FAQ

Ⅰ．実践統計学

• （1）データの可視化

  • 1.箱ひげ図
  • 2.ヒストグラム

• （2）基本統計量

  • 3.いろいろな平均
  • 4.分散と標準偏差

• （3）データの評価の方法

  • 5.標準化（Z値と偏差値）
  • 6.標準正規分布

• （4）統計的検定

  • 7.統計的検定とは

• （5）2つの平均値の差の検定

  • 8.対応のないｔ検定
  • 9.対応のあるｔ検定

• （6）相関分析

  • 10.散布図と積率相関係数
  • 11.交絡要因と偏相関係数

• （7）回帰分析

  • 12.回帰分析のしくみ
  • 13.単回帰分析
  • 14.重回帰分析
  • 15.標準偏回帰係数
  • 16.説明変数同士に相関がある場合
  • 17.ダミー変数を用いた分析

• 提出課題1

  • 提出課題1

Ⅱ．Rによる統計学（入門編）

• （1）Rとは

  • 1.Rとは
  • 2.Rのパッケージと操作方法
  • 3.ディレクトリーとデータの取り込み

• （2）基本統計量とデータの可視化

  • 1.基本統計量
  • 2.データの可視化とヒストグラム
  • 3.棒グラフ
  • 4.箱ひげ図
  • 5.散布図
  • 6.演習

• （3）パラメトリック検定

  • 1.検定とは
  • 2.一標本ｔ検定
  • 3.二標本ｔ検定
  • 4.対応のある二標本検定
  • 5.ｔ検定・演習
  • 6.分割表の検定

• （4）ノンパラメトリック検定

  • 1.ウィルコクソンの順位和検定
  • 2.演習
  • 3.ウィルコクソンの符号付順位和検定
  • 4ノンパラメトリック検定演習

• （5）相関関係

  • 1.相関関係
  • 2.偏相関関係
  • 3.順位相関関係・演習

• 提出課題2

  • 提出課題2

Ⅲ．Rによる統計学（実践編）

• （1）線形回帰分析

  • 1.線形回帰分析
  • 2.標準化回帰分析
  • 3.回帰分析演習
  • 4.ダミー回帰分析
  • 5.交互作用

• （2）ロジスティック回帰分析

  • 1.ロジスティック回帰分析とは
  • 2.演習

• （3）主成分分析

  • 1.主成分分析とは
  • 2.演習

• （4）クラスター分析

  • 1.クラスター分析とは
  • 2.演習

• 提出課題3

  • 提出課題3

Ⅳ．PythonによるAI手法

• （1）AIの基礎知識

  • 1.AIの基礎知識
  • 2.機械学習とは
  • 3.AI・機械学習・ディープラーニングの違い
  • 4.機械学習の手法
  • 5.Google Colaboratoryの使い方

• （2）Pythonの基礎（1）

  • 1.算術演算、比較演算、論理演算
  • 2.Print関数、コメントアウト、空白について
  • 3.変数
  • 4.データ型1（int,float,bool）
  • 5.データ型2（str）

• （3）Pythonの基礎（2）

  • 1.データ型3（リスト、ダブル、辞書）
  • 2.if文
  • 3.for文
  • 4.while文
  • 5.関数
  • 6.組み込み関数

• （4）Pythonの基礎（3）

  • 1.クラス
  • 2.継承
  • 3.モジュール、パッケージ、ライブラリー
  • 4.import文

• 演習編1　Pythonの基礎

  • 演習編1　Pythonの基礎

• 提出課題4（演習編1の課題）

  • 提出課題4（演習編1の課題）

• （5）Pythonの応用（1）

  • 1.numpyとは
  • 2.ndarray
  • 3.基本的な演算
  • 4.インデックス、スライス
  • 5.2次元配列

• （6）Pythonの応用（2）

  • 1.pandasとは
  • 2.ファイルの読込み
  • 3.DataFrameの基本操作
  • 4.抽出と代入
  • 5.欠損値（Nan）

• （7）Pythonの応用（3）

  • 1.matplotlibとは
  • 2.グラフを表示
  • 3.グラフの詳細設定
  • 4.seaborn
  • 5.相関係数とヒートマップ

• 演習編2　Pythonの応用

  • 演習編2　Pythonの応用

• 提出課題5（演習編2の課題）

  • 提出課題5（演習編2の課題）

• （8）教師あり学習（1）

  • 1.機械学習とは
  • 2.単回帰分析
  • 3.重回帰分析
  • 4.重回帰モデルの解釈
  • 5.ロジスティック回帰
  • 6.ラッソ回帰、リッジ回帰

• （9）教師あり学習（2）

  • 1.K近傍法
  • 2.サポートベクターマシン
  • 3.決定木
  • 4.ランダムフォレスト
  • 5.勾配ブースティング決定木
  • 6.まとめ

• （10）教師なし学習

  • 1.教師なし学習とは
  • 2.クラスタリング
  • 3.次元削減
  • 4.アソシエーション分析

• （11）モデルの検証とチューニング

  • 1.評価指標
  • 2.モデルの評価方法
  • 3.エンコーディング
  • 4.アンサンブル
  • 5.ハイパーパラメータチューニング
  • 6.機械学習の流れ

• 演習編3　教師あり学習・教師なし学習

  • 演習編3　教師あり学習・教師なし学習

• 提出課題6（演習編3の課題）

  • 提出課題6（演習編3の課題）

• （12）SQL

  • 1.データベースとSQL
  • 2.SELECT(1)
  • 3.SELECT(2)
  • 4.CRUD
  • 5.テーブル操作
  • 6.JOIN

• （13）画像処理

  • 1.画像データ
  • 2.画像処理
  • 3.深層学習モデルの概要
  • 4.画像分類
  • 5.物体検出

• （14）自然言語処理

  • 1.自然言語処理とは
  • 2.形態素解析
  • 3.Bag-of-Words
  • 4.コサイン類似度
  • 5.tf-idf
  • 6.Word2Vec
  • 7.BERT
  もっと表示 ( 1 ) 折りたたむ

• （15）WebスクレイピングとWebAPI

  • 1.Webスクレイピング、WebAPIとは
  • 2.HTML
  • 3.Beautiful Soup
  • 4.CSS
  • 5.OpenAI API

• （16）Webアプリ作成

  • 1.Streamlitとは
  • 2.セットアップ
  • 3.機能紹介（1）
  • 4.機能紹介（2）
  • 5.機能紹介（3）
  • 6.デプロイ

• （17）音声処理

  • 1.音声処理とは
  • 2.波形データの可視化
  • 3.スペクトログラム
  • 4.音声認識
  • 5.テキスト音声合成

• （18）異常検知

  • 1.異常検知とは
  • 2.ホテリングのT^2法
  • 3.One-Class SVM
  • 4.ｋ近傍法
  • 5.オートエンコーダー

• 演習編4　機械学習WEBアプリの作成

  • 演習編4　機械学習WEBアプリの作成

Ⅴ．ｵｰﾌﾟﾝﾃﾞｰﾀによる実践演習

• （1）オープンデータとは
• （2）オープンデータの加工
• （3）政府統計のデータ活用
• （4）自治体ポータルサイトからデータ活用
• （5）ネットニュースのヘッドライン・画像スクレイピング
• （6）Web APIによるデータ処理Ⅰ
• （7）Web APIによるデータ処理Ⅱ
• （8）医療画像データ処理
• （9）異常値検知

もっと表示 ( 3 ) 折りたたむ

Ⅵ．プレゼンテーション

• プレゼンテーション