0-9
- 1スライド1メッセージ
- レポーティング・プレゼン技法
- 1標本t検定
- t検定とz検定
- 2025年の崖
- Society 5.0 と DX
- 30条の4
- AIと著作権・データ著作物(著作権法30条の4)
- 3D円グラフ
- データ可視化の選び方
- 3σ法
- データクレンジングと外れ値検出(IQR・3σ)
- 5W1H
- 5W1Hと課題定義
A
- A/Bテスト
- A/Bテスト設計の基本 / ビジネス力まとめ・試験頻出ポイント / 散布図と相関係数
- ABAC
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
- AIC
- 重回帰分析と AIC/BIC
- AI事業者ガイドライン
- AI規制動向(EU AI Act・国内ガイドライン) / 人間とAIの協働・責任あるAI
- ANOVA
- その他の分布(t・χ²・F・指数) / χ²検定とANOVA
- ARIMA
- アソシエーション分析と時系列分析
- AUC
- ROC曲線とAUC
- AVG
- 集計と GROUP BY・HAVING
- Accountability
- AI倫理(公平性・透明性・説明責任)
- Adversarial Attack
- データセキュリティと敵対的攻撃
- Airflow
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- AlphaGo
- 強化学習の詳細(Q学習・SARSA・DQN)
- Apache Kafka
- ストリーミング処理とLambdaアーキテクチャ
- Apriori
- アソシエーション分析と時系列分析
- AutoML
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- AutoRegressive Integrated Moving Average
- アソシエーション分析と時系列分析
- agg
- データエンジニアリングまとめ・SQL/Python読解対策
- apply
- Pandas 集計(groupby・pivot_table・apply) / データエンジニアリングまとめ・SQL/Python読解対策
B
- BERT
- ディープラーニング概論(CNN・RNN・Transformer)
- BIC
- 重回帰分析と AIC/BIC
- Back Propagation
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- BigQuery
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
C
- CCA
- 多変量解析の補完(偏相関・正準相関・因子分析・判別分析)
- CEマーキング
- AI規制動向(EU AI Act・国内ガイドライン)
- CNN
- ディープラーニング概論(CNN・RNN・Transformer)
- COALESCE
- JOIN(INNER/LEFT/RIGHT/FULL)
- COUNT
- 集計と GROUP BY・HAVING
- CRISP-DM
- プロジェクトマネジメント基礎(DS版とCRISP-DM) / ビジネス力まとめ・試験頻出ポイント
- CTE
- サブクエリと CTE(WITH句) / データエンジニアリングまとめ・SQL/Python読解対策
- Chain-of-Thought
- 生成AI・LLM・転移学習
- Claude
- ディープラーニング概論(CNN・RNN・Transformer)
- Code LLM
- 生成AI・LLM・転移学習
- Cross Validation
- 交差検証(k-fold CV)
- concat
- データエンジニアリングまとめ・SQL/Python読解対策
D
- DBSCAN
- クラスタリング(k-means・階層型)
- DENSE_RANK
- ウィンドウ関数(ROW_NUMBER・RANK・LAG・LEAD) / SQL読解問題(ウィンドウ関数・CTE)
- DQN
- 強化学習の詳細(Q学習・SARSA・DQN)
- DWH
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- DX
- Society 5.0 と DX
- DX認定制度
- Society 5.0 と DX
- Data Poisoning
- データセキュリティと敵対的攻撃
- DataFrame
- Pandas 基礎(DataFrame・Series・loc/iloc) / データエンジニアリングまとめ・SQL/Python読解対策
- Decision Tree
- 決定木とランダムフォレスト
- Deep Q-Network
- 強化学習の詳細(Q学習・SARSA・DQN)
- Differential Privacy
- 匿名化・仮名化・差分プライバシー
- Docker
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
- dbt
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- dict
- Python基礎(データ型と制御構文)
- dropna
- データエンジニアリングまとめ・SQL/Python読解対策
E
- ELT
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- ETL
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- EU AI Act
- AI規制動向(EU AI Act・国内ガイドライン)
- Early Stopping
- 過学習・未学習とバイアス・バリアンス
- Extract Load Transform
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- Extract Transform Load
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
F
- F1スコア
- 分類の評価指標(混同行列・Precision/Recall/F1)
- FN
- 分類の評価指標(混同行列・Precision/Recall/F1)
- FP
- 分類の評価指標(混同行列・Precision/Recall/F1)
- FPR
- ROC曲線とAUC
- FROM
- SQL基礎(SELECT・WHERE・ORDER BY)
- FULL OUTER JOIN
- JOIN(INNER/LEFT/RIGHT/FULL)
- Fairness
- AI倫理(公平性・透明性・説明責任)
- Few-shot
- 生成AI・LLM・転移学習
- F分布
- その他の分布(t・χ²・F・指数)
- F検定
- その他の分布(t・χ²・F・指数)
- fillna
- データエンジニアリングまとめ・SQL/Python読解対策
G
- GAP分析
- GAP分析と仮説思考
- GDPR
- プライバシーと個人情報保護法・GDPR
- GPAI
- AI規制動向(EU AI Act・国内ガイドライン)
- GPT
- ディープラーニング概論(CNN・RNN・Transformer)
- GROUP BY
- データエンジニアリングまとめ・SQL/Python読解対策
- GRU
- ディープラーニング概論(CNN・RNN・Transformer)
- Gemini
- ディープラーニング概論(CNN・RNN・Transformer)
- Generative AI
- 生成AI・LLM・転移学習
- Git
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
- Google Colab
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
- GridSearch
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- GridSearchCV
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- groupby
- Pandas 集計(groupby・pivot_table・apply) / データエンジニアリングまとめ・SQL/Python読解対策
H
- HAVING
- 集計と GROUP BY・HAVING
- Hadoop
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- Human-in-the-Loop
- AI倫理(公平性・透明性・説明責任) / 人間とAIの協働・責任あるAI
- Human-on-the-Loop
- 人間とAIの協働・責任あるAI
- Human-out-of-the-Loop
- 人間とAIの協働・責任あるAI
- Hyperopt
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
I
J
- JOIN
- データエンジニアリングまとめ・SQL/Python読解対策
- JOIN条件
- SQL読解問題(集計・JOIN)
- Jupyter Notebook
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
- JupyterLab
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
K
- KGI
- KPI/KGI設計とSMART原則
- KPI
- KPI/KGI設計とSMART原則
- Kafka
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery) / ストリーミング処理とLambdaアーキテクチャ
- Kappaアーキテクチャ
- ストリーミング処理とLambdaアーキテクチャ
- Kruskal-Wallis検定
- ノンパラメトリック検定(Wilcoxon・Mann-Whitney・Kruskal-Wallis)
- k-anonymity
- 匿名化・仮名化・差分プライバシー
- k-fold交差検証
- 交差検証(k-fold CV)
- k-means
- クラスタリング(k-means・階層型)
- k-匿名性
- 匿名化・仮名化・差分プライバシー
- k近傍法
- SVM・k近傍法・ナイーブベイズ
L
- L1ノルム
- 内積・ノルム・固有値の概念 / Ridge/Lasso と正則化
- L2ノルム
- 内積・ノルム・固有値の概念 / Ridge/Lasso と正則化
- LAG
- ウィンドウ関数(ROW_NUMBER・RANK・LAG・LEAD)
- LDA
- 多変量解析の補完(偏相関・正準相関・因子分析・判別分析)
- LEAD
- ウィンドウ関数(ROW_NUMBER・RANK・LAG・LEAD)
- LEFT JOIN
- JOIN(INNER/LEFT/RIGHT/FULL)
- LIME
- SHAP・LIME と 説明可能AI
- LLM
- ディープラーニング概論(CNN・RNN・Transformer) / 生成AI・LLM・転移学習
- LSTM
- ディープラーニング概論(CNN・RNN・Transformer)
- Label Encoding
- 特徴量エンジニアリング(エンコーディング・標準化)
- Lambdaアーキテクチャ
- ストリーミング処理とLambdaアーキテクチャ
- Lasso回帰
- Ridge/Lasso と正則化
- Leaf-wise
- 勾配ブースティング(XGBoost/LightGBM)
- Least Squares
- 線形回帰と最小二乗法
- Leave-One-Out CV
- 交差検証(k-fold CV)
- l-多様性
- 匿名化・仮名化・差分プライバシー
- list
- Python基礎(データ型と制御構文)
- loc
- Pandas 基礎(DataFrame・Series・loc/iloc) / データエンジニアリングまとめ・SQL/Python読解対策
M
- MAE
- 回帰の評価指標(R²・MSE・RMSE・MAE)
- MAX
- 集計と GROUP BY・HAVING
- MECE
- ロジカルシンキング(MECE・ロジックツリー) / フェルミ推定と概算力 / ビジネス力まとめ・試験頻出ポイント
- MIN
- 集計と GROUP BY・HAVING
- MLOps
- MLOps・データガバナンス・データ提供契約
- MSE
- 回帰の評価指標(R²・MSE・RMSE・MAE)
- Mann-Whitney U検定
- ノンパラメトリック検定(Wilcoxon・Mann-Whitney・Kruskal-Wallis)
- Mean Absolute Error
- 回帰の評価指標(R²・MSE・RMSE・MAE)
- Mean Squared Error
- 回帰の評価指標(R²・MSE・RMSE・MAE)
- Microsoft Responsible AI
- 人間とAIの協働・責任あるAI
- matplotlib
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
- merge
- データエンジニアリングまとめ・SQL/Python読解対策
N
- NDA
- NDA・データ提供契約・利用規約
- NIST AI RMF
- AI規制動向(EU AI Act・国内ガイドライン) / 人間とAIの協働・責任あるAI
- Non-Disclosure Agreement
- NDA・データ提供契約・利用規約
- NumPy
- データエンジニアリングまとめ・SQL/Python読解対策
- ndarray
- NumPy 基礎(ndarray・ブロードキャスト)
O
- OECD AI原則
- AI規制動向(EU AI Act・国内ガイドライン)
- ORDER BY
- SQL基礎(SELECT・WHERE・ORDER BY) / SQL読解問題(ウィンドウ関数・CTE)
- One-Hot Encoding
- 特徴量エンジニアリング(エンコーディング・標準化)
- Optuna
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- overfitting
- 過学習・未学習とバイアス・バリアンス
P
- P(A|B)
- 確率の基本と条件付き確率 / ベイズの定理と医療診断問題
- PARTITION BY
- ウィンドウ関数(ROW_NUMBER・RANK・LAG・LEAD) / SQL読解問題(ウィンドウ関数・CTE)
- PCA
- 内積・ノルム・固有値の概念 / 次元削減(PCA・t-SNE・UMAP) / 多変量解析の補完(偏相関・正準相関・因子分析・判別分析)
- PR曲線
- 分類の評価指標(混同行列・Precision/Recall/F1) / ROC曲線とAUC
- Pandas
- データエンジニアリングまとめ・SQL/Python読解対策
- Plotly
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
- PoC
- PoCの進め方 / DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- PoC疲れ
- PoCの進め方
- Pre-registration
- シンプソンのパラドックスとp値ハッキング
- Precision
- 分類の評価指標(混同行列・Precision/Recall/F1)
- Precision-Recall曲線
- ROC曲線とAUC
- p-hacking
- シンプソンのパラドックスとp値ハッキング
- pd.concat
- Pandas データ結合と欠損値処理
- pd.merge
- Pandas データ結合と欠損値処理
- pivot_table
- Pandas 集計(groupby・pivot_table・apply)
- p値
- 仮説検定の枠組みとp値
- p値ハッキング
- GAP分析と仮説思考 / A/Bテスト設計の基本 / シンプソンのパラドックスとp値ハッキング
Q
- Q-Qプロット
- ノンパラメトリック検定(Wilcoxon・Mann-Whitney・Kruskal-Wallis)
- Q-learning
- 強化学習の詳細(Q学習・SARSA・DQN)
- Q1
- 散らばりの指標(分散・標準偏差・四分位)
- Q1-1.5·IQR
- データクレンジングと外れ値検出(IQR・3σ)
- Q2
- 散らばりの指標(分散・標準偏差・四分位)
- Q3
- 散らばりの指標(分散・標準偏差・四分位)
- Q3+1.5·IQR
- データクレンジングと外れ値検出(IQR・3σ)
- Q値
- 強化学習の詳細(Q学習・SARSA・DQN)
- Q学習
- 強化学習の詳細(Q学習・SARSA・DQN)
R
- RAG
- 生成AI・LLM・転移学習
- RANK
- ウィンドウ関数(ROW_NUMBER・RANK・LAG・LEAD) / SQL読解問題(ウィンドウ関数・CTE)
- RBAC
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
- RBFカーネル
- SVM・k近傍法・ナイーブベイズ
- RIGHT JOIN
- JOIN(INNER/LEFT/RIGHT/FULL)
- RMSE
- 回帰の評価指標(R²・MSE・RMSE・MAE)
- RNN
- ディープラーニング概論(CNN・RNN・Transformer)
- ROC曲線
- ROC曲線とAUC
- ROI
- ビジネスマインドとROI / ステークホルダー管理と翻訳者の役割 / ビジネス力まとめ・試験頻出ポイント
- ROW_NUMBER
- ウィンドウ関数(ROW_NUMBER・RANK・LAG・LEAD) / SQL読解問題(ウィンドウ関数・CTE)
- RandomSearch
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- ReLU
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- Recall
- 分類の評価指標(混同行列・Precision/Recall/F1)
- Redshift
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- Responsible AI
- AI倫理(公平性・透明性・説明責任) / 人間とAIの協働・責任あるAI
- Retrieval-Augmented Generation
- 生成AI・LLM・転移学習
- Ridge回帰
- Ridge/Lasso と正則化
- R²
- 回帰の評価指標(R²・MSE・RMSE・MAE)
S
- SARSA
- 強化学習の詳細(Q学習・SARSA・DQN)
- SELECT
- SQL基礎(SELECT・WHERE・ORDER BY)
- SHAP
- SHAP・LIME と 説明可能AI
- SHapley Additive exPlanations
- SHAP・LIME と 説明可能AI
- SMART
- KPI/KGI設計とSMART原則 / ビジネス力まとめ・試験頻出ポイント
- SMOTE
- 不均衡データ対応(SMOTE)
- SQL
- SQL基礎(SELECT・WHERE・ORDER BY)
- SUM
- 集計と GROUP BY・HAVING / ウィンドウ関数(ROW_NUMBER・RANK・LAG・LEAD)
- SVM
- SVM・k近傍法・ナイーブベイズ
- Self-Attention
- ディープラーニング概論(CNN・RNN・Transformer)
- Series
- Pandas 基礎(DataFrame・Series・loc/iloc) / データエンジニアリングまとめ・SQL/Python読解対策
- Shapiro-Wilk検定
- ノンパラメトリック検定(Wilcoxon・Mann-Whitney・Kruskal-Wallis)
- Snowflake
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- SoWhat
- ピラミッドストラクチャと結論先行
- Society 5.0
- Society 5.0 と DX
- Softmax回帰
- ロジスティック回帰
- Spark
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- Support Vector Machine
- SVM・k近傍法・ナイーブベイズ
- Synthetic Minority Over-sampling Technique
- 不均衡データ対応(SMOTE)
- seaborn
- データ分析環境とPython可視化ツール(Jupyter・matplotlib・seaborn・Docker)
- set
- Python基礎(データ型と制御構文)
- softmax
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
T
- TN
- 分類の評価指標(混同行列・Precision/Recall/F1)
- TP
- 分類の評価指標(混同行列・Precision/Recall/F1)
- TPR
- ROC曲線とAUC
- Target Encoding
- 特徴量エンジニアリング(エンコーディング・標準化)
- Transformer
- ディープラーニング概論(CNN・RNN・Transformer)
- Transparency
- AI倫理(公平性・透明性・説明責任)
- t-Distributed Stochastic Neighbor Embedding
- 次元削減(PCA・t-SNE・UMAP)
- t-SNE
- 次元削減(PCA・t-SNE・UMAP)
- t-近接性
- 匿名化・仮名化・差分プライバシー
- tanh
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- test
- 訓練・検証・テスト分割と汎化性能
- train
- 訓練・検証・テスト分割と汎化性能
- tuple
- Python基礎(データ型と制御構文)
- t分布
- その他の分布(t・χ²・F・指数)
- t検定
- t検定とz検定
U
- UMAP
- 次元削減(PCA・t-SNE・UMAP)
- underfitting
- 過学習・未学習とバイアス・バリアンス
V
- VIF
- 線形回帰と最小二乗法
- validation
- 訓練・検証・テスト分割と汎化性能
W
- WHERE
- SQL基礎(SELECT・WHERE・ORDER BY)
- WHERE条件
- SQL読解問題(集計・JOIN)
- WITH句
- サブクエリと CTE(WITH句)
- WhySo
- ピラミッドストラクチャと結論先行
- Why思考
- 5W1Hと課題定義
- Wilcoxon検定
- ノンパラメトリック検定(Wilcoxon・Mann-Whitney・Kruskal-Wallis)
X
Y
- Y軸切り詰め
- データ可視化の選び方
Z
- Zero-shot
- 生成AI・LLM・転移学習
- z変換
- 正規分布と中心極限定理
- z検定
- t検定とz検定
あ
- あるべき姿
- GAP分析と仮説思考
- アクション提案
- レポーティング・プレゼン技法
- アクセス制御
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
- アジャイル
- プロジェクトマネジメント基礎(DS版とCRISP-DM)
- アソシエーション
- 機械学習の3分類(教師あり/なし/強化)
- アソシエーション分析
- アソシエーション分析と時系列分析
- アプローチ設計
- ビジネス力まとめ・試験頻出ポイント
- アンカリング効果
- データリテラシー(相関と因果・バイアス各種)
- アンサンブル学習
- 決定木とランダムフォレスト / 勾配ブースティング(XGBoost/LightGBM)
う
え
- エルボー図
- クラスタリング・次元削減の図表読解
- エルボー法
- クラスタリング(k-means・階層型)
- エンコーディング
- 特徴量エンジニアリング(エンコーディング・標準化)
お
- オッカムの剃刀
- ビジネスマインドとROI
- オーダー
- フェルミ推定と概算力
か
- カテゴリ変数
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- カーネル法
- SVM・k近傍法・ナイーブベイズ
が
く
- クラスタリング
- 機械学習の3分類(教師あり/なし/強化) / クラスタリング(k-means・階層型)
- クラスタ抽出
- サンプリングと標本誤差
こ
- コサイン類似度
- 内積・ノルム・固有値の概念
- コミュニケーション能力
- ステークホルダー管理と翻訳者の役割
- コレクション
- Python基礎(データ型と制御構文)
- コード読解
- データエンジニアリングまとめ・SQL/Python読解対策
さ
- サイバー空間
- Society 5.0 と DX
- サブクエリ
- サブクエリと CTE(WITH句)
- サポートベクター
- SVM・k近傍法・ナイーブベイズ
- サンプリング
- サンプリングと標本誤差
- サンプルサイズ
- A/Bテスト設計の基本
- サービングレイヤー
- ストリーミング処理とLambdaアーキテクチャ
し
- シグモイド
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- シグモイド関数
- ロジスティック回帰
- シャープレイ値
- SHAP・LIME と 説明可能AI
- シルエット係数
- クラスタリング(k-means・階層型)
- シンプソンのパラドックス
- シンプソンのパラドックスとp値ハッキング
- シンプル原則
- ビジネスマインドとROI
じ
- ジニ不純度
- 決定木とランダムフォレスト
す
- スキルチェックリスト
- データサイエンティスト倫理綱領と行動規範 / ビジネスマインドとROI
- スケーラビリティ
- PoCの進め方 / ステークホルダー管理と翻訳者の役割
- スタッキング
- アンサンブル学習(スタッキング・ブレンディング)
- ステップワイズ法
- 重回帰分析と AIC/BIC
- ステークホルダー
- プロジェクトマネジメント基礎(DS版とCRISP-DM) / ステークホルダー管理と翻訳者の役割
- ステークホルダーマップ
- ステークホルダー管理と翻訳者の役割
- ステークホルダー管理
- プロジェクトマネジメント基礎(DS版とCRISP-DM)
- ストックデータ
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- ストリーミング処理
- ストリーミング処理とLambdaアーキテクチャ
- ストーリー化
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- スピードレイヤー
- ストリーミング処理とLambdaアーキテクチャ
ぜ
て
- テキスト・データマイニング(TDM)
- AIと著作権・データ著作物(著作権法30条の4)
- テスト
- 訓練・検証・テスト分割と汎化性能
で
- ディープラーニング
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- デンドログラム
- クラスタリング(k-means・階層型) / クラスタリング・次元削減の図表読解
- データウェアハウス
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- データガバナンス
- MLOps・データガバナンス・データ提供契約
- データクレンジング
- データクレンジングと外れ値検出(IQR・3σ)
- データサイエンティスト倫理綱領
- データサイエンティスト倫理綱領と行動規範
- データドリフト
- MLOps・データガバナンス・データ提供契約
- データリテラシー
- データリテラシー(相関と因果・バイアス各種)
- データレイク
- データ基盤と ETL/ELT(DWH・データレイク・BigQuery)
- データ可視化
- レポーティング・プレゼン技法
- データ品質
- プロジェクトマネジメント基礎(DS版とCRISP-DM)
- データ型
- Python基礎(データ型と制御構文)
- データ提供契約
- MLOps・データガバナンス・データ提供契約 / NDA・データ提供契約・利用規約
- データ汚染攻撃
- データセキュリティと敵対的攻撃
- データ流通・調達
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
と
- トレンド
- アソシエーション分析と時系列分析
な
- ナイーブベイズ
- SVM・k近傍法・ナイーブベイズ
の
は
- ハイパーパラメータチューニング
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- ハッシュ
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
ば
- バイアス
- データリテラシー(相関と因果・バイアス各種)
- バイアス・バリアンスのトレードオフ
- 過学習・未学習とバイアス・バリアンス
- バイアス・バリアンス分解
- 過学習・未学習とバイアス・バリアンス
- バギング
- 決定木とランダムフォレスト / 勾配ブースティング(XGBoost/LightGBM) / アンサンブル学習(スタッキング・ブレンディング)
- バッチレイヤー
- ストリーミング処理とLambdaアーキテクチャ
- バッチ処理
- ストリーミング処理とLambdaアーキテクチャ
ぱ
ひ
- ヒストグラム法
- 勾配ブースティング(XGBoost/LightGBM)
び
- ビジネスアーキテクチャ
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- ビジネスマインド
- ビジネスマインドとROI
- ビジネス力
- データサイエンティスト倫理綱領と行動規範 / プロジェクトマネジメント基礎(DS版とCRISP-DM) / ステークホルダー管理と翻訳者の役割
ぴ
- ピラミッドストラクチャ
- ピラミッドストラクチャと結論先行
ふ
- ファインチューニング
- 生成AI・LLM・転移学習
- フィジカル空間
- Society 5.0 と DX
- フェアユース
- AIと著作権・データ著作物(著作権法30条の4)
- フェルミ推定
- フェルミ推定と概算力
- フローデータ
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
ぶ
- ブラックボックス
- AI倫理(公平性・透明性・説明責任) / SHAP・LIME と 説明可能AI
- ブレンディング
- アンサンブル学習(スタッキング・ブレンディング)
- ブロードキャスト
- NumPy 基礎(ndarray・ブロードキャスト)
- ブースティング
- 勾配ブースティング(XGBoost/LightGBM) / アンサンブル学習(スタッキング・ブレンディング)
ぷ
- プライバシー・バイ・デザイン
- MLOps・データガバナンス・データ提供契約
- プレレジストレーション
- データリテラシー(相関と因果・バイアス各種)
- プロジェクトマネジメント
- ビジネス力まとめ・試験頻出ポイント
- プロセス分解
- フェルミ推定と概算力
- プーリング層
- ディープラーニング概論(CNN・RNN・Transformer)
べ
- ベイズの定理
- ベイズの定理と医療診断問題 / SVM・k近傍法・ナイーブベイズ
- ベイズ最適化
- ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- ベクトル
- ベクトルと行列の基礎
- ベルヌーイ分布
- 確率分布(ベルヌーイ・二項・ポアソン)
ぽ
- ポアソンの極限定理
- 確率分布(ベルヌーイ・二項・ポアソン)
- ポアソン分布
- 確率分布(ベルヌーイ・二項・ポアソン)
め
- メンバーシップ推論攻撃
- データセキュリティと敵対的攻撃
も
- モデルドリフト
- MLOps・データガバナンス・データ提供契約
- モデル抽出攻撃
- データセキュリティと敵対的攻撃
- モニタリング
- MLOps・データガバナンス・データ提供契約
ら
- ランダムフォレスト
- 決定木とランダムフォレスト
- ランダム割付
- A/Bテスト設計の基本
- ランダム化比較試験
- 散布図と相関係数
り
- リスト内包表記
- Python基礎(データ型と制御構文)
- リフト値
- アソシエーション分析と時系列分析
- リレーショナルデータベース
- SQL基礎(SELECT・WHERE・ORDER BY)
- リーク
- 訓練・検証・テスト分割と汎化性能
れ
- レポーティング
- ビジネス力まとめ・試験頻出ポイント
ろ
- ロジカルシンキング
- ロジカルシンキング(MECE・ロジックツリー) / ビジネス力まとめ・試験頻出ポイント
- ロジスティック回帰
- ロジスティック回帰
- ロジックツリー
- ロジカルシンキング(MECE・ロジックツリー)
- ロバスト
- 記述統計の基礎(平均・中央値・最頻値)
- ロールベースアクセス制御
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
漢字
- ε-greedy
- 強化学習の詳細(Q学習・SARSA・DQN)
- σ(シグマ)
- 散らばりの指標(分散・標準偏差・四分位)
- χ²分布
- その他の分布(t・χ²・F・指数)
- χ²検定
- その他の分布(t・χ²・F・指数) / χ²検定とANOVA
- 一般データ保護規則
- プライバシーと個人情報保護法・GDPR
- 不偏分散
- 散らばりの指標(分散・標準偏差・四分位)
- 不均衡データ
- 不均衡データ対応(SMOTE)
- 不正検知
- AI/データ活用事例(業界別)
- 不確実性
- プロジェクトマネジメント基礎(DS版とCRISP-DM)
- 並列
- 勾配ブースティング(XGBoost/LightGBM)
- 中央値
- 記述統計の基礎(平均・中央値・最頻値)
- 中心極限定理
- 正規分布と中心極限定理
- 主成分分析
- 次元削減(PCA・t-SNE・UMAP)
- 予知保全
- AI/データ活用事例(業界別)
- 事前に決める
- A/Bテスト設計の基本
- 事前学習
- 生成AI・LLM・転移学習
- 事前登録
- シンプソンのパラドックスとp値ハッキング
- 事前確率
- ベイズの定理と医療診断問題
- 事後確率
- ベイズの定理と医療診断問題
- 二項分布
- 確率分布(ベルヌーイ・二項・ポアソン)
- 交差検証
- 過学習・未学習とバイアス・バリアンス / 交差検証(k-fold CV) / ハイパーパラメータチューニング(GridSearch・RandomSearch・ベイズ最適化)
- 交絡
- A/Bテスト設計の基本
- 代表値
- 記述統計の基礎(平均・中央値・最頻値)
- 代表性
- PoCの進め方 / AI倫理(公平性・透明性・説明責任)
- 仮名化
- 匿名化・仮名化・差分プライバシー
- 仮説思考
- GAP分析と仮説思考
- 仮説検定
- 仮説検定の枠組みとp値
- 価値ストーリー
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 価値文脈統合
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 係数を完全に0にする
- Ridge/Lasso と正則化
- 信用スコアリング
- AI/データ活用事例(業界別)
- 信頼区間
- 点推定と区間推定(信頼区間)
- 信頼水準
- 点推定と区間推定(信頼区間)
- 個人情報
- データサイエンティスト倫理綱領と行動規範 / ビジネス力まとめ・試験頻出ポイント
- 個人情報保護法
- プライバシーと個人情報保護法・GDPR
- 倫理・リスク設計
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 倫理綱領
- ビジネス力まとめ・試験頻出ポイント
- 偏微分
- 微分・偏微分・勾配の基礎
- 偏相関
- 多変量解析の補完(偏相関・正準相関・因子分析・判別分析)
- 全確率の公式
- ベイズの定理と医療診断問題
- 公平性
- AI倫理(公平性・透明性・説明責任)
- 公開鍵暗号
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
- 共通鍵暗号
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
- 内積
- 内積・ノルム・固有値の概念
- 再帰型ニューラルネット
- ディープラーニング概論(CNN・RNN・Transformer)
- 再提供制限
- NDA・データ提供契約・利用規約
- 再現性
- プロジェクトマネジメント基礎(DS版とCRISP-DM)
- 再現率
- 分類の評価指標(混同行列・Precision/Recall/F1)
- 分散
- 散らばりの指標(分散・標準偏差・四分位)
- 分散の交換公式
- 期待値と分散の計算
- 分散分析
- その他の分布(t・χ²・F・指数) / χ²検定とANOVA
- 分類
- 機械学習の3分類(教師あり/なし/強化)
- 判別分析
- 多変量解析の補完(偏相関・正準相関・因子分析・判別分析)
- 利用規約
- NDA・データ提供契約・利用規約
- 利益相反
- データサイエンティスト倫理綱領と行動規範
- 制御構文
- Python基礎(データ型と制御構文)
- 創薬
- AI/データ活用事例(業界別)
- 勾配
- 微分・偏微分・勾配の基礎
- 勾配ブースティング
- 勾配ブースティング(XGBoost/LightGBM)
- 勾配降下法
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- 区間推定
- 点推定と区間推定(信頼区間)
- 医療LLM
- 生成AI・LLM・転移学習
- 匿名加工情報
- プライバシーと個人情報保護法・GDPR / 匿名化・仮名化・差分プライバシー
- 匿名化
- 匿名化・仮名化・差分プライバシー
- 協働基盤
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 単位の確認
- 統計まとめ・計算問題対策
- 単位行列
- ベクトルと行列の基礎
- 単純無作為抽出
- サンプリングと標本誤差
- 反復的
- プロジェクトマネジメント基礎(DS版とCRISP-DM)
- 反証可能性
- データリテラシー(相関と因果・バイアス各種)
- 可視化
- レポーティング・プレゼン技法 / データ可視化の選び方
- 同時確率
- 確率の基本と条件付き確率
- 名義尺度
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 問題文を読み返す
- 統計まとめ・計算問題対策
- 四分位
- 散らばりの指標(分散・標準偏差・四分位)
- 四分位範囲
- 散らばりの指標(分散・標準偏差・四分位)
- 回帰
- 機械学習の3分類(教師あり/なし/強化)
- 因子分析
- 多変量解析の補完(偏相関・正準相関・因子分析・判別分析)
- 因果関係
- KPI/KGI設計とSMART原則
- 固有ベクトル
- 内積・ノルム・固有値の概念
- 固有値
- 内積・ノルム・固有値の概念
- 外れ値
- 記述統計の基礎(平均・中央値・最頻値) / 線形回帰と最小二乗法
- 外れ値検出
- データクレンジングと外れ値検出(IQR・3σ)
- 多変量解析
- 重回帰分析と AIC/BIC
- 多様性効果
- アンサンブル学習(スタッキング・ブレンディング)
- 多重代入法
- Pandas データ結合と欠損値処理
- 多重共線性
- 線形回帰と最小二乗法 / 重回帰分析と AIC/BIC
- 多項ロジスティック回帰
- ロジスティック回帰
- 大規模言語モデル
- 生成AI・LLM・転移学習
- 季節性
- アソシエーション分析と時系列分析
- 学習サイクル
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 学習率
- 微分・偏微分・勾配の基礎 / 勾配ブースティング(XGBoost/LightGBM)
- 定常性
- アソシエーション分析と時系列分析
- 定性データ
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 定量データ
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 対応のあるt検定
- t検定とz検定
- 対応のないt検定
- t検定とz検定
- 対立仮説
- 仮説検定の枠組みとp値
- 対角行列
- ベクトルと行列の基礎
- 尤度
- ベイズの定理と医療診断問題
- 属性ベースアクセス制御
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
- 属性開示攻撃
- 匿名化・仮名化・差分プライバシー
- 層化k-fold
- 交差検証(k-fold CV)
- 層化抽出
- サンプリングと標本誤差
- 差分プライバシー
- 匿名化・仮名化・差分プライバシー / データセキュリティと敵対的攻撃
- 帰無仮説
- 仮説検定の枠組みとp値
- 平均
- 記述統計の基礎(平均・中央値・最頻値)
- 平均の差
- t検定とz検定
- 広島AIプロセス
- AI規制動向(EU AI Act・国内ガイドライン)
- 式の途中保存
- 統計まとめ・計算問題対策
- 強化学習
- 機械学習の3分類(教師あり/なし/強化)
- 微分
- 微分・偏微分・勾配の基礎 / 統計まとめ・計算問題対策
- 悪い可視化
- レポーティング・プレゼン技法
- 情報利得
- 決定木とランダムフォレスト
- 意図的な歪曲
- データ可視化の選び方
- 成功基準
- PoCの進め方
- 技術・社会潮流の洞察
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 指数分布
- その他の分布(t・χ²・F・指数)
- 推測統計
- 統計まとめ・計算問題対策
- 損失関数
- 微分・偏微分・勾配の基礎
- 損害賠償
- NDA・データ提供契約・利用規約
- 擬似相関
- 散布図と相関係数
- 支持度
- アソシエーション分析と時系列分析
- 教師あり学習
- 機械学習の3分類(教師あり/なし/強化)
- 教師なし学習
- 機械学習の3分類(教師あり/なし/強化)
- 散布図
- 散布図と相関係数
- 数値最適化
- 線形回帰と最小二乗法
- 敵対的攻撃
- データセキュリティと敵対的攻撃
- 時系列
- データ可視化の選び方 / ディープラーニング概論(CNN・RNN・Transformer)
- 時系列分析
- アソシエーション分析と時系列分析
- 暗号化
- データセキュリティ(暗号化・ハッシュ・アクセス制御)
- 最小二乗法
- 線形回帰と最小二乗法
- 最頻値
- 記述統計の基礎(平均・中央値・最頻値)
- 有意水準
- A/Bテスト設計の基本 / 仮説検定の枠組みとp値
- 期待値
- 期待値と分散の計算
- 木の本数
- 勾配ブースティング(XGBoost/LightGBM)
- 木の深さ
- 勾配ブースティング(XGBoost/LightGBM)
- 未学習
- 過学習・未学習とバイアス・バリアンス
- 条件付き確率
- 確率の基本と条件付き確率
- 桁の確認
- 統計まとめ・計算問題対策
- 検出力
- A/Bテスト設計の基本 / 第1種/第2種の過誤・検出力
- 検出力分析
- 点推定と区間推定(信頼区間) / 第1種/第2種の過誤・検出力
- 検証
- 訓練・検証・テスト分割と汎化性能
- 構造化データ
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 構造的因果
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 標本平均
- 正規分布と中心極限定理
- 標本誤差
- サンプリングと標本誤差
- 標準偏差
- 散らばりの指標(分散・標準偏差・四分位) / 期待値と分散の計算
- 標準化
- 正規分布と中心極限定理 / 特徴量エンジニアリング(エンコーディング・標準化)
- 標準正規分布
- 正規分布と中心極限定理 / 点推定と区間推定(信頼区間)
- 機密情報
- ビジネス力まとめ・試験頻出ポイント
- 機械学習
- 機械学習の3分類(教師あり/なし/強化) / 訓練・検証・テスト分割と汎化性能
- 次元削減
- 機械学習の3分類(教師あり/なし/強化) / 次元削減(PCA・t-SNE・UMAP)
- 正則化
- 過学習・未学習とバイアス・バリアンス / Ridge/Lasso と正則化 / 勾配ブースティング(XGBoost/LightGBM)
- 正常性バイアス
- データリテラシー(相関と因果・バイアス各種)
- 正準相関分析
- 多変量解析の補完(偏相関・正準相関・因子分析・判別分析)
- 正規分布
- 正規分布と中心極限定理
- 正規化
- 特徴量エンジニアリング(エンコーディング・標準化)
- 正規性
- ノンパラメトリック検定(Wilcoxon・Mann-Whitney・Kruskal-Wallis)
- 残差
- 線形回帰と最小二乗法 / アソシエーション分析と時系列分析
- 母分散
- t検定とz検定
- 比例尺度
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 汎化性能
- 訓練・検証・テスト分割と汎化性能
- 汎用AI
- AI規制動向(EU AI Act・国内ガイドライン)
- 決定係数
- 回帰の評価指標(R²・MSE・RMSE・MAE)
- 決定木
- 決定木とランダムフォレスト
- 活性化関数
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- 深層学習
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- 混同行列
- 分類の評価指標(混同行列・Precision/Recall/F1)
- 準拠法
- NDA・データ提供契約・利用規約
- 漏れなくダブりなく
- ロジカルシンキング(MECE・ロジックツリー)
- 点推定
- 点推定と区間推定(信頼区間)
- 特徴量選択
- Ridge/Lasso と正則化
- 独立
- 確率の基本と条件付き確率
- 独立性検定
- χ²検定とANOVA
- 現状
- GAP分析と仮説思考
- 生存者バイアス
- サンプリングと標本誤差 / データリテラシー(相関と因果・バイアス各種)
- 生成AI
- 生成AI・LLM・転移学習
- 画像検査
- AI/データ活用事例(業界別)
- 畳み込みニューラルネット
- ディープラーニング概論(CNN・RNN・Transformer)
- 畳み込み層
- ディープラーニング概論(CNN・RNN・Transformer)
- 相関と因果は違う
- 散布図と相関係数
- 相関サブクエリ
- サブクエリと CTE(WITH句)
- 相関係数
- 散布図と相関係数
- 真の問題
- 5W1Hと課題定義
- 確信度
- アソシエーション分析と時系列分析
- 確率
- 確率の基本と条件付き確率 / ロジスティック回帰
- 確率分布
- 統計まとめ・計算問題対策
- 確率変数
- 期待値と分散の計算
- 確証バイアス
- データリテラシー(相関と因果・バイアス各種)
- 禁止AI
- AI規制動向(EU AI Act・国内ガイドライン)
- 第1種の過誤
- 第1種/第2種の過誤・検出力
- 第2種の過誤
- 第1種/第2種の過誤・検出力
- 箱ひげ図
- 散らばりの指標(分散・標準偏差・四分位)
- 系列データ
- ディープラーニング概論(CNN・RNN・Transformer)
- 系統誤差
- サンプリングと標本誤差
- 累積寄与率
- 次元削減(PCA・t-SNE・UMAP)
- 累積寄与率図
- クラスタリング・次元削減の図表読解
- 結論先行
- ピラミッドストラクチャと結論先行 / レポーティング・プレゼン技法
- 線形
- 次元削減(PCA・t-SNE・UMAP)
- 線形代数
- 統計まとめ・計算問題対策
- 線形回帰
- 線形回帰と最小二乗法
- 著作権
- AIと著作権・データ著作物(著作権法30条の4)
- 著作権侵害
- AIと著作権・データ著作物(著作権法30条の4)
- 著作権法第30条の4
- AIと著作権・データ著作物(著作権法30条の4)
- 行列
- ベクトルと行列の基礎
- 行列の積
- ベクトルと行列の基礎
- 行動規範
- データサイエンティスト倫理綱領と行動規範 / ビジネス力まとめ・試験頻出ポイント
- 行数制限
- SQL基礎(SELECT・WHERE・ORDER BY)
- 表面の症状
- 5W1Hと課題定義
- 訓練
- 訓練・検証・テスト分割と汎化性能
- 記述統計
- 統計まとめ・計算問題対策
- 誤差逆伝播法
- ニューラルネットワーク基礎(パーセプトロン・誤差逆伝播)
- 説明可能AI
- AI倫理(公平性・透明性・説明責任) / SHAP・LIME と 説明可能AI
- 説明可能性
- データサイエンティスト倫理綱領と行動規範
- 説明責任
- データサイエンティスト倫理綱領と行動規範 / ビジネス力まとめ・試験頻出ポイント / AI倫理(公平性・透明性・説明責任) ほか 1 件
- 課題の再定義
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 課題定義
- ロジカルシンキング(MECE・ロジックツリー) / 5W1Hと課題定義 / ビジネス力まとめ・試験頻出ポイント
- 論理的思考
- KPI/KGI設計とSMART原則
- 責任あるAI
- AI倫理(公平性・透明性・説明責任) / 人間とAIの協働・責任あるAI
- 転移学習
- 生成AI・LLM・転移学習
- 転置行列
- ベクトルと行列の基礎
- 透明性
- AI倫理(公平性・透明性・説明責任)
- 逐次
- 勾配ブースティング(XGBoost/LightGBM)
- 逐次的
- 勾配ブースティング(XGBoost/LightGBM)
- 過学習
- 過学習・未学習とバイアス・バリアンス / 決定木とランダムフォレスト / 重回帰分析と AIC/BIC
- 適合率
- 分類の評価指標(混同行列・Precision/Recall/F1)
- 適応的ガバナンス
- DS検定ver.6「価値創造」実践：課題再定義からPoC・学習サイクルまで
- 選択バイアス
- サンプリングと標本誤差 / データリテラシー(相関と因果・バイアス各種)
- 重回帰
- 重回帰分析と AIC/BIC
- 重複削除
- データクレンジングと外れ値検出(IQR・3σ)
- 間隔尺度
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 階層クラスタリング
- クラスタリング(k-means・階層型)
- 集計前
- 集計と GROUP BY・HAVING
- 集計後
- 集計と GROUP BY・HAVING
- 需要予測
- AI/データ活用事例(業界別)
- 非構造化データ
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 非線形
- 散布図と相関係数
- 順序尺度
- データの種類(構造化/非構造化、定量/定性、ストック/フロー)
- 高リスクAI
- AI規制動向(EU AI Act・国内ガイドライン)