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
1-0-6 データサイエンスの流派

1-1 統計学
1-1-0 ビッグデータの統計学
1-1-1 統計分布
1-1-1-0 正規分布と、その他
1-1-1-0-1 標準正規分布
1-1-1-0-2 ポアソン分布
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
1-1-1-5 質的変数の分布
1-1-1-6 統計量の分布
1-1-1-7 実務の中の正規分布
1-1-2 統計量
1-1-2-0 既知と未知の使い分け
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
1-1-2-4 質的変数のばらつきの尺度
1-1-2-5 歪度と尖度
1-1-3 検定
1-1-3-0 検定による判断
1-1-3-0-1 検定による判断の弱点
1-1-3-0-2 多重性の問題
1-1-3-0-3 統計的な検定と、統計教育の歴史
1-1-3-0-3-1 平均値の差の検定の実務
1-1-3-0-4 差の意味で検定を補強
1-1-3-0-5 効果量
1-1-3-0-5-1 効果量の信頼区間
1-1-3-0-6 P値と標準正規分布の関係
1-1-3-0-7 P値と信頼区間の関係
1-1-3-0-7-1 P値の信頼区間
1-1-3-1 平均値の差の検定
1-1-3-1-0 平均値の差の検定の、p値とサンプル数の関係
1-1-3-1-0-1 平均値の差の検定の仕組み
1-1-3-1-0-2 平均値の差の検定で、できないこと
1-1-3-1-1 分散分析
1-1-3-1-1-1 平均値分析
1-1-3-1-2 対応のある検定
1-1-3-1-3 スモールデータの検定の効果量
1-1-3-1-4 真の平均値の差と、分析方法の関係
1-1-3-2 ばらつきの違いの検定
1-1-3-2-1 分散の比の検定でできないこと
1-1-3-2-2 分散比とp値とサンプル数の関係
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
1-1-3-2-4 z検定による分散の比の検定
1-1-3-3 計数の差の検定
1-1-3-3-1 比率の差の検定
1-1-3-3-2 発生数の差の検定
1-1-3-4 21世紀の検定
1-1-3-4-0 21世紀の検定のサンプル数
1-1-3-4-1 シフトの検定
1-1-3-4-1-1 サンプル毎の差の検定
1-1-3-4-2 データ全体の差の検定
1-1-3-4-2-1 平均値の差の効果量の検定
1-1-3-4-2-2 差による分布の重なりの検定
1-1-3-4-3 平方和分析
1-1-3-4-4 ばらつきの違いの全体的な検定
1-1-3-4-4-1 分散比の効果量の検定
1-1-3-4-4-2 分散比による重なりの検定
1-1-3-4-5 比率の全体的な差の検定
1-1-3-4-5-1 比率の差の効果量の検定
1-1-3-4-5-2 比率分布の重なりの検定
1-1-3-4-6 相関係数の効果量の検定
1-1-3-5 ノンパラメトリック検定
1-1-3-6 z検定
1-1-3-7 分布の違いの検定
1-1-3-7-1 正規性の検定
1-1-3-7-2 コルモゴロフ-スミルノフ検定
1-1-3-7-3 対応のない2標本の類似度分析
1-1-3-8 ネイマン・ピアソン流の検定
1-1-3-8-0 2種類の対立仮説
1-1-3-8-1 第1種と第2種の誤り
1-1-3-8-2 有意水準と検出力とサンプル数
1-1-3-8-2-1 2群の検定の対立仮説
1-1-3-8-2-2 不偏検定と最強力検定
1-1-3-8-3 サンプル数を固定する統計学
1-1-3-8-4 帰無仮説と対立仮説の検定
1-1-3-9 ベイズ流の検定
1-1-4 推定
1-1-4-1 区間推定
1-1-4-1-1 信頼区間
1-1-4-1-1-1 推定から検定へ(平均値の検定)
1-1-4-1-2 確信区間
1-1-4-1-3 予測区間
1-1-4-2 ロバスト推定
1-1-4-3 大標本理論
1-1-5 情報理論
1-1-5-1 情報統計力学
1-1-5-2 平均情報量
1-1-5-2-1 平均情報量係数
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
1-1-8 尤度統計学
1-1-8-1 確率と尤度の違い
1-1-8-2 尤度の数式
1-1-8-2-1 サンプル数が1の尤度関数
1-1-8-2-2 正規分布の尤度関数のサンプル数依存性
1-1-8-2-3 シンプルな尤度関数
1-1-8-2-3-1 ゼロ尤度関数
1-1-8-3 尤度の特性
1-1-8-4 尤度の活用
1-1-8-4-1 最尤推定
1-1-8-4-2 尤度比検定

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
1-2-1-0-4 相関行列と内積
1-2-1-0-5 粗い測定の相関性
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
1-2-1-1-4-3 有向比例分散分析
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
1-2-1-1-7 正規化による有向相関分析
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
1-2-1-2-1-2 部分的最小二乗回帰分析
1-2-1-2-1-2-1 主成分分析のみによる主成分回帰分析
1-2-1-2-1-3 独立成分回帰分析と因子回帰分析
1-2-1-2-1-4 独立成分分析のみによる独立成分回帰分析
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
1-2-1-4-1-1 ベクトル量子化回帰分析
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
1-2-2-0-2 R偽陽性と偽陰性のバランス
1-2-2-1 判別分析
1-2-2-2 ロジスティック回帰分析
1-2-2-2-0 ロジスティック回帰分析の仕組み
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
1-2-2-3-1-1 内積の分布とカーネルの分布
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 MT法の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
1-2-3-1-1-2 偏相関係数による分析
1-2-3-1-1-3 偏相関係数による有向相関分析
1-2-3-1-1-3-1 多重有向相関分析
1-2-3-1-1-4 相関偏相関分析
1-2-3-1-1-4-1 相関偏相関散布図
1-2-3-1-1-5 有向相関偏相関分析
1-2-3-1-1-6 ハイブリッド有向相関分析
1-2-3-1-1-6-1 ハイブリッド有向相関分析との比較
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 主成分の決まり方
1-2-3-2-1-1 主成分分析における、相関行列と共分散行列の違い
1-2-3-2-1-2 主成分分析における、主成分と相関性の関係
1-2-3-2-1-3 主成分分析のルート
1-2-3-2-2 非線形のための主成分分析
1-2-3-2-2-1 カーネル主成分分析の種類
1-2-3-2-2-2 サンプルの関係からの主成分分析
1-2-3-2-3 スパース主成分分析
1-2-3-2-3-1 しきい値主成分分析
1-2-3-2-4 正準相関分析
1-2-3-3 質的変数用の、変数の類似度の分析
1-2-3-3-0 分割表
1-2-3-3-0-1 対応ありの分割表と、対応なしの分割表
1-2-3-3-1 独立性の検定
1-2-3-3-1-1 マクマネー検定
1-2-3-3-2 対数線形分析
1-2-3-3-3 連関係数
1-2-3-3-3-1 連関係数を使った主成分分析
1-2-3-3-3-2 偏連関係数
1-2-3-3-4 相互情報量
1-2-3-3-4-1 相互情報量係数
1-2-3-3-4-2 有向情報量分析
1-2-3-3-4-3 相互情報量行列
1-2-3-3-4-4 対数尤度情報量分析
1-2-3-3-4-4-1 対数尤度と情報量の関係
1-2-3-3-5 累積寄与率連関係数
1-2-3-4 要約分析と分解分析の違い

1-2-4 因子分析
1-2-4-0 分解分析の違い
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 カテゴリの類似度の分析
1-3-2-0 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 コレスポンデンス分析と主成分分析の違い
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)
1-3-2-5 カテゴリの分解分析
1-3-2-5-1 二値データの寄与率

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
1-3-3-1-0-1 高次元を2次元に圧縮する方法の比較
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 クラスタリングの原因分析
1-3-3-2-2-1 次元削減クラスタリング分析
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 クラスター外の予測の分析
1-3-3-2-4-3 ベクトル量子化平均法
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
1-3-4-1-2-1 隣接行列の固有値分析
1-3-4-1-2-1-1 無向グラフの固有値分析
1-3-4-1-2-1-2 有向グラフの固有値分析
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 A-B型の中間層分析
1-3-4-2-3-1 同時付置図
1-3-4-2-3-1-1 多次元同時付置図
1-3-4-2-3-2 A-B型の中間層分析の使い分け
1-3-4-2-4 Q分析
1-3-4-3 多対多対多の分析(A-B-C型の分析)
1-3-4-4 テンソル

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

1-3-8 量質混合データの分析

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
1-4-4-2-3 グラフィカルモデリング
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 データの確からしさ
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 距離
1-5-3-4-1 ユークリッド距離とマハラノビス距離
1-5-3-4-2 多次元の距離の性質
1-5-3-4-3 多次元の距離の適正化
1-5-3-4-4 質的変数の場合の距離
1-5-3-4-5 方向のある距離
1-5-3-4-6 カーネル法の中の距離
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
1-5-3-7-2 グラフフーリエ変換とスペクトルグラフ理論
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
1-6-1-8 中間層を使った解析
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 サンプリングの種類
1-7-3-1 層別サンプリング
1-7-3-2 サンプル数の決め方
1-7-3-2-1 サンプル数の統計的な決め方
1-7-3-2-2 ゼロ十分数
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)
1-8-2-7 追加学習と再学習
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による構造探索のアルゴリズムの違い
1-8-3-2-2 ベイジアンネットワークによる構造探索のノウハウ
1-8-3-2-3 条件付き独立による探索
1-8-3-2-4 スコアによる条件付き確率の探索
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)
1-8-4-5 グラフニューラルネットワーク
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
1-9-1-1-7 潜在事実の探索
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
1-9-1-2-2-6 情報量の変化があるデータの構造
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
1-9-1-2-6-3 主成分回帰分析による因果推論
1-9-1-2-6-4 潜在変数モデルの使い分け
1-9-1-2-6-5 量質混合の潜在変数モデル
1-9-1-2-6-6 潜在変数で原因系の仮説作成
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 システム論
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 発生データ(01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
2-1-4-4-3-2 産業連関分析
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
2-1-4-5-1-2-1 自閉症とABA
2-1-4-5-1-2-2 自閉症を治す
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
2-1-4-5-1-6 ナラティブ
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
2-1-4-6-1-2 相手との向きと、模倣の関係
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
2-2-1-1-2-1 抜き取り検査による歩留の予測
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(総合的品質管理)
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
2-2-3-1-5 実験の再現性問題
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
2-4-3-1-1-2-1 データベース
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
2-4-3-6 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)
2-4-4-1-1 環境会計
2-4-4-2 管理会計
2-4-4-2-1 コスト分析
2-4-4-2-2 利益と付加価値の分析
2-4-4-2-3 経済性分析(損得の分析)
2-4-4-2-4 制約条件の理論
2-4-4-2-5 予算管理
2-4-4-2-6 環境管理会計


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による相関係数分析
Rによるグラフィカルラッソ
RによるLiNGAM
Rによる有向相関分析
Rによる有向相関偏相関分析
Rによる正規化による有向相関分析
Rによる有向比例分散分析
Rによる相関偏相関散布図
Rによる主成分分析の基本
Rによる変数の類似度の主成分分析
Rによるカーネル主成分分析
Rによるしきい値主成分分析
Rによる因子分析
Rによる分解分析
Rによる項目反応理論
Rによる正準相関分析
Rによるベイジアンネットワーク
Rによる連関係数分析
Rによる質的変数の主成分分析
Rによる相互情報量
Rによる相互情報量係数分析
Rによる対数尤度情報量分析
Rによる有向情報量分析
Rによる累積寄与率連関係数 Rによる質的変数の対数線形分析
Rによる変数の選択
Rによる主成分回帰分析
Rによる個別の因子の寄与率
Rによる一般化線形混合モデル
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回帰分析
Rによるスプライン
Rによるモデル木
Rによる部分的最小二乗回帰分析
RによるMT法
Rによる混合分布MT法
Rによる異常の近傍法分析
Rによるロジスティック回帰分析
Rによる多項ロジスティック回帰分析
Rによるベクトル量子化ロジスティック回帰分析
Rによるベクトル量子化平均法
Rによる1対多のグラフ
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による隠れ変数の分析
Rによる個々のサンプルの因果推論
Rによるアソシエーション分析
Rによる質的変数のコレスポンデンス分析
Rによる個々のカテゴリの相関分析
Rによる質的変数の主成分分析
Rによるカテゴリの分解分析
Rによる高次元データのネットワーク分析
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によるサンプルの類似度の主成分分析
Rによるクラスタリング
Rによるクラスタリングの原因分析
Rによるクラスターの予測
Rによる次元削減クラスタリング分析
Rによる外れたサンプルの探索
Rによる距離行列の位置分析
Rによる距離行列からの主成分分析
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による無向グラフの固有値分析
Rによる有向グラフの固有値分析
Rによる可到達行列
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によるクロス集計表の主成分分析
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による対応のない2標本の類似度分析
Rによる予測区間の分析
Rによる反実仮想因果効果分析
Rによる管理図
RによるゲージR&R
Rによる生存時間分析
Rの標準グラフ機能
Rのggplot2
RのPlotly
Rによるパレート図
Rによるダミー変換
Rによる2進数変換
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
Rによる内積とカーネル

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


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


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?
相互情報量をPythonで実装するので、アルゴリズムを教えてください。
「平均値の数値的な差」というのは、どういうことですか?
21世紀の検定の式は、サンプル数の部分を取り除いてできているのですか?
検定で、一番大事な事は何ですか?
事前にサンプル数を決めていれば、問題にならないのではないでしょうか?
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?
Kaggleはやっていますか?


データサイエンスの失敗事例集
詳しい話をしてもらえない
P値が0.05よりも高いことを理由に、提案が拒絶された
製品はいつもと変わらないのに、AIの挙動がおかしい
学習データの時は精度が高かったのに、実用化したら使い物にならなくなった
膨大な量の実験をしたのに無駄になる
品質を予測するモデルが作れない
スモールデータで、ばらつきの分析
欲しがっていたはずなのに、「いらない」と言われた
せっかく導入したのに、使われない
役に立つ発見かもしれないのに、裏付け調査に協力してもらえない
データを賛成できない目的に使われてしまった
重箱の隅をつつかれて、長期化
完璧な資料を作ったつもりなのに、不合格にされる


データサイエンスの成功事例集
自分で測定したデータが決め手に
自分で作ったアルゴリズムが決め手に
有向グラフの探索アルゴリズムの開発
R-EDA1の開発
ネットワークグラフで興味を持ってもらう
シンプルな折れ線グラフで伝える


統計学の解釈学
サンプル数の量と、研究の確度
変数とパラメタの関係における、頻度論とベイズ統計学の違い
検定できることの、頻度論とベイズ統計学の違い
「統計学的に同じ」とは
帰無仮説は採択できる
帰無仮説が棄却できても、対立仮説を採択できるとは限らない
t分布は、サンプル数が少ない時用の理論ではない
t分布は、nとn-1の違いを考慮した理論ではない
誤解の源泉としての、統計量の分布


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