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