すべてのブログから「#データサイエンス」タグの検索結果

一年ほど前のこと、データサイエンティストに必要となるスキル・知識を定義し、育成のカリキュラム作成、評価制度の構築など、高度IT人材の育成と業界の健全な発展への貢献、啓蒙活動を行っている、データサイエンティスト協会から100本ノック構造化データ処理編がgithubにてシェアされています。これを利用することで、なんとデータサイエンスに係るPython, R, SQLスキルを学ぶことができます！【活用手順】docker desktopまたはtoolboxがダウンロードされていることを前提として、以下のコードをターミナルで順に実行していきます。<ターミナルで指定するコマンド>docker buildには、20-30min程度、完了まで時間がかかります。docker build完了後、添付画像のようにDoneと出ます。その後、100本ノックgithubに記載のポート番号の記載のある以下パスをクリックしてjupyter labを立ち上げましょう。すると100本ノックの課題に取り組めるようになります。こちらの構築方法がわからなければ個別にご質問いただければと思います。また、課題についてのご質問・学習サポートも承ります。以下のココナラの出品サービスをご購入いただけますと幸いです。以下に環境構築にあたっての注意事項について記載しておきます。※ OSユーザーのホームディレクトリ配下以外にダウンロードする場合、Dockerの共有設定が別途必要となります※ Windowsでgitを利用する場合、デフォルト設定でのインストールを行うとスクリプトの改行コードを変えられてしまい、データベースを正

今日はWindows 10を快適に使うための設定方法を紹介します!Windows 10の使い方とおすすめの設定について解説します。最近WindowsPCの初期設定を行う機会があったので備忘録としてもこちらに残しておきます。これらの設定を行うことでパフォーマンスを向上させることができます。試してみて元の設定に戻すこともできるので、安心して設定を変更してみてください。1.コントロールパネルを開くまず、Windowsの検索ボックスに「コントロールパネル」と入力します。「コントロールパネル」と入力して検索結果から選ぶとわかりやすいです。2.パフォーマンス設定の変更コントロールパネルが開いたら、「システムとセキュリティ」をクリックし、表示された画面から「システム」を選択します。「コンピューターの基本的な情報の表示」という画面が表示されますので、そこから「システムの詳細設定」をクリックします。3.パフォーマンスオプションの設定「システムの詳細設定」画面が表示されたら中の「パフォーマンス」を選択します。「設定」→「視覚効果の設定」ボタンをクリックします。4.視覚効果のカスタマイズ「視覚効果の設定」画面が表示されると、いくつかの項目があります。初期は「すべての項目にチェックが入っている」はずですが、今回はカスタム設定を行います。ふにゃふにゃ動く無駄なアニメーション等々を無効にします以下の項目をチェック外すことを推奨しますWindows内のアニメーションコントロールと要素をチェック外す。タスクバーでのアニメーションを表示しない。ドラッグ中にウィンドウの内容を表示しない。タスクバーの縮小版プレビュ

今日も一日雨でしたね。洗濯物は外に干したいものです^ ^; さて、愛知県立高校の中高一貫校教育ですが、２０２５年４月から導入する予定の明和高校、津島高校、半田高校、刈谷高校の４校に続いて新たに２０２６年４月から６校導入することになったそうです。 その中には・探求型の学習を重視する学校・不登校を経験した生徒のための学校・海外の大学の入学資格を得られる教育プログラム　「国際バカロレア」の導入を目指す学校・近隣の市町村の中学との間で教育内容の連携を　強化する「連携型中高一貫校」・ＡＩやデータサイエンスに関する教育を行い、　デジタル人材の育成を目指す学校などがあるようです。 子どもたちの選択肢が増えるのは嬉しいですね。どんな学校になっていくのかも興味深いのでまた動きがありましたら、お知らせいたします。 それでは今日もあたたかくしておやすみくださいませ。

2022年10月1日に受けた統計検定データサイエンス基礎について解説する動画です。最後まで見て頂ければ①どんな試験か②合格する為に何をすれば良いかを理解する事ができます。統計やデータサイエンスについて・良く知らないけど興味がある方・これから学習を始めようと思っている方にはぜひ見て欲しいです！動画が少しでも役に立った！と思った方はぜひチャンネル登録・高評価をよろしくお願いします！

coconalaで統計問題の解説をご依頼頂く事が時々あるので自分の勉強の為にも受けてみました。100点満点中合格ライン：60点以上ぢゃぶや　：80点無事合格しました～！2017年にできた試験らしく、事前にネットで調べてても詳しい情報が見つけられなかったのでここで少し試験の概要について紹介したいと思います。(データサイエンスそのものの説明は割愛しますが)PCでExcelを使う試験です。大問1つにつき何十～何百というサンプルが1式与えられるのでそのサンプルをExcelを使って解析しながら大問1つにつき4～5つ程度の小問に答えていきます。90分の試験時間で大問が8つあったので大問1つを11分、小問1つ当たりだと2~3分で解いていく必要があります。じっくり考える時間はあまりありません。ピボットテーブルや統計に関するExcel関数を主で使います。頭でわかっていても慣れていないと手がスムーズに動かないのでHP記載の例題を実際に解いて体に染み込ませておく事をオススメします。問題の中身は基礎的だけどかなり実用面を重視して作られたものだと想像できました。◆とあるサッカーチームの過去の試合のデータから　どうしたら観客動員数を増やせるか考えたり◆キーワード抽出機能を使って記述式のアンケートを　コンピュータで集計・解析したり◆工場で発生する不良率を推定したり　不良が発生した時にそれが複数のラインの内　どこから発生したのか推定したり問題が持ち帰れなかったのでこの↑程度の情報しかお伝えできませんが問題がどういう意図で作られてどういう結論に導こうとしているのか？それを想像しながら解いていくのが楽しかったです

先ほど “データサイエンス” なるものがどのように企業で用いられているのかというお話を伺っていたのですが、これって統計学のことですよね。...なんで横文字にしたがるんでしょう？押井守の『ニッポン人って誰だ!?』でも 日本人は編集が大好き というようなことが載っていましたが、そのあたりの癖が出た結果なんでしょうね。ということで、統計学を用いると人の意思決定に影響を与えられるかもしれない というお話です。おそらくご想像の通り、話の背景は橘 玲. (2021). スピリチュアルズ 「わたし」の謎.: 幻冬舎.を参考にしています。(以降、『スピリチュアルズ』。)後半は廣瀬 英雄. (2022). 推薦システム.: 共立出版.を参考にしています。(以降、『推薦システム』。)では、『スピリチュアルズ』に出て来た意思決定のお話です。この部分を要約するとケンブリッジ・アナリティカという選挙コンサルタント企業が・SNS のデータからその人物のパーソナリティーを分類する。・相手のパーソナリティーに応じて最適な広告を表示する。ということを行って大戦果を挙げた。という話が載っていました。『スピリチュアルズ』はこの前者の・SNS のデータからその人物のパーソナリティーを分類する。という方に関心があるようで、これ以降はそのパーソナリティーのパラメーターがどのようなものがあるかという話が続いていきます。そして、これはかなりの精度でのパラメーターの推定が出来るようです。では後者の・相手のパーソナリティーに応じて最適な広告を表示する。の方はどうでしょうか？Wikipedia によるとこちらはまだ改善の余地がある

こんにちは。山城です。今回から新しいシリーズ【機械学習を知ろう！】をスタートします！（前回までのシリーズ【データ分析をしよう！】は引き続き掲載させて頂きますので、そちらも引き続き楽しみにしててください！）第１回は「そもそも機械学習って何ぞや？」というテーマでいきたいと思います。あっ‥。今「機械学習ってAIのことじゃないの？」と思いましたね？正解ですが違います！（どっちやねん。）実は「AI」には決まった意味はなく、人それぞれ定義がバラバラなのです。例えば、ロールプレイングゲームの村人などは、業界では「ゲームAI」と言われ、AIと定義されています。（AIのイメージはありませんよね？）よって、「AI」とはざっくりと下図のようなイメージになります。つまり「機械学習」とは、AIという概念の一つのジャンルなのです！この機械学習が世間一般でのAIのイメージになっているのです。なので、もし「AI搭載」と書いてある商品があっても、必ずしも機械学習が使われているとは限らないので気をつけてくださいね！ちなみに機械学習には色々な種類があるのですが、それについては次回以降、順番に紹介していきたいと思います！次回は機械学習の一つ「クラスタリング」について書いていきたいと思いますのでお楽しみに！

幸福度って聞いたことありますか？皆さん、ニュースやドキュメンタリー番組などで「幸福度ランキング」という言葉を聞いたことがありますか？例えば、NHKのニュースなどで「幸福の国」として紹介されることがある「ブータン王国」は聞いたことがありますよね。ブータンは「国民総幸福量（Gross National Happiness）」という独自の指標を掲げ、経済成長だけでなく、精神的・社会的な豊かさを重視しています。一方で、もっと広く注目されているのが、国連が毎年3月20日の「国際幸福デー」に発表する「世界幸福度ランキング」です。このランキングは、テレビや新聞、ウェブメディアなど、様々な場面で取り上げられ、世界中の国々の幸福度がどのようにランク付けされているのかが議論されています。特に、フィンランドやデンマーク、スイスなど北欧諸国が上位を占めることが多く、彼らの「ウェルビーイング（Well-being）」や「ヒュッゲ」といった文化が注目されています。このランキングは単なる話題提供に留まらず、各国が政策立案や社会的課題に取り組む際の重要な指標としても活用され、大きな影響力を持っています。今回のブログでも、この「世界幸福度ランキング」を出発点に、幸福度にまつわるデータサイエンスの可能性を探っていきたいと思います。国連の幸福度ランキング上位の国々の特徴まず、北欧の国々について見てみましょう。フィンランドは、医療や教育が無料で提供されるだけでなく、自然環境が豊かであることが住民の満足度に大きく貢献しています。また、デンマークでは「ヒュッゲ」という、家族や友人とともに過ごす温かい時間を大切にする文化が

かつては人間が膨大な時間をかけて行っていたデータ分析。しかし今、その領域に革命をもたらしているのが 「AIエージェント」 です。AIが人間の代わりに、または人間と連携しながらデータを理解・活用し、ビジネスの意思決定をサポートする時代が始まっています。1. AIエージェントとは？AIエージェントとは、自然言語や自動化機能を活用してタスクをこなす「インテリジェントな自律型ソフトウェア」です。✅ ChatGPTやCopilotのようなチャット型AI✅ 自動でデータ分析・可視化を行うBIエージェント✅ ユーザーの指示に応じて複雑な処理をこなす業務アシスタントこれらが、今やマーケティング、経営、顧客対応などに浸透しつつあります。2. AIエージェントが担うデータ分析の役割AIエージェントは単なるツールではありません。「人間の判断や直感」を補完し、より迅速で精度の高い分析を実現します。📌 活用シーンの一例：売上データから顧客の離脱要因を分析リアルタイムの需要予測と在庫最適化SNSデータの感情分析によるブランディング強化BIツールとの統合による意思決定支援以前は専門的なスキルが必要だった分析作業も、AIエージェントの導入で誰でも扱えるようになってきました。3. ビジネスに導入するメリットと課題✅ 導入メリット作業スピードの向上：レポート作成やグラフ生成を自動化意思決定の精度向上：感覚でなく「データ」で判断コスト削減：データ分析チームの負荷を軽減属人化防止：ナレッジをAIに蓄積・共有可能⚠️ 導入時の課題初期のセットアップやトレーニングに時間がかかる精度や信頼性を担保するための人間の監視が必要

 1. AIスキルを学ぶ重要性現代ビジネスでAIは不可欠であり、効率化やデータ主導の意思決定に大きく貢献しています。AIスキルを持つことで、キャリアアップや転職において有利な立場を得ることができます。 2. プログラミングスキルの重要性AI開発にはプログラミングが欠かせません。Pythonはその扱いやすさと豊富なライブラリで、初心者から高度なプロジェクトまで幅広く活用されています。AIを学ぶなら、まずPythonの習得が重要です。 3. 機械学習とディープラーニングの基礎知識機械学習はAIの核となる技術で、データからの学習により予測や分類を可能にします。特にディープラーニングは画像認識や自然言語処理など高度な分野で活用され、これらを理解することでAIの活用範囲が広がります。 4. データサイエンスとデータベース運用スキルAIを正しく機能させるには、データの効果的な扱いが重要です。データサイエンスではデータの収集・分析・活用が求められ、SQLなどのデータベース言語を使い、必要な情報を素早く引き出すスキルが必要です。 5. 数学的知識と論理的思考力統計学や線形代数といった数学的知識は、AIの理解に不可欠です。また、論理的思考力と問題解決能力を持つことで、AI技術を最大限に活用し、プロジェクトの質を向上させることができます。--- まとめAIスキルを学ぶことは、将来のキャリアに大きな影響を与えます。Pythonを中心としたプログラミングスキル、機械学習やディープラーニングの理解、データサイエンスやデータベース運用の知識、そして数学的基礎と論理的思考力が、AIプロジェクトを成功に導く鍵

「データサイエンスを支える情報工学入門」シリーズの最終回です。第1回ではコンピュータとデータベースの基礎を、第2回ではプログラミングとアルゴリズムの基礎を紹介しました。最終回となる今回のテーマは「最適化」です。巨大な選択肢の空間から、条件に合う「必要なもの」を見つけ出すための道具について見ていきます。現実の問題が抱える「パラメータの組み合わせ爆発」たとえば、ある部品の「長さ」「幅」「厚さ」「材質」といったパラメータの組み合わせから、「重さ」「価格」「強度」といった結果が決まる場面を考えます。現実の問題は、複数のパラメータの組み合わせによって結果が決まり、しかも膨大な数のパラメータを持つことが普通です。そこで、「望ましい結果を出すパラメータの組み合わせを、どうやって見つければよいか」という問いが生まれます。これが「最適化問題」です。ここで厄介なのが、パラメータの組み合わせの総数は、容易に爆発してしまうという点です。たとえば、長さ10通り、幅10通り、厚さ5通り、材質5通りだとすると、組み合わせは10×10×5×5=2500通りになります。一般に、n個のパラメータがそれぞれp通りの値を持つなら、その組み合わせはpⁿ通りになります。パラメータが100個、10000個になったら……と考えると、この数がすぐに天文学的な規模になることが想像できると思います。最適化問題(あるいは、条件を満たすものを見つける「制約充足問題」)は、こうした巨大な空間から必要なものを見つけ出すための道具です。問題の種類もアプローチも数多くありますが、今回は代表的なものをいくつか紹介します。連続量の最適化問題パラメ

これまで「データサイエンス入門」シリーズとして、確率やデータの可視化、回帰分析といった数学寄りの内容を紹介してきましたが、今回からは新しいシリーズとして、「データサイエンス入門」講義の中でも、コンピュータサイエンス・情報工学寄りの回の資料をもとに整理していきます。IT エンジニアを目指す身としては、実はこちらの内容のほうが日々の実務に直結してくる部分も多いはずなので、気合を入れて取り組んでいきます。第1回のテーマは「コンピュータとデータベース」です。なぜ「ハードウェアの話」から始まるのかデータサイエンスの入門講義というと、統計や機械学習のアルゴリズムから入るイメージがあるかもしれませんが、この講義ではあえて、コンピュータのハードウェアの仕組みから話が始まります。その理由は、「ハードの構成・性能とデータサイエンスは不可分」だからです。データ分析をしていると、必ずと言っていいほど次のような問いにぶつかります。どこにボトルネック(処理が遅くなる原因)が発生するか?コストはどのくらいかかるのか?アルゴリズムを工夫して解決するのか、それともハードウェアの性能で力技で解決するのか、どちらを取るべきか?これらの問いに答えるには、コンピュータがそもそもどういう仕組みで動いているのかを知っておく必要がある、というわけです。この講義全体を通してのキーワードは「スケーラビリティ(Scalability)」です。データサイエンスで扱うのは膨大な数・種類のデータであり、そのデータを実用的な時間で処理するための基盤が「データベース」、データ数に対して処理時間がどう増えるかを考えるのが「アルゴリズム」、パラ

「データサイエンス入門」シリーズの最終回です。第1回では確率の基本的な考え方を、第2回ではデータを「見る」ための可視化と仮説検定の入り口を紹介しました。最終回となる今回は、集めたデータから「法則」や「構造」を積極的に取り出していく3つの技術、回帰分析・主成分分析(PCA)・圧縮センシングを紹介します。回帰分析とは ― データに一番フィットする直線を見つける「回帰分析」とは、誤差を最小にするという意味で、もっとも観測データへの当てはまりの良いモデルを求めることです。これによって、複数の変数間の関係をとらえたり、未知のデータに対する予測を行ったりすることができます。もっともシンプルな回帰(単回帰)は、1つの説明変数xから1つの目的変数yを予測するモデルで、直線の式 y = ax + b を使って表現します。観測データ(xᵢ, yᵢ)の一つひとつについて、実際の観測値yᵢと、直線から求めた予測値(axᵢ + b)との差(誤差)を考え、この誤差を2乗して全部足し合わせたものを「誤差の二乗和」と呼びます。Δ = Σᵢ₌₁ⁿ {yᵢ − (axᵢ + b)}²回帰分析では、この誤差の二乗和Δが最小になるように、傾きaと切片bを決めます。これが「最小二乗法」と呼ばれる、回帰分析でもっとも基本的な考え方です。なぜわざわざ2乗するのかというと、単純に誤差(yᵢ − 予測値)を全部足し合わせると、プラスの誤差とマイナスの誤差が打ち消し合ってしまい、「実際にはどれくらいズレているか」を正しく評価できなくなってしまうからです。2乗することで、すべての誤差を正の値にそろえてから足し合わせる、というわけで

前回は「確率」の基本的な考え方を扱いました。第2回となる今回は、集めたデータをどうやって「見る」かという話です。データの可視化(グラフ化)の技術と、データから何かを判断するための「仮説検定」という考え方の入り口を紹介していきます。なぜグラフにするのか大前提として、「データを持っているだけでは意味がありません」。数字の羅列を眺めているだけでは、そこに潜んでいる情報を読み取るのは大変です。データが持つ情報を読み取るためにグラフを作成する、というのがこの章全体の出発点になります。グラフ作成の目的は、大きく次の5つに整理できます。A. 比較:大きいか小さいかを比較したいB. 変化:増えているか、減っているかを知りたいC. 構成比:全体の中での割合を知りたいD. 分布:データの散らばりの度合いを知りたいE. 相関:データ間に関係がありそうか知りたいこれから紹介するグラフの種類は、基本的にこの5つの目的のどれかに対応しています。「何を知りたいのか」によって、選ぶべきグラフの種類が変わってくる、というのがまず押さえておきたいポイントです(この章の内容は、東京大学 数理・情報教育研究センターの小林亮太先生が公開されている資料をベースに構成されています)。A. 比較を表すグラフ棒グラフは、大小関係を比較するもっとも基本的なグラフです。たとえば、都市ごとの「うどん・そばの年間支出金額」を棒グラフにすると、高松市が全国平均の2倍以上を消費している、といった違いが一目でわかります。人口ピラミッド(年齢層ごとの男女別人口を棒グラフで表したもの)のように、時代による構造の変化を比較するのにも使われます。箱

前回までの「AIのしくみ入門」シリーズでは、ニューラルネットワークやCNNの仕組みを扱ってきましたが、今回からは新しいシリーズとして、大学の「データサイエンス入門」講義資料をもとに、データサイエンスの土台になっている数学的な考え方を整理していきます。第1回のテーマは「確率」です。AIやデータ分析のあらゆる場面で顔を出す考え方なので、少し時間をかけてでもしっかり押さえておきたい分野です。数式もそれなりに出てきますが、一つひとつ丁寧に追っていきます。・そもそも「確率変数」とは何かサイコロを振ったときに出る目や、ストップウォッチで測った反応時間のように、「実際にやってみるまで値が決まらないが、どんな値が出やすいかには一定の規則がある」量のことを、確率論では「確率変数」と呼びます。確率変数には大きく2つの種類があります。離散的な確率変数は、飛び飛びの値しか取らない確率変数です。サイコロの目(1〜6の整数)や、コインを10回投げたときの表の出た回数などがこれにあたります。連続的な確率変数は、ある範囲の中の任意の値を(理論上は無限に細かく)取りうる確率変数です。ストップウォッチで測った時間や、身長・体重といった量がこれにあたります。この「離散か連続か」という区別は、この後に出てくる確率分布の性質を考えるうえで、地味に効いてくる大事なポイントです。・確率分布とその性質確率変数がどの値をどれくらいの確率で取るかをまとめたものが「確率分布」です。サイコロの目Xのように、離散的な確率変数の場合、それぞれの目が出る確率は1/6ずつで、横軸に目の数、縦軸に確率を取ったグラフを描くと、6本の同じ高さの棒

はじめまして。meifelyukiです。私のプロフィール：https://coconala.com/users/732184ココナラでは個人向けにデータ分析関連全般のレッスンをしています。実はココナラ以外でもデータ分析やデータ活用のレッスンを行っています。そういうわけで、これまで約10年、個人・法人向けにデータ分析のレッスンをしてきました。（本業では企業や大学におけるデータ分析の受託やデータ活用のコンサルティングも行なっています）。このたび、10年間、累計1000回以上にわたるデータ分析の個人レッスン経験をベースに、初学者の方がつまづきやすい部分を中心に徹底的にわかりやすく説明した、データ分析のオンライン・コースを作りました。データ分析についてまったく初心者の方でも、個人差はありますが、4ヶ月程度でデータ分析の土台となる考え方とスキルが身に付くように設計しています。テキスト教材を進めて適宜課題を提出していただき、課題がクリアできたら次のテキストを配布する、という「くもん」や「チャレンジ」ライクな通信講座になっています（ただし、毎週1対1のメンタリングの時間があります）。忙しい人でもマイペースで進めることができます。また、達成感が得られやすいように1回に配布するテキストはごく少量になっています。【こんな人におすすめです】これからデータ分析を学ぼうと考えているけど、、・独学はいつも挫折する・理系科目はすぐ挫折する・データ分析は難し過ぎてわからない・本質がわからないからつまらないという方。このサービスは何よりも挫折なしに本質を理解しながら楽しんで学べることを追求して作りました。データ

データ可視化は、膨大な情報を視覚的に整理し、迅速な意思決定を支援する強力な手段です。この記事では、データ可視化の基本からそのメリット、具体的な手法について詳しく解説します。データ可視化とは？ データ可視化とは、数値データやテキストデータをグラフ、チャート、図表などの視覚的な形に変換するプロセスです。これにより、データのパターン、傾向、異常を直感的に理解しやすくなります。例えば、売上データを折れ線グラフで表現することで、ピーク時や低迷期が一目でわかります。 データ可視化の必要性 現代社会では、データ量が爆発的に増加しており、その中から有用な情報を抽出することが難しくなっています。データ可視化は、情報過多の問題を解決し、重要なデータを迅速に識別するのに役立ちます。例えば、顧客データを可視化することで、購買パターンや嗜好の変化を把握し、マーケティング戦略を最適化できます。 データ可視化の目的とメリット データ可視化の主な目的は、意思決定の迅速化と属人的なスキルの解消、新たな分析への応用、組織内の現状共有、エンゲージメントの促進です。具体的には、複数の事象を比較検証しやすくなり、問題の原因を正確に特定できます。また、一般的に使われるグラフや図を利用するため、専門知識がなくてもデータ分析が可能です。 データ可視化の手法 データ可視化には、以下の手法があります。 - **グラフやチャートの活用**: データ同士の関連性を一目でわかるように視覚的に表現します。 　　　　　　　【Pythonプログラミングを使ったデータ分析例】- **ヒートマップの活用**: 数値データの強弱を色で表現し、視覚

マーケティングデータ分析を必要としている企業や個人にとって、重回帰分析は非常に有用な手法です。ここでは、重回帰分析の基本から具体的な手順までを詳しく解説します。重回帰分析の基礎 重回帰分析とは、複数の説明変数を用いて目的変数との関係を分析する統計手法です。たとえば、タクシー会社が営業所の立地や従業員数、タクシー台数など複数の要因が売上に与える影響を評価するのに用いられます。この方法により、各要因の影響度を把握し、将来の予測を立てることができます。 単回帰分析との違い 単回帰分析は1つの説明変数を用いるのに対し、重回帰分析は複数の説明変数を考慮します。たとえば、広告費だけでなく、ユーザーの年齢や地域、消費行動など複数の要因を分析することで、より正確なマーケティング戦略が立てられます。 要因分析と予測分析 重回帰分析は要因分析と予測分析に対応しています。要因分析では、各説明変数が目的変数にどの程度影響を与えるかを評価します。予測分析では、得られたデータを基に将来の売上や市場動向を予測します。 重回帰分析の手順 1. 目的変数の決定: まず、分析の目的となる変数（例えば売上）を決定します。 2. 説明変数の考察: 次に、目的変数に影響を与えると考えられる要因を洗い出します。これには競合店舗数、広告費、立地などが含まれます。 3. データ収集と分析: 選定した説明変数のデータを収集し、統計ソフトウェアを用いて分析を行います。 4. マーケティング戦略の立案: 分析結果を基に、効果的なマーケティング戦略を立案します。例えば、広告費を増やすべきか、特定の地域に集中するべきかを決定します。重

こんにちは。Tech Scratchです。お世話になっています。今回はダッシュボードの配色を考えてみました。この配色がいいなと思った方はぜひ、いいね/お気に入り登録よろしくお願いします。またTableauでのデータ可視化のご依頼の際に参考にしてみてください。それではまた。

シンガクモン 科学教室 note新R25の動画に成田さんが出ていたので、概要と感想を書きたいと思います。序盤から「子育て、、、したくないですね」とネガティブな発言です。 が、子育て自体はともかく、「教育」にはとても関心がある方です。なんといっても教育の公共政策に関する研究などをしてるのだから。 自身の生い立ち、家庭環境も教育分野に関心を寄せる要因なのかなと推測しています。 睡眠障害で不登校にもかかわらず、麻布高校、東大卒、現在はイエール大の助教やユーチューバー？をしている、ガチの「天才」です。 一般的な価値観からは、はみ出してきた彼は、重要な教育方針？として 「KPIを無視する力」 既存の社会的な価値観・評価指標（KPI‥Key Performance Indicator）を無視して、自分の価値観、評価指標で生きていく事のほうが重要なのではないか？幸福なのでは？と話していた。 特にお金、学歴に関する価値観に人は苛まれているのではないか。お金は目的ではなくて、ただの手段。ただツールなのに。ツールをコレクトしても、使わなければ意味がないのに、、、コレクター本能が人間は確かにあるが。 「人間の幸福はお金をもったり、お金を使ったりすることで達成できるはずだ」という、特に根拠のない価値観 をだいたいの人が刷り込まれている。自分が本当に欲してない価値観で、人と比較し、不幸に思えてくる。お金や学歴なんて本質的に重要ではない。 金があろうが、なかろうが、社会的な価値観から自由になり、サウナと水風呂に入っていれば幸せ～という人になったほうがいいのかもしれない。 そのほうが、その人にとっては幸福な

こんにちは。Tech Scratchです。お世話になっています。今回はダッシュボードの配色を考えてみました。この配色がいいなと思った方はぜひ、いいね/お気に入り登録よろしくお願いします。またTableauでのデータ可視化のご依頼の際に参考にしてみてください。それではまた。

こんにちは。この前冬山キャンプをしたら寒くて死ぬかと思った山城です！【データ分析をしよう！】の第3回は、複数のグループの結果に差が出た時、たまたま差が出たのか、それとも何か原因がって差が出たのかを判断する方法について、ザックリと書いていこうと思います。統計学では、「その結果がどれくらいの確率で起こるか」を計算して、5%を基準として判断していきます。・5%以上の確率で起こる　→　偶然・5%より大きい確率で起こる　→　偶然ではない例として、英語のテストを1班7人と2班9人で行った結果が、1班　59, 67, 60, 78, 75, 80, 66　　　　　 平均：69.292班　52, 78, 56, 71, 51, 58, 80, 60, 51　  平均：61.89となったとします。平均点の差は偶然の差かそうではないかを判断してみましょう！この場合、統計学の「平均の差の検定」という手法で計算を行って判断していきます。　　【平均の差の検定】眠くなるので計算過程は割愛します（ハナホジ）なんやかんや計算すると、この差が出る確率は5%より大きくなります。今回は確率が5%より大きいため、この差はたまたま起こったことと判断できます。ザックリ説明しましたが、さらに詳しく知りたい方はグーグル先生に聞いてみてください！次回は、「これとこれは関係ある？」をテーマにしたいと思います。お楽しみに♪

こんにちは、山城です！【データ分析をしよう！】の初回は、「データ分析」の意味について書いていこうと思います。「データ分析」とは、何らかの結果として得て収集した情報を、分類・統計などの処理を行い、情報を見える化して対策を見出すことです。「体感ではなんとなく分かるけど、実際はところどうなの？」「この結果は偶然？必然？」「これとこれは何か関係があるの？」など知りたいことを具体的にデータから証明と推定をしていきます。そして得られた傾向を解釈して、対策を行って行くことが重要となります。「誰かを説得したい！」「課題を見つけて対策を考えたい！」「無駄を省いて効率化したい！」などの目的がある方にとっては、もってこいの分野ですね♪なるべく難しい言葉は使わず、誰でも分かるようなブログを目指していますので、ぜひ継続して読んで頂きデータ分析の世界を体感してみてください！

こんにちは。たけのこよりきのこ派の山城です！【データ分析をしよう！】の第4回は、二つの要素の関係の強さを分析する方法をご紹介します。関係性を表す方法として、相関係数（比例または反比例を数値で表したもの）で関係の強さを出す方法があります。相関係数は、以下のように−１〜１の範囲で表されます。・-1に近いほど反比例する関係が強い・0に近いほど関係性がない・1に近いほど比例する関係が強い例として、ビールの販売数と平均気温の関係を測ってみたいと思います。まずはデータを散布図にしてみます。赤線は「回帰直線」と呼ばれるものです。相関係数は各数値と赤線までの誤差を元に計算します。【相関係数の求め方】計算がめんどくさいので、ここは機械に任せましょう。（はなほじ）なんやかんやあって、相関係数は0.315となりました。0.315は一般的には弱い相関があると判断されます。つまり、気温が上がると比例してビールは売れる傾向があることがわかります。このように、2つの要因の関係性の強さを、数値で表すことができるのです。※ただし、相関関係はあっても必ずしも因果関係があるわけではないので、他の要因も検討する必要があります。次回は、「自由評価の分析方法」をテーマにしたいと思います。お楽しみに♪

こんにちは、山城です！【データ分析をしよう！】の第２回は、データ分析から結果を得るまでの進め方について書いていこうと思います。ノープランで闇雲にデータ分析を始めると、途中で目的を見失ってしまったり、期待した結果が得られなかったりします。そこで、まずは以下のデータ分析の進め方を押さえましょう。＜データ分析の進め方＞① ビジネスの理解と現状を把握する　（明確にする）② データ分析をする目的を設定する　（明確に設定する）③ データを集める　　　　　　　　　（集める手段があるか？）④ データの内容を理解する　　　　　（データの中身を確認する）⑤ 分析するためにデータを整理する　（分析しやすい形にする）⑥ 分析を行う　　　　　　　　　　　（適した分析手法を選択する）⑦ 評価をする　　　　　　　　　　　（ビジネスに当てはめ結果を得る）⑧ 対策を立てる　　　　　　　　　　（実行する）カッコ書きは、それぞれの重要な部分になります。この流れをしっかり意識してデータ分析を行っていきましょう！あくまでも「データ分析」は手段であり、結果を元に実行して初めてビジネスに価値が生まれますので、その事を忘れないようお願いします。サクサク読めるよう、大まかに説明しましたが、専門的に知りたい方は、「CRISP-DM」でググってみてください！次回は、「これって偶然？必然？」をテーマにしたいと思います。お楽しみに♪