1. 【 問題 】

自然言語処理における前処理（ベクトル化）の手法において、文章中の語順や文法構造をすべて無視し、どの単語が何回出現したかという「頻度」のみに着目して文書を数値化する手法を何と呼ぶでしょうか？

① Word2Vec
② Bag-of-Words（BoW）
③ 形態素解析
④ N-gram

2. 【 解答 】

3. 整理：文章が「数字のリスト」になるイメージ

例えば、あらかじめ辞書に「私」「カレー」「食べた」「テニス」という単語が登録されているとします。このとき、2つの文章は以下のように数値化（ベクトル化）されます。

【 ベクトル化の具体例 】

4. Bag-of-Wordsの限界と発展形

1. 語順が無視される: 「私があなたを好き」と「あなたが私を好き」は、BoWでは全く同じ数値になってしまい、意味の違いを区別できません。
2. 「てにをは」が強くなる: 出現回数だけを数えるため、「〜です」「〜ます」のような、どの文章にも出る定番ワードが一番重要だと誤判定されがちです。

★ これを解決するのが「TF-IDF」です！
「よく出る単語の価値を低く、特定の文章にしか出ないレア単語の価値を高く」補正するTF-IDFは、BoWの発展形としてDS検定の超・超頻出ポイントです。

5. DS検定形式：実戦4択クイズ

問：Bag-of-Wordsのように単語単位で区切るのではなく、文字や単語を「連続するN個の塊」として区切ることで、語順の情報をある程度残したまま頻度を数える手法を何と呼ぶか。

① TF-IDF   ② コサイン類似度   ③ N-gram   ④ 感情極性辞書

【 正解： ③ 】

解説： 例えば「テニス」を2文字ずつ区切って「テニ」「ニス」として数えるような手法を「N-gram（この場合はBi-gram）」と呼びます。BoWの「語順が消える」という弱点を補うためによく使われます。

6. まとめ

DS検定において「どの単語が何回出現したかを数値化」「語順を無視」というキーワードが出たら「Bag-of-Words（BoW）」です。テキストデータをAIに投入するための第一歩となる重要な手法として、しっかり記憶にセットしておきましょう！

1. 【 問題 】

画像認識の「物体検出（Object Detection）」タスクにおいて、AIが検出した対象物（自動車や人間など）の「位置」と「大きさ」を示すために、対象物を囲むように設定される四角形の枠（矩形領域）を何と呼ぶでしょうか？

① アンカーボックス
② バウンディングボックス（Bounding Box）
③ ヒートマップ
④ セグメンテーションマスク

2. 【 解答 】

3. 整理：エンジニア視点で見る「四角枠」の正体

画面上ではただの四角い線ですが、システム内部（APIのレスポンスやアノテーションデータ）では、主に以下の4つの数値の組み合わせとして表現されています。

【 代表的なデータ表現形式 】

4. セットで覚えたい超頻出指標「IoU」

物体検出の評価では、「IoU（Intersection over Union）」という指標が100%と言っていいほど出題されます。
これは、人間が付けた「正しい枠（正解データ）」と、AIが予測した「バウンディングボックス」がどれくらい重なっているかを0〜1の数値で表したものです。重なりが大きいほど（1に近づくほど）「位置予測の精度が高い」と判定されます。

5. DS検定形式：実戦4択クイズ

問：バウンディングボックスのような「四角い枠」ではなく、物体の輪郭に沿ってピクセル単位で厳密に領域を塗り分けるタスクを何と呼ぶか。

① 画像分類（Classification）   ② セマンティックセグメンテーション   ③ 姿勢推定   ④ 特徴量抽出

【 正解： ② 】

解説： 四角で囲むのが「物体検出」、ピクセル単位で「ここが猫、ここが背景」と塗り分けるのが「セグメンテーション」です。この違いも試験で非常に狙われやすいポイントです。

6. まとめ

DS検定において「物体検出で用いられる検出位置を表す」「対象を囲む矩形（四角）」という記述が出たら「バウンディングボックス」です。データ構造としてはシンプルな4つの数値ベクトルであるという点も、イメージできるようにしておきましょう！

1. 問題：ヘッブの学習則が示す現象

【 問題 】 脳の神経回路において、「シナプス前細胞とシナプス後細胞が同時に興奮すると、そのシナプス結合が強化される」というヘッブの学習則を説明する言葉として、最も適切なものはどれでしょうか？

① 誤差逆伝播により、神経細胞の出力が抑制される  
② 共に火を吹くニューロンは、互いにつながり合う（連動して強化される）  
③ 脳の神経細胞は、一度結合すると二度と変化しない  
④ 新しい刺激を受けるたびに、すべてのニューロンの結合が一斉にリセットされる

【 正解： ② 】

2. 整理：ヘッブ則の「世界」とメカニズム

ヘッブ則は、よく「Fire together, wire together（共に興奮するものは、共につながる）」という言葉で表現されます。脳が経験を通じて変化する仕組みの基本です。

【 世界の切り出し 】

3. 解説プロセス

1. 条件の確認: 「前」と「後」の細胞が「同時」に活性化することがポイントです。片方だけが動いていても結合は強化されません。
2. 記憶の正体: 私たちが何かを「学習」したり「記憶」したりするとき、脳内ではこのヘッブ則によって特定の神経ルートが太くなっています。
3. 答えを出す: ニューロンが同時に興奮（火を吹く）ことで結びつき（ワイヤー）が強くなる現象を表現した ② が正解です。

4. DS検定形式：実戦4択クイズ

問：ヘッブの学習則のように、生物の脳の神経回路が環境や経験に応じて柔軟に構造を変化させる性質のことを、脳科学の用語で何と呼ぶか。

① 神経可塑性（かそせい）   ② 自己組織化   ③ 線形分離可能性   ④ 局所最適化

【 正解： ① 】

解説： 脳の回路が柔軟に変形・書き換えられる性質を「神経可塑性（Neural Plasticity）」と呼びます。ヘッブ則はこの可塑性を説明する最も代表的なメカニズムであり、機械学習がデータを元に「パラメータを書き換える」という発想の原点になりました。

5. まとめ

「同時に興奮すると結合が強くなる」というヘッブの学習則は、1949年にドナルド・ヘッブによって提唱された古典的かつ超重要な理論です。現代のディープラーニングのアルゴリズム（誤差逆伝播法など）はより複雑に進化していますが、その思想の根底にはこのヘッブ則があることをDS検定の歴史的背景として押さえておきましょう！

1. 【 問題 】

コインを投げたときに「表が出るか裏が出るか」のように、結果が2通りしか存在しない独立な試行（ベルヌーイ試行）を $n$ 回繰り返したとき、目的とする事象がちょうど $k$ 回起こる確率の分布を何と呼ぶでしょうか？

① 正規分布
② ポアソン分布
③ 二項分布
④ 指数分布

2. 【 解答 】

3. 整理：二項分布が成り立つ「条件」

二項分布を適用するためには、その前提となる試行が以下の条件を満たしている必要があります。これを「ベルヌーイ試行」と呼びます。

【 二項分布の3大特徴 】

4. 超頻出：正規分布との美しいつながり

二項分布は「1回、2回…」と数える**離散確率分布**です。しかし、試行回数 $n$ が十分に大きくなると、この二項分布の形はきれいな左右対称の山型になり、連続確率分布である**「正規分布」**に近似（変化）するという性質を持っています（中心極限定理）。
この「データ数が多ければ正規分布として扱ってよい」という割り切りが、実務での統計的検定（A/Bテストの有意差判定など）を劇的に楽にしています。

5. DS検定形式：実戦4択クイズ

問：1回の成功確率が $p$ である試行を $n$ 回繰り返す二項分布において、その「平均（期待値）」を表す正しい数式はどれか。

① $p$   ② $np$   ③ $np(1-p)$   ④ $\sqrt{np(1-p)}$

【 正解： ② 】

解説： 二項分布の平均は $np$ で非常にシンプルに計算できます（例：成功確率10%のガチャを100回引いたら、平均10回当たる）。ちなみに ③ は「分散」、④ は「標準偏差」の数式です。

6. まとめ

DS検定において「2通りの結果」「$n$ 回繰り返す」「成功回数の分布」という記述が出たら間違いなく「二項分布」です。データ分析の現場でも、コンバージョン率（CVR）のばらつきを評価する際などに裏で必ず使われている、超基本にして最強の武器として押さえておきましょう！

1. 【 問題 】

データサイエンスにおける予測モデルのうち、「まったく同じデータ（入力値）を与えた場合、内部にランダムな要素を持たないため、何度計算しても必ず完全に同じ予測結果（出力値）が得られるモデル」を何と呼ぶでしょうか？

① 確率的モデル
② 確定的モデル
③ 潜在変数モデル
④ 動的モデル

2. 【 解答 】

3. 整理：2つのモデルの決定的な違い

それぞれのモデルは、現実世界の捉え方が根本から異なります。

4. なぜ使い分けるのか？

1. 確定的モデルのメリット: 計算がシンプルで、結果の解釈や再現が容易です。「条件Aなら結果はB」と言い切れる業務ルールに向いています。
2. 確率的モデルのメリット: 「株価の変動」や「顧客の来店予測」のように、人間の行動や複雑な自然現象など、どうしてもノイズ（不確実性）を無視できない現実的な問題を扱うのに適しています。

5. DS検定形式：実戦4択クイズ

問：確率的モデルにおいて、モデルが予測した結果がどれくらい「不確実」であるかを評価するために、予測値と一緒に算出されることが多い指標はどれか。

① 信頼区間（または予測区間）   ② 決定係数   ③ ダミー変数   ④ 特徴量重要度

【 正解： ① 】

解説： 確率的モデルでは「ピンポイントな1点」だけでなく、「95%の確率でこの範囲に収まります」という不確実性の幅（信頼区間・予測区間）をセットで出すことができるのが大きな強みです。

6. まとめ

DS検定において「同じ入力なら常に同じ出力、ランダム性なし」なら「確定的モデル」、「不確実性や確率分布を考慮する」なら「確率的モデル」です。これまで学んできた多くのアルゴリズムが、このどちらの思想で作られているかを意識してみると、理解がさらに深まります！

1. 【 テスト用 CSV データを作成 】

まずは Power BI に読み込むための簡単な CSV を自作します。

日付,カテゴリ,金額
2025-01-01,食費,1200
2025-01-01,交通費,500
2025-01-02,食費,800
2025-01-02,娯楽,1500
2025-01-03,食費,600
2025-01-03,交通費,300

2. 【 Power BI Desktop に CSV を取り込む 】

3. 【 表示されたデータの例 】

取り込んだ CSV は、Power BI のテーブルビューで次のように表示されます。

1. 【 手順の概要 】

以下の公式ページから Power BI Desktop を入手します。

Power BI ダウンロードページ

ページ内の「Power BI Desktop」から Microsoft Store に移動し、ダウンロード → インストール → 起動まで一気に完了します。

2. 【 インストール手順 】

3. 【 稼働確認：起動できればOK 】

スタートメニューから Power BI Desktop をクリックし、アプリが立ち上がれば動作確認は完了です。

初回起動時は少し時間がかかることがありますが、画面が表示されれば問題ありません。

これで、Power BI の学習を始める準備は整いました。

1. 【 問題 】

強化学習において、環境のモデル化によく用いられる「マルコフ決定過程（MDP）」の性質として、最も適切なものはどれでしょうか？

① 未来の状態は、過去のすべての状態と行動の履歴に基づいて決定される。
② 未来の状態は、現在の状態と選択した行動にのみ依存し、それ以前の過去の状態には依存しない。
③ 未来の状態は完全にランダムであり、現在の状態や行動からは一切予測できない。
④ 行動を選択しても状態は変化せず、報酬の額だけが確率的に変化する。

2. 【 解答 】

3. 整理：MDPを構成する「4つの要素」

マルコフ決定過程では、エージェント（AI）と環境のやりとりを以下の4つの要素（セットで$S, A, P, R$と表記されます）で定義します。

【 MDPの基本要素 】

4. DS検定で狙われる関連用語

1. 方策（Policy: $\pi$）: ある状態のときに、どのような確率で行動を選ぶかという「AIの行動指針（戦略）」のことです。
2. 価値関数（Value Function）: 今の「状態」や「行動」が、将来的にどれくらい報酬をもたらしそうかという「先を見据えたスコア」です。

5. DS検定形式：実戦4択クイズ

問：強化学習において、現在の状態と行動のみで次の状態が決まる「マルコフ決定過程」の前提が成り立たず、環境の一部しか観測できない複雑な状態をモデル化したものを何と呼ぶか。

① 動的計画法   ② 部分観測マルコフ決定過程（POMDP）   ③ Qラーニング   ④ モンテカルロ法

【 正解： ② 】

解説： 現実世界の「霧に隠れて先が見えない麻雀やポーカー」のように、状態の一部が隠されているモデルを「部分観測（Partially Observable）MDP」と呼び、応用問題として時折顔を出します。

6. まとめ

DS検定において「未来の状態は現在の状態と行動に依存し、過去に依存しない」というフレーズが出たら、100%「マルコフ決定過程（MDP）」です。強化学習というゲームのルールブックを定義する言葉として、しっかり記憶に刻んでおきましょう！

0. このデータセットの概要

「DNA Classification Dataset」は、ゲノムデータ分析、機械学習、およびバイオインフォマティクス研究のために設計された、3,000個の合成DNAサンプルを含むデータセットです。データの主な仕様は以下の通りです。

• データ規模： 合計3,000行、13カラム（3,000サンプルのDNA配列および統計データ）
• 入力データ： DNA配列の文字列に加え、GC含有率や各塩基の個数など、配列の統計属性があらかじめ特徴量として含まれています。
• タスク： 与えられたDNAデータから、目的変数（ターゲット）を切り替えることで、生物種の分類や変異の有無、リスクの予測など、複数の異なる検証を行うことができる多角的な構造になっています。

通常のコンペと異なり、最初から特定のテストデータや単一のゴールが分かれて提供されているわけではありません。Kaggle側での自動採点もないため、手元にある3,000行のデータを自分で分割し、設定したタスクごとに交差検証（クロスバリデーション）によって手元で予測精度を評価・検証していく必要があります。

1. データの入手

データの取得手順は以下の通りです。

• Kaggleにログインします。
• 検索窓で「DNA Classification Dataset」を検索します。
• 該当する「DNA Classification dataset」を選択します。
• 右上のダウンロードから、ZIP形式でダウンロードします。
• ダウンロードしたZIPファイルを適当なディレクトリで展開します。

展開すると、ディレクトリ内に「synthetic_dna_dataset.csv」ができます。

2. synthetic_dna_dataset.csvの解説

展開して得られたCSVファイルの中身を確認しました。このデータセットに含まれる13個のカラム一覧とそれぞれの解説は以下の通りです。

このデータセットの特徴は、ゴールとなる目的変数を何に設定するかによって、全く異なる予測モデルの検証ができる点にあります。配列データや、あらかじめ計算されている塩基の個数などの特徴量をベースにして、どの予測タスクからアプローチするかを自由に選択できる構造になっています。

配列のゆらぎや塩基の統計的特徴を組み合わせることで、それぞれのターゲットに対してLightGBMがどのように境界線を学習するのか、切り口を変えて複数の検証を回せるデータ構成となっています。

3. 今後の流れ

あらかじめ塩基の個数や割合といった数値の特徴量が豊富に用意されているため、生の文字列（Sequence）を加工しなくても、初期の数値データだけでLightGBMに投入可能な構造になっています。まずはこの綺麗なデータセットが手元に用意できたので、ここからどのタスクの検証作業に入るかを決定します。

次は、これらの予測候補の中から最初のターゲットを決定し、交差検証を回すための前処理を進めていきます。

1. 【 問題 】

転移学習（移転学習）のプロセスに関する次の記述の、[   ] に当てはまる適切な語句の組み合わせはどれでしょうか？

「転移学習において、移転元での最初の学習は [   A   ] と呼ばれ、その獲得した知識（重み）をベースに、移転先（特定のタスク）に合わせて追加で行う学習は [   B   ] と呼ばれる。」

① A：ファインチューニング   B：事前学習
② A：事前学習   B：ファインチューニング
③ A：アンサンブル学習   B：蒸留
④ A：データ拡張   B：正規化

2. 【 解答 】

3. 整理：移転元と移転先の「役割分担」

この2つのステップを、人間の学習に例えて整理してみましょう。

【 転移学習のステップ 】

4. 覚えておきたい周辺用語

1. 特徴量抽出（Feature Extraction）: 事前学習済みモデルの「重み」を一切変えず（フリーズさせ）、出力層の直前のデータを特徴量として別の機械学習モデル（SVMなど）に投入する手法。ファインチューニングと並ぶ転移学習の代表例です。
2. 負の転移（Negative Transfer）: 移転元のタスクと移転先のタスクが違いすぎる（例：テキスト学習の知識を株価予測に使うなど）ために、かえって精度が下がってしまう現象。

5. DS検定形式：実戦4択クイズ

問：転移学習において、ファインチューニングを行う際、事前学習で得られたモデルの初期層（入力に近い層）のパラメーター（重み）を変更しないように固定する操作を何と呼ぶか。

① ドロップアウト   ② 標準化   ③ フリーズ（凍結）   ④ 正則化

【 正解： ③ 】

解説： 一般的な特徴（エッジや色の変化など）を捉える初期層の知識はそのまま流用した方が効率が良いため、重みを変化させないように「フリーズ」させることがよくあります。

6. まとめ

DS検定において「移転元での学習 ＝ 事前学習」「移転先での学習 ＝ ファインチューニング」という組み合わせは、ディープラーニング全般（画像・自然言語処理）を支える大前提の知識です。それぞれの目的の違いをしっかりと頭に入れておきましょう！