Upgrade to Pro — share decks privately, control downloads, hide ads and more …

構造化すれば怖くない 画像検索から始める木を見て森に入る勉強法

構造化すれば怖くない 画像検索から始める木を見て森に入る勉強法

Avatar for CUEBiC Inc.

CUEBiC Inc.

June 05, 2025
Tweet

More Decks by CUEBiC Inc.

Other Decks in Business

Transcript

  1. 29 実際にChatGptの回答を構造化してみます レベル1:目的(Why) レベル2:手段(How) レベル3: 基礎技術・知識(What) レベル4: ツール・ライブラリー (With What)

    意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド(GCP/AWS) RDB(MySQL, PostgreSQL), NoSQL(BigQuery, MongoDBなど) 公平性、バイアス、プライバシー保護、説明可能性(XAI) Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier
  2. 32 さらに整理します レベル1:目的(Why) レベル2:手段(How) レベル3: 基礎技術・知識(What) レベル4: ツール・ライブラリー (With What)

    意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド(GCP/AWS) RDB(MySQL, PostgreSQL), NoSQL(BigQuery, MongoDBなど) 公平性、バイアス、プライバシー保護、説明可能性(XAI) Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier ユースケース:何ができるのか?の部分 方法論:どうするか?の部分 道具:何を使うか?の部分 ▷まず必要なのはここ!! 道具の詳細:どの種類の何を使うか?の部分
  3. 33 優先度をつけます レベル1:目的(Why) レベル2:手段(How) レベル3: 基礎技術・知識(What) レベル4: ツール・ライブラリー (With What)

    意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド(GCP/AWS) RDB(MySQL, PostgreSQL), NoSQL(BigQuery, MongoDBなど) 公平性、バイアス、プライバシー保護、説明可能性(XAI) Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier
  4. 42 統計学を学んでおけば良い。数学や機械学習やプログラミングは後 レベル1:目的(Why) レベル2:手段(How) レベル3: 基礎技術・知識(What) レベル4: ツール・ライブラリー (With What)

    意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド(GCP/AWS) RDB(MySQL, PostgreSQL), NoSQL(BigQuery, MongoDBなど) 公平性、バイアス、プライバシー保護、説明可能性(XAI) Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier
  5. 44 構造化した後で Quick Winを積み重ねよう 地点A 地点B 地点C 地点D 統計学 小ゴール

    いきなり全部理解するなんて不可能!! 表計算ソフトで統計分析ができる状態