DuEX e-Learningコンテンツについて
- ホーム
- MMDSで学びたい方へ
- データ関連人材育成プログラム（DuEX）
- 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 |
大阪大学 |
| データサイエンス基礎 II |
1 |
大阪大学 |
| 線形代数1 |
1 |
大阪府立大学 |
| 工学への数値シミュレーション |
1 |
大阪大学 |
| 数理モデルの基礎 |
1 |
大阪大学 |
| 統計学 |
文系のための統計学 |
2 |
大阪大学 |
| 理工系のための統計学 I |
1 |
大阪大学 |
| 理工系のための統計学 II |
1 |
大阪大学 |
| 理工系のための統計学 III |
1 |
大阪大学 |
| 理工系のための統計学 IV |
1 |
大阪大学 |
| データ科学（社会統計） I |
1 |
大阪大学 |
| データ科学（社会統計） II |
1 |
大阪大学 |
| データ科学と意思決定 I |
1 |
大阪大学 |
| データ科学と意思決定 II |
1 |
大阪大学 |
| ベイズ統計学入門 ※1 ※2 |
1 |
大阪大学 |
| 確率的グラフィカルモデルと因果推論 |
2 |
大阪大学 |
| データサイエンス基礎 I |
1 |
大阪大学 |
| Data Science I ※English |
1 |
大阪大学 |
| 数理モデル |
数値シミュレーション法 I |
1 |
大阪大学 |
| 機械学習 |
データ科学(機械学習) I |
1 |
大阪大学 |
| データ科学(機械学習) II |
1 |
大阪大学 |
| ★ スパース推定の数理と機械学習への応用 |
1 |
大阪大学 |
| スパース推定と機械学習への応用100問 |
1 |
大阪大学 |
| ガウス過程と機械学習入門 ※1 |
1 |
大阪大学 |
| 離散データからの計算論的学習 |
2 |
京都大学 |
| プログラミング |
★ 機械学習のための数理 with R/Python |
2 |
大阪大学 |
| 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 |
和歌山大学 |
| Pythonプログラミング I |
1 |
滋賀大学 |
| Pythonプログラミング II |
1 |
滋賀大学 |
| 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
| 回 |
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
| 回 |
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
| 回 |
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 |
線形代数 1
| 回 |
内容 |
| 第１回 |
集合 |
| 第２回 |
写像 |
| 第３回 |
空間図形 |
| 第４回 |
ベクトルと行列の図形 |
| 第５回 |
行列の積 |
| 第６回 |
正方行列 |
| 第７回 |
1次写像 |
| 第８回 |
1次変換と合成 |
| 第9回 |
係数行列と行基本変形 |
| 第10回 |
10段階行列と掃き出し法 |
工学への数値シミュレーション
| 回 |
内容 |
| 第１回 |
Mesh Generation |
| 第２回 |
Poisson Equation |
| 第３回 |
Stokes Equation |
| 第４回 |
Navier-Stokes Equation |
| 第５回 |
Topology Optimization |
| 第６回 |
Homogenization |
| 第７回 |
Shape Optimization |
数理モデルの基礎
| 回 |
内容 |
| 第１回 |
速習！力学系の安定性（１） |
| 第２回 |
速習！力学系の安定性（２） |
| 第３回 |
速習！力学系の安定性（３） |
| 第４回 |
速習！力学系の安定性（４） |
| 第５回 |
Navier-Stokes方程式の数値計算 |
| 第６回 |
Navier-Stokes方程式の線形安定性解析 |
| 第７回 |
Navier-Stokes方程式のSnapshot POD |
文系のための統計学
|
内容 |
| １ |
記述統計法 |
| ２ |
推測統計法入門 |
| ３ |
仮説検定と区間推定の基本 |
| ４ |
分散分析 |
理工系のための統計学 I
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
内容 |
| １ |
ベイズ統計の流行を整理する |
| ２ |
ベイズ統計と従来の方法の違い |
| ３ |
統計モデリングとベイズ推定 |
| ４ |
Stanを使ってベイズ推定 |
| ５ |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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 |
スパース推定と機械学習への応用100問
| 回 |
内容 |
| 第１回 |
線形回帰とLasso |
| 第２回 |
Ridgeとelasticネット |
| 第３回 |
ロジスティック回帰 |
| 第４回 |
一般化線形回帰 |
| 第５回 |
グループLasso |
| 第６回 |
Fused Lassoと一般化Lasso |
| 第７回 |
行列分解 |
| 問題集 |
資料 |
ガウス過程と機械学習入門
| 回 |
内容 |
| １ |
確率的生成モデルとベイズ推定 |
| ２ |
線形回帰モデルと基底関数 |
| ３ |
ガウス過程回帰とハイパーパラメータの推定 |
| ４ |
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 R/Python
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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
| 回 |
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）
| 回 |
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）
| 回 |
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）
| 回 |
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）
| 回 |
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）
| 回 |
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)
| 回 |
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）
| 回 |
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）
| 回 |
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）
| 回 |
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）
| 回 |
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）
| 回 |
内容 |
| １ |
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～ |
| ２ |
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 |
| ３ |
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 |
| ４ |
脳情報のダイナミクス解析 |
| ５ |
[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）
| 回 |
内容 |
| １ |
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 |
| ２ |
バイオマーカー研究のメタアナリシス |
| ３ |
ゲノム医療研究を推進するオントロジー開発 |
| ４ |
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）
| 回 |
内容 |
| １ |
画像情報学によるバイオ研究への貢献 |
| ２ |
数理解析を用いた生体内インスリン作用の理解と予測 |
| ３ |
画像認識技術とデジタル病理学 |
| ４ |
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 |
| ５ |
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？ |
| ６ |
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）
| 回 |
内容 |
| １ |
医療AIと自然言語処理
|
| ２ |
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
| 回 |
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 |
