1-3
応用編2-1
応用編2-2
応用編2-3
応用編2-4
応用編2-5

数理腫瘍学Ⅴ(実践編)

内容
実践編1-1 ・骨代謝モデリング
・動的平衡の崩壊
上記についての数理モデリングを学ぶ.
また、数理シグナル研究等、実際の研究内容についても紹介しながら数理モデリングの理論と応用が融合的に発展する方策を学ぶ.
実践編1-1
実践編1-2
実践編1-3
実践編2-1
実践編2-2
実践編2-3
実践編2-4
実践編3-1
実践編3-2
実践編3-3
実践編3-4

数理腫瘍学VI (中級編)

内容
中級編1 ・細胞内シグナル伝達の数理モデルと数学解析
・走化性の由来
・分子発現ビッグデータの分析法
中級編2
中級編3

医学統計学各論(線形回帰分析)

内容
第1回 線形回帰分析の基本
第2回 最尤法
第3回 重回帰モデル
第4回 ダミー変数・交互作用
第5回 交絡調整

医学統計学各論(ロジスティック回帰分析と一般化線形モデル)

内容
第1回 ロジスティック回帰分析の基本
第2回 ロジスティック回帰モデルとパラメータの解釈
第3回 パラメータの推定
第4回 モデル診断法
第5回 GLM・条件付きロジスティック

医学統計学総論(医学統計学入門)

内容
第1回 医学研究における統計学
第2回 典型的な医学研究のデザインと解析
第3回 確率の導入(その1):基礎的な確率計算
第4回 確率の導入(その2):オッズ比
第5回 確率の導入(その3):診断法の評価

医学統計学各論(生存時間解析)

内容
第1回 生存時間解析の導入
第2回 Kaplan-Meier法・Logrank検定
第3回 Cox比例ハザードモデルとパラメータの解釈
第4回 Cox比例ハザードモデルの推測法

医療情報公開講座Ⅰ(生体情報の数理モデリングと統計解析)

内容
ロボティクスと統計数理~人・ロボットの身体運動モデリング~
ベイズ生成モデルによるヒト認知機能のモデル化と解析
逆相関法による視覚ニューロン、ヒトの感性、及び深層学習ユニットの特徴選択性の評価
脳情報のダイナミクス解析
[特別講演] スパースモデリングとデータ駆動科学

医療情報公開講座Ⅱ(医療情報分析の実際)

内容
細胞ネットワークの数理モデリングと疾患研究への応用
バイオマーカー研究のメタアナリシス
ゲノム医療研究を推進するオントロジー開発
ビッグデータ・AI の医療創薬への期待

医療情報公開講座Ⅲ(データサイエンスが切り拓く生命科学と生体工学の未来)

内容
画像情報学によるバイオ研究への貢献
数理解析を用いた生体内インスリン作用の理解と予測
画像認識技術とデジタル病理学
生命現象の解析?「分かる」を形にする、「分からない」をあぶり出す
個人別に異なる生体現象をコンピュータでどうやって再現するか?
生物の形はどのような仕組みで決まっているのか?-数学で解き明かそう!-

医療情報公開講座IV(医療×AI)

内容
医療AIと自然言語処理
スマートフォンアプリケーションから描く健康状態の軌跡

バイオインフォマティクス

内容
第1回 バイオインフォマティクスとゲノム解析
第2回 ヒトゲノム多型を用いた疾患ゲノム解析
第3回 ゲノム解析による疾患病態解明
第4回 機械学習とゲノム創薬
第5回 Webツール入門