Complex Systems -Data Science 2-
| Numbering Code |
G-LAS12 80036 LB13 G-LAS12 80036 LB54 |
Year/Term | 2022 ・ Second semester | |
|---|---|---|---|---|
| Number of Credits | 2 | Course Type | Lecture | |
| Target Year | Graduate students | Target Student | For all majors | |
| Language | Japanese and English | Day/Period | Tue.2 | |
| Instructor name | IKEDA YUICHI (Graduate School of Advanced Integrated Studies in Human Survivability Professor) | |||
| Outline and Purpose of the Course |
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. |
|||
| Course Goals |
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. |
|||
| Schedule and Contents |
【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：教師あり学習とクラスター分析 Machine Learning 3: Supervised/Unsupervised Learning (K-Nearest Neighbor Classifier and Cluster Analysis) 【第5回】討論１：テーマ設定 （Ikeda，Chakraborty） Discussion 1: Problem Setting （Ikeda，Chakraborty） 【第6回】ネットワーク構造①：中心性指標 Network Structure 1: 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 （Ikeda，Chakraborty） Discussion 2: Modeling and Programing （Ikeda，Chakraborty） 【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：グラフ・ニューラルネットワーク Graph Neural Network 【第15回】討論３：結果議論 （Ikeda，Chakraborty） Discussion 3: Results and Discussion（Ikeda，Chakraborty） |
|||
| Evaluation Methods and Policy | 平常点と最終回に提示するレポートにより評価する。 | |||
| Course Requirements | None | |||
| Study outside of Class (preparation and review) | 討論の準備を授業外学習として行うこと。 | |||
| Textbooks | Textbooks/References | 印刷資料を配布する。 | ||
| References, etc. | 随時必要に応じて文献を紹介する。 | |||
| Related URL |
https://www.gsais-nsrg.com/ https://www.gsais.kyoto-u.ac.jp/staff/ikeda/ |
|||
