トップページ

目次

1 データサイエンス
1-0 データサイエンスの仕事
1-0-1 データ分析の仕事
1-0-1-1 データ分析の基本
1-0-1-2 バッドデータのデータ分析
1-0-1-3 ダークデータのイメージ
1-0-2 データサイエンスの数理
1-0-3 データサイエンスのソフト
1-0-4 データサイエンスの独り歩き
1-0-4-1 データの独り歩き
1-0-4-2 方法の独り歩き
1-0-5 データサイエンスの不可能性

1-1 統計学
1-1-0 ビッグデータの統計学
1-1-1 正規分布と、その他
1-1-1-1 正規分布から作られる分布
1-1-1-2 極値統計
1-1-1-3 チェビシェフの不等式
1-1-1-4 比例分散
1-1-2 統計量
1-1-2-1 平均値と中央値
1-1-2-1-1 平均値の意味の使い分け
1-1-2-2 標準偏差(ばらつきの尺度)
1-1-2-2-1 標準誤差
1-1-2-3 不偏分散
1-1-3 検定
1-1-3-0 検定による判断
1-1-3-0-1 第1種と第2種の誤り
1-1-3-0-2 多重性の問題
1-1-3-1 平均値の差の検定
1-1-3-1-0 差の意味で検定を補強
1-1-3-1-1 分散分析
1-1-3-1-1-1 平方和分析
1-1-3-1-2 対応のある検定
1-1-3-1-2-1 分布のズレの検定
1-1-3-1-3 正規分布の差の検定
1-1-3-1-4 真の平均値の差と、分析方法の関係
1-1-3-1-5 スモールデータの検定の効果量
1-1-3-2 ばらつきの違いの検定
1-1-3-2-1 分散比とp値とサンプル数の関係
1-1-3-2-2 正規分布のばらつきの違いの検定
1-1-3-2-3 スモールデータにおける、ばらつきの違いの評価
1-1-3-3 比率の差の検定
1-1-3-3-1 比率分布の違いの検定
1-1-3-4 21世紀の検定
1-1-4 推定
1-1-4-1 信頼区間
1-1-4-1-1 推定から検定へ
1-1-4-2 確信区間
1-1-4-3 予測区間
1-1-5 情報理論
1-1-5-1 情報統計力学
1-1-6 ベイズ統計
1-1-6-1 生成モデルと識別モデル
1-1-6-2 階層ベイズ
1-1-7 計算統計学

1-2 多変量解析
1-2-0 等質性分析
1-2-1 回帰分析
1-2-1-0 相関性と相関係数
1-2-1-0-1 相関係数で見える事と見えない事
1-2-1-0-2 擬似相関
1-2-1-0-2-1 擬似相関を使ったデータ分析
1-2-1-0-3 相関の検定
1-2-1-1 単回帰分析
1-2-1-1-0 傾きと相関係数と標準化
1-2-1-1-1 曲線の回帰分析
1-2-1-1-1-1 確率データの回帰分析
1-2-1-1-2 回帰分析の予測区間
1-2-1-1-3 回帰分析への測定誤差の影響
1-2-1-1-4 比例分散の回帰分析
1-2-1-1-4-0 非等分散の回帰分析
1-2-1-1-4-1 比例分散の予測区間
1-2-1-1-4-2 等分散と比例分散
1-2-1-1-5 誤差の乗法モデル
1-2-1-1-5-1 加法モデルと乗法モデル
1-2-1-1-5-2 乗法モデルと比例分散モデル
1-2-1-1-5-3 加法モデル的乗法モデル
1-2-1-1-6 一般化線形モデル
1-2-1-1-6-1 ポアソン回帰分析
1-2-1-2 重回帰分析
1-2-1-2-0 単回帰分析の結果と同じ時と違う時
1-2-1-2-1 多重共線性
1-2-1-2-1-1 主成分回帰分析
1-2-1-2-2 変数の選択
1-2-1-2-2-1 スパースモデリング
1-2-1-2-3 線形性
1-2-1-2-4 標準偏回帰係数
1-2-1-2-5 変数の重要度の分析
1-2-1-2-5-1 変数の重要度の過少評価
1-2-1-2-6 交互作用の種類
1-2-1-2-6-1 交互作用項の力
1-2-1-2-6-2 交互作用の分析
1-2-1-2-7 寄与率
1-2-1-2-7-1 個別の因子の寄与率
1-2-1-3 パス解析
1-2-1-4 一般化線形混合モデル
1-2-1-4-1 区間高次元化回帰分析
1-2-1-4-2 比例分散の線形混合モデル
1-2-1-4-2-1 比例比例分散モデル
1-2-1-4-2-2 一般化比例分散モデル
1-2-1-5 リッジ回帰分析
1-2-1-5-1 サポートベクター回帰分析
1-2-1-5-2 ガウス過程回帰分析
1-2-1-6 スプライン

1-2-2 ラベル分類
1-2-2-0 混同行列
1-2-2-0-1 ROC曲線とAUC
1-2-2-1 判別分析
1-2-2-2 ロジスティック回帰分析
1-2-2-2-1 多項ロジスティック回帰分析
1-2-2-2-2 ベクトル量子化ロジスティック回帰分析
1-2-2-3 サポートベクターマシン
1-2-2-3-1 カーネル法
1-2-2-3-2 One-Class SVM
1-2-2-4 MT法
1-2-2-4-1 単位空間
1-2-2-4-2 マハラノビスの距離
1-2-2-4-2-1 MT法とホテリング理論の違い
1-2-2-4-3 MT法の手順
1-2-2-4-3-1 MT法で計算がおかしい時
1-2-2-4-3-2 主成分MT法
1-2-2-4-3-3 カーネル主成分MT法
1-2-2-4-3-4 混合分布MT法
1-2-2-4-4 MT法による異常の判定
1-2-2-4-5 MT法による異常の原因分析
1-2-2-5 手法による得意な分布の違い
1-2-2-6 手法による結果の違い

1-2-3 変数の類似度の分析
1-2-3-1 多変量データの相関分析
1-2-3-1-1 偏相関係数
1-2-3-1-1-1 グラフィカルラッソ
1-2-3-1-2 LiNGAM
1-2-3-1-2-1 LiNGAMが有効な分布
1-2-3-1-2-2 LiNGAMが正規分布でも有効な理由
1-2-3-1-2-3 LiNGAMの限界
1-2-3-1-2-4 LiNGAMによる変数の関係の探索
1-2-3-2 主成分分析
1-2-3-2-1 正準相関分析
1-2-3-3 質的変数の相関性
1-2-3-3-0 分割表
1-2-3-3-1 独立性の検定
1-2-3-3-2 対数線形分析

1-2-4 因子分析
1-2-4-1 SEM・共分散構造分析
1-2-4-2 独立成分分析
1-2-4-3 項目反応理論

1-3 データマイニング
1-3-0 EDA(探索的データ分析)

1-3-1 決定木
1-3-1-1 分類木と回帰木
1-3-1-2 N進木
1-3-1-3 ランダムフォレスト
1-3-1-4 モデル木

1-3-2 個々のカテゴリの類似度の分析
1-3-2-0 個々のカテゴリの相関分析
1-3-2-1 アソシエーション分析
1-3-2-2 コレスポンデンス分析
1-3-2-2-1 多次元同時付置図によるコレスポンデンス分析
1-3-2-2-2 質的分割表のコレスポンデンス分析
1-3-2-3 ラフ集合分析
1-3-2-4 質的比較分析(QCA)

1-3-3 サンプルの類似度の分析
1-3-3-1 高次元を2次元に圧縮して可視化
1-3-3-1-0 高次元を2次元に圧縮する方法
1-3-3-1-1 距離行列による次元圧縮
1-3-3-1-1-1 多次元尺度構成法
1-3-3-1-1-2 高次元データのネットワーク分析
1-3-3-1-2 自己組織化マップ
1-3-3-1-3 回帰分析系で高次元を2次元に圧縮
1-3-3-1-4 正準相関分析で高次元を2次元に圧縮
1-3-3-2 クラスター分析(高次元を1次元に圧縮して可視化)
1-3-3-2-0 クラスター分析の方法
1-3-3-2-1 2次元散布図を使ったクラスター分析
1-3-3-2-2 決定木によるクラスタリングの分析
1-3-3-2-3 クラスター分析による外れ値の検出
1-3-3-2-4 クラスター分析による予測
1-3-3-2-4-1 クラスターの予測の分析
1-3-3-2-4-2 ベクトル量子化ラベル分類
1-3-3-3 外れたサンプルの探索

1-3-4 多対多の分析
1-3-4-1 A-A型の分析
1-3-4-1-1 距離行列の分析
1-3-4-1-2 固有値分析
1-3-4-2 A-B型の分析
1-3-4-2-1 クロス集計
1-3-4-2-1-1 クロス集計表の回帰分析
1-3-4-2-2 行列の分解
1-3-4-2-3 Q分析
1-3-4-3 多対多対多の分析(A-B-C型の分析)

1-3-5 近傍法
1-3-5-1 k近傍法
1-3-5-2 LOF
1-3-5-3 1クラス最小距離法

1-3-6 数量化理論
1-3-6-1 広義の数量化T類
1-3-6-2 広義の数量化U類
1-3-6-3 広義の数量化V類

1-3-7 テキストマイニング
1-3-7-1 形態素解析
1-3-7-1-1 ワードクラウド
1-3-7-2 テキストマイニングのソフト
1-3-7-3 辞書を整備しないで解析する方法
1-3-7-4 共起
1-3-7-5 テキスト単位の解析

1-4 グラフ統計
1-4-0 グラフ統計のソフト
1-4-1 層別のグラフ
1-4-1-1 棒グラフ
1-4-1-2 1対多のグラフ
1-4-2 1次元分布のグラフ
1-4-2-1 1次元散布図
1-4-2-2 ヒストグラム
1-4-2-3 箱ひげ図
1-4-3 変化のグラフ
1-4-3-1 折れ線グラフ
1-4-3-2 ヒートマップ
1-4-4 2次元分布のグラフと関係のグラフ
1-4-4-1 2次元散布図
1-4-4-1-1 言葉の散布図
1-4-4-1-2 対応のあるデータの散布図
1-4-4-2 ネットワークグラフ
1-4-4-2-1 2部グラフ
1-4-4-2-1-1 3部グラフ
1-4-4-2-2 ISMとDEMATEL
1-4-5 3次元のグラフ
1-4-6 テーブルデータ全体の可視化

1-5 データリテラシー
1-5-0 異種データの紐付け
1-5-1 データベース
1-5-2 プログラミング
1-5-2-1 プログラムの読み書き
1-5-2-2 プログラム言語の種類

1-5-3 特徴量エンジニアリング
1-5-3-1 確率と確率変数の相互変換
1-5-3-1-1 ロジット変換とプロビット変換
1-5-3-1-2 オッズとオッズ比
1-5-3-2 質的データを量的データに変換
1-5-3-2-1 ダミー変換
1-5-3-2-1-1 2進数変換
1-5-3-2-2 ファジィ理論
1-5-3-2-3 2値変数のグループを、1つの連続変数に変換
1-5-3-2-4 質的変数のグループを、1つの連続変数に変換
1-5-3-3 標準化と正規化
1-5-3-3-1 主成分に標準化や正規化
1-5-3-4 中間層を使った解析
1-5-3-5 量的データを質的データに変換
1-5-3-5-1 1次元クラスタリング
1-5-3-5-2 ベクトル量子化
1-5-3-6 微分データと積分データ
1-5-3-6-1 差分データ(速度データ)
1-5-3-6-2 数値積分
1-5-3-7 フーリエ変換とラプラス変換
1-5-3-7-1 スペクトル解析
1-5-3-8 時刻と時間の扱い方
1-5-3-9 比率の指標
1-5-4 データフィジクス(データ物理学)
1-5-4-1 物理量のデータ
1-5-4-2 時空間のデータ
1-5-4-3 高次元のデータ
1-5-4-4 お金のデータ
1-5-5 メタ知識
1-5-6 外れ値と欠損値
1-5-6-1 外れや欠損の原因の解析
1-5-6-2 外れ値や欠損値のあるデータの解析
1-5-7 有効次元数

1-6 予測とシミュレーション
1-6-1 統計モデルによる予測
1-6-1-1 過学習
1-6-1-2 外挿
1-6-1-3 時間的な外挿
1-6-1-4 予測のためのソフトの使い方
1-6-1-5 現実と統計モデルとのギャップ
1-6-1-6 複雑なモデルの難しさ
1-6-1-7 ロバストな解析
1-6-2 数理モデリング
1-6-2-1 次元解析
1-6-2-2 足し算モデルと割り算モデル
1-6-2-3 確率論モデルと決定論モデル
1-6-2-3-1 数理計画法
1-6-2-3-2 遺伝的アルゴリズム
1-6-2-4 微分方程式モデル
1-6-2-4-1 システムダイナミクス
1-6-2-4-2 差分方程式モデル
1-6-3 ばらつきモデル
1-6-3-1 ばらつくデータの作り方
1-6-3-2 ランダムウォークモデル
1-6-4 異常のモデル
1-6-4-1 外れ値のモデル
1-6-4-2 1クラスモデル
1-6-4-3 外れ値ではない異常値のモデル
1-6-4-3-1 時系列データの異常値
1-6-4-3-2 残差の外れ値

1-7 測定
1-7-0 データの見分け・使い分け
1-7-1 誤差
1-7-1-1 ゲージR&R
1-7-1-2 誤差の原因
1-7-1-3 誤差の伝播
1-7-1-4 誤差とn数
1-7-1-5 二重測定(対応のあるデータ)の使い道
1-7-1-5-1 二重測定による繰り返し誤差の推定
1-7-1-5-2 二重測定による判別能力の向上
1-7-2 実験計画法
1-7-2-1 実験の計画
1-7-2-1-1 配置実験
1-7-2-1-2 実験計画法の中の交互作用
1-7-2-1-3 直交表実験
1-7-2-1-4 定性評価と定量評価
1-7-2-2 実験データの解析
1-7-2-2-1 多元配置分散分析
1-7-2-2-2 中心複合計画と応答曲面法
1-7-3 サンプリング
1-7-3-1 層別サンプリング
1-7-4 有効数字と分解能
1-7-4-1 有効数字や分解能による誤差
1-7-4-2 信頼区間に最小値がある統計学(統計学の不可能性)
1-7-4-3 測定システムに必要な能力の推定(有効数字や分解能の推定)
1-7-5 アンケート・感性評価
1-7-6 尺度構成法
1-7-6-1 比や差による一対評価
1-7-7 フェルミ推定
1-7-8 測度論とデータサイエンス
1-7-9 連続データ思考

1-8 人工知能(AI)
1-8-1 エキスパートシステム
1-8-1-1 オントロジー
1-8-2 機械学習
1-8-2-1 教師ありと教師なしの学習
1-8-2-2 強化学習
1-8-2-3 アンサンブル学習
1-8-2-4 一括学習と逐次学習
1-8-2-5 AIの説明可能性・解釈可能性
1-8-2-6 AutoML(自動機械学習)
1-8-3 ベイジアンネットワーク
1-8-3-1 ベイジアンネットワークによる確率計算
1-8-3-2 ベイジアンネットワークによるデータの構造解析
1-8-3-2-1 ベイジアンネットワークのアルゴリズムの違い
1-8-3-3 ベイジアンネットワークによる判別
1-8-4 ニューラルネットワーク
1-8-4-1 ディープラーニング(深層学習)
1-8-4-2 オートエンコーダー
1-8-4-3 畳み込みニューラルネットワーク(CNN)
1-8-4-4 再帰型ニューラルネットワーク(RNN)
1-8-5 画像認識と音声認識
1-8-6 自動作文
1-8-7 人工の心

1-9 現象の分析
1-9-1 因果推論
1-9-1-1 定性的な仮説の探索
1-9-1-1-1 因果関係の種類(ANDとOR)
1-9-1-1-2 因果の基本原理の種類
1-9-1-1-3 論理的推論
1-9-1-1-3-1 「ならば」や「だから」の多義性
1-9-1-1-4 ロジカルシンキング
1-9-1-1-5 MECEな分析
1-9-1-1-5-1 MECEなフレームワーク
1-9-1-1-6 過程追跡
1-9-1-2 定量的な仮説の探索
1-9-1-2-0 機械学習モデルによる因果分析
1-9-1-2-1 相関関係と因果関係
1-9-1-2-1-1 相関関係の探索
1-9-1-2-1-2 相関関係がない時の探索
1-9-1-2-2 有向グラフになるデータの構造
1-9-1-2-2-1 if-thenルールになるデータの構造
1-9-1-2-2-2 条件付き独立になるデータの構造
1-9-1-2-2-3 回帰モデルになるデータの構造
1-9-1-2-2-4 比例分散モデルになるデータの構造
1-9-1-2-2-5 足し算になるデータの構造
1-9-1-2-3 因果の時間差
1-9-1-2-4 個々のサンプルの因果推論
1-9-1-2-5 非対称な因果の因果推論
1-9-1-2-6 潜在変数の因果推論
1-9-1-2-6-1 疑似相関からの因果推論
1-9-1-2-6-2 隠れ変数の探索
1-9-1-3 仮説の検証
1-9-1-3-0 統計的因果推論
1-9-1-3-1 事実と反事実の分析
1-9-1-3-1-1 因果効果の分析
1-9-1-3-1-1-1 サンプルごとの因果効果の分析
1-9-1-3-1-1-2 局所的な因果効果の分析
1-9-1-3-1-1-3 ARI因果効果モデル
1-9-1-3-1-1-4 一般化因果効果モデル
1-9-1-3-1-2 仮想的な反事実の分析
1-9-1-3-1-2-1 反実仮想データの取得
1-9-1-3-1-2-2 反実仮想による因果効果の分析
1-9-1-3-1-2-3 反実仮想データ取得の確認
1-9-1-3-1-3 反実仮想機械学習
1-9-1-3-1-3-1 コウザルフォレスト
1-9-1-3-2 第3変数の除去(原因系が二値)
1-9-1-3-2-1 d分離
1-9-1-3-2-2 傾向スコア
1-9-1-3-2-3 検証したい原因系の変数が量的変数の因果推論
1-9-1-3-3 仮説の検証の検証

1-9-2 システム理論
1-9-2-1 システム思考(システムの構造モデル)
1-9-2-1-1 システムの2大構造(木構造とネットワーク構造)
1-9-2-1-2 概念分析
1-9-2-1-3 メタ思考
1-9-2-2 順問題と逆問題
1-9-2-2-1 逆問題を解く
1-9-2-3 システム思想
1-9-2-3-1 アナロジー
1-9-2-3-2 バランスの理論
1-9-2-3-3 多様性
1-9-2-3-4 対称と非対称のバランス
1-9-2-4 システムの数理モデル・論理モデル
1-9-2-4-1 制御工学
1-9-2-4-1-1 カルマンフィルタ
1-9-2-4-1-2 シーケンス制御
1-9-2-4-2 圏論(カテゴリーの理論)
1-9-2-4-3 群論
1-9-2-5 システムズエンジニアリング
1-9-2-5-1 システムの要件定義

1-9-3 時系列解析
1-9-3-1 状態解析
1-9-3-2 時間解析
1-9-3-2-1 生存時間分析
1-9-3-3 経時解析
1-9-3-3-1 多変量データの傾向解析
1-9-3-3-2 スモールデータで傾向解析
1-9-3-3-3 逆時間集計
1-9-3-4 自己相関分析
1-9-3-4-1 自己単相関分析
1-9-3-4-2 ARモデルとその発展形
1-9-3-5 移動分析
1-9-3-5-1 重ならない窓
1-9-3-5-2 0-1データの時系列解析
1-9-3-6 準周期データの分析
1-9-3-6-1 データベースからのサンプリング
1-9-3-6-2 1次データ(生データ)の解析
1-9-3-6-3 1.5次データの解析
1-9-3-6-4 2次データ(特徴量)の解析
1-9-3-6-5 3次データ(ラベル付きデータ)の解析
1-9-3-7 点過程分析
1-9-3-7-1 ポアソン過程

2 環境と品質

2-1 環境学
2-1-0 環境問題
2-1-0-1 環境学の本
2-1-0-2 環境科学の本

2-1-1 自然環境
2-1-1-0 機械学習による自然科学
2-1-1-1 生態系
2-1-1-2 流れ(流体力学)
2-1-1-3 変化(相転移と化学反応)
2-1-1-4 エネルギー(熱力学)
2-1-1-5 変形と振動と波動(連続体力学)
2-1-1-5-1 共振と共鳴
2-1-1-6 原子・分子の世界
2-1-1-6-0 四元素説と化学
2-1-1-6-1 第一原理計算
2-1-1-6-1-1 圧電素子の鉛フリー化と、第一原理計算
2-1-1-6-2 分子動力学法
2-1-1-6-3 焼きなまし法
2-1-1-6-4 量子コンピュータ
2-1-1-6-5 マテリアルズインフォマティクス・ケモメトリックス
2-1-1-7 カオス
2-1-1-7-1 アトラクタ
2-1-1-7-2 複雑系

2-1-2 環境からヒトへ
2-1-2-1 環境生理学
2-1-2-2 環境心理学
2-1-2-3 本草と博物学
2-1-2-4

2-1-3 ヒトから環境へ
2-1-3-1 環境影響評価
2-1-3-1-0 環境影響の尺度
2-1-3-1-1 LCA
2-1-3-1-2 ヘップ(HEP)
2-1-3-2 廃棄物・ごみ
2-1-3-3 農産物の貿易
2-1-3-4 浄化技術

2-1-4 持続する社会
2-1-4-0 数理社会学・計量社会学
2-1-4-1 環境思想
2-1-4-1-1 東洋医学
2-1-4-1-2 陰陽五行説
2-1-4-1-3 風水
2-1-4-2 環境法
2-1-4-2-1 環境系資格
2-1-4-3 環境経済学
2-1-4-3-1 環境経済学の種類
2-1-4-3-2 外部性の内部化
2-1-4-3-3 内部化の方法
2-1-4-3-3-1 尺度としての「お金」
2-1-4-3-4 経済系と生態系の融合
2-1-4-3-5 中間システム
2-1-4-3-6 経済性の尺度
2-1-4-3-7 経済性のデータ解析
2-1-4-3-8 環境クズネッツ曲線
2-1-4-3-9 環境経済学の本

2-1-4-4 まちづくり
2-1-4-4-1 風土工学
2-1-4-4-2 都市計画
2-1-4-4-3 地域経済の活性化
2-1-4-4-3-1 民芸
2-1-4-4-4 産業立地(空間経済学)
2-1-4-4-5 計量地理学
2-1-4-4-5-1 GIS
2-1-4-4-5-2 景観生態学
2-1-4-4-5-3 空間統計学
2-1-4-4-6 ネットワーク
2-1-4-4-6-1 ネットワーク分析
2-1-4-4-6-2 ネットワーク上の伝わり方
2-1-4-4-6-3 ネットワークのでき方
2-1-4-4-7 計量経済学

2-1-4-5 行動科学
2-1-4-5-1 個性的な行動
2-1-4-5-1-1 応用行動分析学(ABA)
2-1-4-5-1-2 自閉症スペクトラム
2-1-4-5-1-3 人の質的研究
2-1-4-5-1-4 当事者研究
2-1-4-5-1-5 心理療法と臨床心理学
2-1-4-5-2 人に共通した行動
2-1-4-5-2-1 行動経済学
2-1-4-5-2-1-1 プロスペクト理論
2-1-4-5-2-1-2 ゲーム理論
2-1-4-5-2-2 社会心理学

2-1-4-6 脳科学
2-1-4-6-1 認知と学習
2-1-4-6-1-1 模倣と逆模倣
2-1-4-6-2 思考と判断

2-1-4-7 記号学
2-1-4-7-1 哲学
2-1-4-7-2 分析哲学
2-1-4-7-3 言語学
2-1-4-7-3-1 言語の学習
2-1-4-7-4 論理学


2-2 品質学
2-2-1 SPC(統計的工程管理)
2-2-1-1 定常状態の工程解析
2-2-1-1-1 工程能力
2-2-1-1-2 抜き取り検査
2-2-1-2 異常状態の工程解析
2-2-1-2-1 温度と湿度の原因分析
2-2-1-2-2 有識者の知識を引き出すためのデータ分析
2-2-1-3 QC7つ道具・新QC7つ道具
2-2-1-3-0 データサイエンスの道具(G7・W7・M7)
2-2-1-3-1 パレート図
2-2-1-3-2 管理図
2-2-1-3-3 PERT
2-2-1-3-4 特性要因図
2-2-1-3-5 連関図
2-2-1-3-6 系統図(ロジックツリー)
2-2-1-3-7 親和図とブレーンストーミング
2-2-1-3-8 なぜなぜ分析
2-2-1-3-9 マインドマップ
2-2-1-4 工場のデータ
2-2-1-4-1 工場のセンサーデータ
2-2-2 TQC
2-2-2-1 TQC、TQM、その他
2-2-2-2 モノづくり環境の変化と品質学
2-2-2-3 デザインレビュー(DR)

2-2-3 品質工学
2-2-3-1 パラメータ設計
2-2-3-1-1 ロバスト設計
2-2-3-1-1-1 品質工学のSN比
2-2-3-1-1-2 二段階設計
2-2-3-1-1-3 ばらつき問題の種類
2-2-3-1-1-4 機能性の評価
2-2-3-1-2 特性の分類
2-2-3-1-2-1 静特性と動特性の違い
2-2-3-1-2-2 静特性のSN比
2-2-3-1-2-3 動特性のSN比
2-2-3-1-2-3-1 動特性のSN比の歴史
2-2-3-1-2-4 動特性と非線形現象
2-2-3-1-2-5 標準SN比
2-2-3-1-2-6 比例分散への品質工学のアプローチ
2-2-3-1-2-7 エネルギー比型・変動比型のSN比
2-2-3-1-3 因子の分類
2-2-3-1-3-1 外乱と誤差因子
2-2-3-1-3-2 信号因子の応用
2-2-3-1-4 品質工学の直交表
2-2-3-1-4-1 直交表の外側配置
2-2-3-1-4-2 混合系の直交表
2-2-3-2 品質工学の工程管理
2-2-3-3 MTシステム
2-2-3-4 品質工学の用語集
2-2-3-4-1 品質工学の過去と未来
2-2-3-4-2 品質工学の「エネルギー」
2-2-3-4-3 品質工学の「T法」

2-2-4 信頼性工学
2-2-4-1 破壊工学

2-2-5 生産工学
2-2-5-1 生産工学の視点
2-2-5-2 生産工学の手法
2-2-5-2-1 IE手法
2-2-5-2-2 トヨタ生産方式
2-2-5-2-3 工場の保全
2-2-5-2-4 工場物理学

2-2-6 環境品質
2-2-7 工業製品以外の品質


2-3 リスク学
2-3-1 化学物質リスク
2-3-1-1 疫学
2-3-2 機械リスク
2-3-3 金融リスク
2-3-4 リスク管理
2-3-5 リスク認知
2-3-6 リスク評価
2-3-7 リスクコミュニケーション


2-4 経営学
2-4-0 経営工学
2-4-1 経営に不可欠のこと
2-4-1-1 SR (CSR)
2-4-1-2 標準
2-4-1-3 ESGとコーポレントガバナンス
2-4-1-4 企業価値

2-4-2 顧客との関わり
2-4-2-1 マーケティング
2-4-2-1-1 ブランド
2-4-2-1-2 マーケティング・サイエンス
2-4-2-2 デザイン
2-4-2-2-1 価値工学
2-4-2-2-2 QFD(品質機能展開)
2-4-2-2-3 感性工学
2-4-2-2-4 パターンによる発想
2-4-2-3 在庫管理
2-4-2-3-1 発注点方式
2-4-2-3-2 かんばん方式
2-4-2-4 レコメンドシステム
2-4-2-5 ビジネスモデル
2-4-2-6 混雑の分析(待ち行列)

2-4-3 会社を動かす
2-4-3-1 マネジメントシステム
2-4-3-1-1 データマネジメント
2-4-3-1-1-1 メタデータ
2-4-3-1-1-2 データ基盤
2-4-3-1-1-3 データの利活用の進め方
2-4-3-1-1-3-1 成功事例からのデータの利活用
2-4-3-1-1-3-2 モデル作成からのデータの利活用
2-4-3-1-1-3-3 データ探索からのデータの利活用
2-4-3-1-1-3-4 問題解決からのデータの利活用
2-4-3-1-1-3-5 日常業務からのデータの利活用
2-4-3-1-1-4 データドリブン経営
2-4-3-2 問題解決と課題達成
2-4-3-2-1 問題解決学
2-4-3-2-2 問題解決の手順
2-4-3-2-2-0 QCストーリーの組み立て方
2-4-3-2-2-1 テーマの選定
2-4-3-2-2-2 現状把握と要因解析の区別
2-4-3-2-2-3 計画と目標の作成
2-4-3-2-2-4 要因解析の2段階
2-4-3-2-2-3-1 思い込みで対策してしまう原因
2-4-3-2-2-5 対策立案と実施
2-4-3-2-2-5-1 対策が最初に決まっている調査
2-4-3-2-2-6 効果確認のデータ分析
2-4-3-2-2-6-1 マイナスの効果の確認
2-4-3-2-2-6-2 効果の時間差
2-4-3-2-2-7 標準化と管理の定着
2-4-3-2-3 問題解決と課題達成のためのデータサイエンス
2-4-3-2-3-1 現状把握のためのデータサイエンス
2-4-3-2-3-2 要因解析のためのデータサイエンス
2-4-3-2-4 デジタルトランスフォーメーション(DX)
2-4-3-2-5 課題達成の手順
2-4-3-2-6 シックスシグマ
2-4-3-3 プロジェクトマネジメント
2-4-3-3-1 AI・機械学習・データ分析のプロジェクト
2-4-3-4 業務フロー
2-4-3-5 意思決定論
2-4-3-5-1 統計的な意思決定
2-4-3-5-2 意思決定の心理学
2-4-3-5-3 AHP
2-4-3-5-4 経済性分析(損得の分析)
2-4-3-6 学習する組織
2-4-3-6-1 小集団活動とプロジェクト活動

2-4-4 会計の分析
2-4-4-1 経営分析(財務会計)
2-4-4-2 管理会計
2-4-4-2-1 コスト分析
2-4-4-3 制約条件の理論


Excelによるデータ分析
Excelによるデータ分析について
Excelによる変数別の折れ線グラフ
Excelによる箱ひげ図
Excelによるヒートマップ
Excelのピボットテーブル
Excelによる残差の外れ値の分析
Excelのヒストグラム
Excelの棒グラフ
Excelで簡単に予測とシミュレーション
Excelによる2次データの作成


Rによるデータ分析
Rによるデータ分析について
Rによる変数別の折れ線グラフ
Rによるヒートマップ
Rによる1対多のグラフ
Rによる相関係数分析
Rによるグラフィカルラッソ
Rによる連関係数分析
RによるLiNGAM
Rによる対数線形分析
Rによる変数の選択
Rによる隠れ変数の分析
RによるMT法
Rによる異常の近傍法分析
Rによるアソシエーション分析
Rによる個々のカテゴリの相関分析
Rによるネットワーク式の多次元尺度構成
Rによる高次元を2次元に圧縮して可視化
Rによる回帰分析系で高次元を2次元に圧縮して可視化
Rによる外れたサンプルの探索
Rによる個々のサンプルの因果推論
Rによるクロス集計
Rによるクロス集計表の散布図分析
Rによる2部グラフ
Rによる分割表のコレスポンデンス分析
Rによるクロス集計表の3部グラフ
Rによるクロス集計表の回帰分析
Rによる行列の分解
Rによる距離行列の位置分析
Rによる距離行列のネットワーク分析
Rによるネットワークグラフ
Rによる固有値分析
Rによる可到達行列
Rによるテキストマイニング
Rによる準周期データの分析
Rによる周期性のあるデータの分析
Rによる時系列データの次元削減分析
Rによる違いの有無の分析
Rによる正規性の分析
Rによる予測区間の分析
Rによる管理図
RによるゲージR&R
Rによる反実仮想因果効果分析
Rによる個別の因子の寄与率
Rによる主成分回帰分析
Rによる決定木
RによるN進木
Rによるランダムフォレスト
Rによるモデル木
Rによるクラスター分析
Rによる一般化線形混合モデル
Rによる主成分分析
Rによる質的変数のコレスポンデンス分析
Rによる因子分析
Rによる項目反応理論
Rによるロジスティック回帰分析
Rによるベイジアンネットワーク
Rによるスプライン
Rによる生存時間分析
Rによる正準相関分析
Rによる区間高次元化回帰分析
Rによるベクトル量子化ラベル分類
Rの標準グラフ機能
Rのggplot2
RのPlotly
Rによるダミー変換
Rによる1次元クラスタリング
Rのサンプルデータ
Rによる欠損値の前処理

ウェブアプリR-QCA1


Pythonによるデータ分析
Pythonによるデータ分析について
Pythonによる変数別の折れ線グラフ
Pythonによるヒートマップ
Pythonによる変数の類似度の分析
Pythonによる1対多のグラフ
Pythonによる隠れ変数の分析
PythonのPandasのPlot(matplotlib)
Pythonのseaborn
Pythonによるデータの切り貼り
Pythonによるメタ知識のデータの作成
Pythonによる準周期データの分析


R-EDA1によるデータ分析
ウェブアプリR-EDA1
R-EDA1 リリースノート
R-EDA1によるairqualityの分析
R-EDA1によるmtcarsの分析
R-EDA1によるUScitiesDとeurodistの分析
R-EDA1によるwarpbreaksの分析
R-EDA1によるfactory_sensor01の分析


Q&A集
抜き取り検査のデータから、歩留を推定できませんか?
受注予測をしたいのですが、受注データと気象データの関係は、どのようなモデルを使えば良いのですか?
p値が0.05よりも大きいので、「差はなし」ですね?
品質工学と実験計画法の違いは何ですか?
データ(N数)は、いくつ取れば良いのですか?
正規分布ではないのですが、どうすれば良いですか?
大量の文章があるのですが、要約を自動で作れませんか?
センサーデータの分析に、移動窓(窓関数)は使わないのですか?
原因の分析では、相関の強い変数を見つけるのですね?
Yが量的変数の時はT法で、質的変数の時はMT法を使えば良いのですか?
原因は、この変数ですか?
ばらつきを小さくするには、どうすれば良いですか?
このデータに、一番良いモデルは?
高次元(多変量)のモデルを作ることはありますか?
結果の方が前に起きることもあるから、仮説が間違いでは?
行と列を入れ替えれば、良いのでは?
時刻が等間隔ではない時は?
フーリエ変換で分析するのでしょうか?
よく使うツール(ソフト)は何ですか?
どのような手法(モデル)を実務で使いますか?
マシン(コンピュータ)はどのくらいのスペックが必要ですか?
どうやって参考文献を読んでいるのですか?


環境と品質のためのデータサイエンス入門
データ分析 入門(手法編)
データ分析の準備 入門
検定と推定 入門
確率分布 入門
ばらつき学 入門
平均値の差の検定 入門
相関分析 入門
回帰分析 入門
原因と結果の関係の検証(因果推論) 入門
データの利活用 入門
問題解決 入門
工場の事件を解決するデータサイエンティスト
データ分析以外の分析 入門

データサイエンス相談会
このサイトについて
古い更新履歴
リンク集
ENGLISH