授業回数はフィードバックを含め全15回とする。
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し、一部メディア授業を取り入れることがある。
・ガイダンス、統計の基礎（1回）授業の概要について説明する。その後、確率変数・平均・分散など統計の基礎的な内容について講義する。また、データ駆動型社会、Society 5.0、ビッグデータ、プライバシー保護、個人情報の取り扱いについても解説する。
・仮説検定（1回）仮説検定の基本的な考え方を講義する。
・線形代数の基礎（2回）行列、ベクトルの定義からはじめ、連立一次方程式の解法であるガウスの消去法やLU分解、回帰分析において必要となるQR分解、主成分分析などで重要となる固有値分解と特異値分解について解説する。

データ分析基礎(2)
・回帰分析（2～3回）予測などに使われる回帰分析について講義する。主にExcelを用いた演習を通じて、ダミー変数の扱い方、多重共線性の問題と解決法、モデル選択の考え方の基本、Ridge回帰とLasso回帰などを教授する。
・主成分分析（2～3回）多変量解析の基礎である主成分分析について講義する。回帰分析と組み合わせる主成分回帰などについても解説する。時間があれば、低ランク近似の考えに基づく、EMアルゴリズムを用いた欠損値の推定法とその応用などについても述べる。主に統計ソフトRを用いて演習を行う。
・最適化の基礎とスパース推定のための最適化手法（5回）いろいろな種類の最適化問題の紹介からはじめ、連続最適化問題を解くための基礎的な手法である最急降下法やその改良版とも見なせる共役勾配法について講義する。また、Lasso回帰などのスパース推定法において現れる最適化問題の解法として近接勾配法を教授し、データ分析への応用について述べるとともに、演習を行う。
・AI・機械学習の基礎と展望（1 回）AI の歴史や背景からはじめて、機械学習（教師あり学習・教師なし学習・強化学習）の考え方について説明する。ニューラルネットワークの原理や深層学習、深層学習で利用されるデバイスなどについても概説する。
・フィードバック（1回）