科学的な研究において何故データを分析する必要があるのか，データ分析で何が分かるのか，何故確率分布を考える必要があるのか等，データ科学の根源的な内容を解説する．統計的推測に関する知識を整理すると共に正確な理解を促す．また，確率的な現象の意味，推測の過誤，検出力とサンプルサイズの設計，そして，適切な統計分析のための３つのS (statistical significance, practical significance, theoretical significance)等についても講述する．

データ解析環境Rはフリーのソフトであり，実際のデータ解析に用いられるだけでなく，統計手法や確率的現象の理解を助けるためにも用いられる．本講義全体においてRが利用されるため，基本的な利用方法を解説する．

データ解析では「このデータはどのように発生したのか」を説明する．統計モデルが使われることが多い．ここでは，もっとも基本的の統計モデルのひとつである一般化線形モデル(GLM) について解説する．「0 個，1個，……」と数えられるカウントデータの解析には，離散確率分布であるポアソン分布・二項分布を部品とする GLM が適当であり，Rを使ってそのパラメーターを最尤推定する方法を示す．また現実のデータ解析では GLM を強化した一般化線形混合モデル (GLMM)が必要になる．階層ベイズモデルとの関連にもふれながら，GLM から GLMM に拡張する過程を説明する．

回帰関数の形状を規定せず，より柔軟に回帰関数を推定する方法をノンパラメトリック回帰という．工学分野では平滑化とも呼ばれ，様々な方法が開発されている．本講義では，スプライン平滑化を中心に，罰則付き推定（正則化法）の方法，および滑らかさを制御する平滑化パラメータの選択方法を概説する．説明変数が複数ある場合への拡張，基底関数や節点をデータから選択するための方法などにも触れる．統計計算環境 R を用いて，実際のデータ解析事例も紹介する．

従来のクラスター分析や判別分析では群の数が少ない場合を扱ってきた。しかし，より多くの群が想定される場合や階層的な群の構造などを想定するのが適切な場合が増えてきた。また，MDS（多次元尺度構成法）でも少ない個体間（もの間）を扱ってきたが多くの個体の連関行列や非対称な関係をも扱う場合が増してきた。
　これらについてデータ解析の観点から講義すると共に実際のデータ分析を通じて活用能力の育成を図る。

機械学習の分野で近年注目されているカーネル法について講義を行う．最初に，カーネル関数を用いた統計的推論について概観し，次にカーネル法の理論的背景としての再生核ヒルベルト空間論について簡単に解説する．さらに，大量のデータを効率的に処理するための計算アルゴリズムや統計的性質についても講述する．Rを用いたプログラムの実例を示しつつ，理論と実装の両面について解説することを予定している．