データサイエンス活用法（DA） ビジネス応用のための統計・機械学習入門

カリキュラム

1. 統計分析「データによって何が分かるのかを理解する」

   • 統計分析によってできること
   • 図表・可視化による整理（度数分布表、ヒストグラム）
   • 特性量による整理①（代表値：平均値、中央値、最頻値）
   • 特性量による整理②（データの広がり：分散、標準偏差）
   • 相関（散布図、相関係数、相関と因果）
   • データの散らばり（確率変数、さまざまなデータの分布）
   • 母集団と標本、標本の適切な抽出方法
   • 一部のデータから全体像を推測する方法（点推定、区間推定）

2. さまざまな可視化方法「大量の調査項目を整理して、見やすく図示する」

   • 次元を削減し可視化する方法（主成分分析）
   • 背後に潜む要因を探り出し可視化する方法（因子分析）
   • 集計結果を見やすく表示する方法（コレスポンデンス分析）

3. 教師なし学習（クラスタリング）「似ている性質のものをグループに分ける」

   • データを扱いやすい形式に整える（欠損値の扱い、日付の扱いなど）
   • クラスタリングの概念
   • 実例
   • 非階層的クラスタリング（K-means法）
   • 階層的クラスタリング

4. 教師あり学習（判別）「AかBかを予測したり、判断したりする」

   • 判別問題の概念
   • 実例
   • 判別問題の評価方法：F値、正解率
   • さまざまな判別手法：決定木、ランダムフォレスト、SVM

5. 教師あり学習（回帰）「(売上などの)値を予測する」

   • 回帰問題の概念
   • 実例
   • 回帰問題の評価方法
   • さまざまな回帰手法：決定木、ランダムフォレスト、重回帰分析（標準偏回帰係数）
   • 数値データ以外のデータを用いて予測する方法：数量化１類

6. ニューラルネット・深層学習（ディープラーニング）「画像などのデータを柔軟に処理する」

   • ニューラルネットワーク
   • 深層学習の概念
   • ニューラルネットワーク
   • 深層学習による判別と回帰
   • 深層学習による画像認識、言語処理

7. 選択や制御を最適化する方法

   • 強化学習「AIが自ら試行錯誤することで、より良い選択肢を見つけ出す」
   • 数理最適化「現実世界の条件を数式化し、適切な解法で効率よく解く」