最短突破 データサイエンティスト検定（リテラシーレベル）公式リファレンスブック 第4版 [単行本]

最短突破 データサイエンティスト検定（リテラシーレベル）公式リファレンスブック 第4版 の 商品概要

• 目次

  はじめに
  
  ■第1章 DS検定とは
  データサイエンティスト検定TMリテラシーレベルとは
  データサイエンティスト協会TMとデータサイエンティストスキルチェックリストとは
  データサイエンティスト検定TMリテラシーレベル試験概要
  出題範囲(1)　スキルチェックリスト
  出題範囲(2)　数学・データサイエンス・AI（リテラシーレベル）モデルカリキュラム
  本検定と、全てのビジネスパーソンが持つべきデジタル時代の共通リテラシー「Di-Lite」
  DX推進が目指す人材であることを示す「DX推進パスポート」
  本書の構成
  スキルチェックリスト ver.6の改訂について
  
  ■第2章 基盤
  スキルチェックリスト ver.6の新規分類「基盤」について
  K1 ビジネスにおける「論理とデータの重要性」を認識し、分析的でデータドリブンな考え方に基づき行動できる
  K2 「目的やゴールの設定がないままデータを分析しても、意味合いが出ない」ことを理解している
  K3 課題や仮説を言語化することの重要性を理解している
  
  K4 現場に出向いてヒアリングするなど、一次情報に接することの重要性を理解している
  K6 データを取り扱う人間として相応しい倫理を身に着けている（データのねつ造、改ざん、盗用を行わないなど）
  K7 データ、AI、機械学習の意図的な悪用（真偽の識別が困難なレベルの画像・音声作成、フェイク情報の作成、Botによる企業・国家への攻撃など）があり得ることを勘案し、技術に関する基礎的な知識と倫理を身につけている
  K8 データ分析者・利活用者として、データの倫理的な活用上の許容される範囲や、ユーザサイドへの必要な許諾について概ね理解している（直近の個人情報に関する法令：個人情報保護法、EU一般データ保護規則、データポータビリティなど）
  K9 データや事象の重複に気づくことができる
  K12 与えられた分析課題に対し、初動として様々な情報を収集し、大まかな構造を把握することの重要性を理解している
  K14 対象となる事象が通常見受けられる場合において、分析結果の意味合いを正しく言語化できる
  K16 担当する分析プロジェクトにおいて、当該事業の収益モデルと主要な変数を理解している
  K17 大規模言語モデルにおいては、事実と異なる内容がさも正しいかのように生成されることがあること（ハルシネーション）、これらが根本的に避けることができないことを踏まえ、利用に際しては出力を鵜呑みにしない等の注意が必要であることを知っている
  K18 ハルシネーションが起きていることに気づくための適切なアクションをとることができる（検索等によるリサーチ結果との比較や、他LLMの出力結果との比較、正確な追加情報を入力データに付与することによる出力結果の変化比較など）
  K20 単なるローデータとしての実数だけを見ても判断出来ない事象が大多数であり、母集団に占める割合などの比率的な指標でなければ数字の比較に意味がないことがわかっている
  K21 ニュース記事などで統計情報に接したときに、数字やグラフの不適切な解釈に気づくことができる
  K24 ビジネス観点で仮説を持ってデータをみることの重要性と、仮に仮説と異なる結果となった場合にも、それが重大な知見である可能性を理解している
  K27 分析結果を元に、起きている事象の背景や意味合い（真実）を見抜くことができる
  K30 データが生み出される経緯・背景を考え、データを鵜呑みにはしないことの重要性を理解している
  K31 データの性質を理解するために、データを可視化し眺めて考えることの重要性を理解している
  K32 マルウェアなどによる深刻なリスクの種類（消失・漏洩・サービスの停止など）を理解している
  K33 生成AIの仕組みを理解し、業務や課題解決に活用できる。生成AIについて基礎的な知識や活用方法を理解している。
  コラム
  
  ■第3章　価値創造力
  スキルチェックリスト ver.6の新規分類「価値想像力」について
  VC1 主要な技術・社会トレンドを理解し、基本的な因果関係を説明できる
  VC2 単一領域での因果関係の仮説を整理し、説明できる
  VC3 変化の出来事を整理し、概要を説明できる
  VC4 顕在化した課題を整理し、既存の枠組みで説明できる
  VC5 現状の課題構造を整理し、説明できる
  VC6 他分野や他視点を取り入れて新しい切り口を提示できる
  VC7 異なる立場の視点や言葉の意図の違いを理解できる
  VC8 現行の価値や方向性を整理し、説明できる
  VC9 変化要素を整理し、基本的なシナリオを描ける
  VC10 経済的成果を評価できる
  VC11 既存事業の構造を説明できる
  VC12 価値提案を要約して伝えられる
  VC13 PoCを計画できる
  VC14 人とAIの基本的な役割分担を説明できる
  VC15 現状のアーキテクチャを整理し、説明できる
  VC16 目的に応じた指標を設計できる
  VC17 主要リスクを列挙できる
  VC18 既存の規程を自身の業務・タスクに適用できる
  VC19 基本的な評価観点を示せる
  VC20 実験の場を企画できる
  VC21 多様な背景を持つ人々と協働する意義を理解し、関係者を特定できる
  VC22 既存の枠を超えた協働の必要性を理解し、小規模な連携を企画できる
  VC23 既存データ資産を把握し活用範囲を整理・説明できる
  VC24 データの品質課題を特定し、AI活用目的に沿った改善提案ができる
  VC25 契約内のデータの取り扱いにおける基本的な条件を理解・遵守できる
  VC26 検証目的を定義し、小規模なPoCを自ら実装・検証できる
  VC27 基本機能を持つ試作を実装できる
  VC28 業務手順を整理し構造を説明できる
  VC29 主要な運用指標をモニタリングできる
  VC30 再学習の必要性を判断できる
  VC31 モデル評価の基本指標を理解できる
  VC32 AIガバナンスの枠組みを理解・遵守できる
  VC33 ナレッジを記録・共有できる
  VC34 成功要因を整理し、共有できる
  VC35 既存資産を把握し、再利用の可能性を見出せる
  VC36 新旧構造を比較・整理できる
  VC37 知識・技術を伝達できる
  VC38 経済的な成果を定量・定性の両面で評価できる
  VC39 改善点を特定し、次の行動を設計できる
  VC40 得られた知識を記録・共有できる
  VC41 変革の意図を理解し、実行できる
  VC42 制度変更の影響を説明できる
  VC43 変化の阻害要因を察知し、対応できる
  VC44 パイロット導入の成果を整理し再利用できる
  VC45 他組織と成果を共有できる
  VC46 自身の実践における暗黙知を認識し、言語化できる
  VC47 困難に直面しても諦めず、指示された課題を粘り強く完遂できる
  VC48 新たなサービスや技術に対して直感的にわくわくし、その裏にある仕組みや技術に興味を持ち、自らリサーチ・試行できる
  VC49 情報が不十分な状況でも、最も影響の大きい要素を見極めて行動を選べる（「ザックリ感」をもった判断）
  VC50 自らの経験や出来事を整理し、わかりやすく説明できる
  VC51 自らの行動や発言について、社会的に何が「不適切」かを理解しており、基本的な倫理・法・文化の境界を踏まえて行動できる
  コラム
  
  ■第4章 データサイエンス力
  DS1 ベクトルの内積に関する計算方法を理解し、線形式をベクトルの内積で表現できる
  DS2 行列同士、および行列とベクトルの計算方法を正しく理解し、複数の線形式を行列の積で表現できる
  DS3 逆行列の定義、および逆行列を求めることにより行列表記された連立方程式が解けることを理解している
  DS4 固有ベクトルおよび固有値の意味を理解している
  DS5 テンソルの基本概念（次元数、軸、形状）と深層学習で用いる代表的な操作（転置、リシェイプ、インデックシング、ブロードキャストなど）を理解している
  DS6 微分により計算する導関数が傾きを求めるための式であることを理解し、多変数関数においての微分（偏微分、勾配など）も必要に応じて求めることができる
  DS7 積分と面積の関係を理解し、確率密度関数を定積分することで確率が得られることを説明できる
  DS8 関数の停留点が必ずしも極値にならないことを理解し、局所最適解と大域最適解の違いを説明できる
  DS9 和集合、積集合、差集合、対称差集合、補集合についてベン図を用いて説明できる
  DS10 論理演算と集合演算の対応を理解している（ANDが積集合に対応するなど）
  DS11 順列や組合せの式 nPr, nCr を理解し、適切に使い分けることができる
  DS12 確率に関する基本的な概念の意味を説明できる（確率、条件付き確率、期待値、独立など）
  DS13 平均、中央値、最頻値の算出方法の違いを説明できる
  DS14 分散、標準偏差、四分位、パーセンタイルを理解し、目的に応じて適切に使い分けることができる
  DS15 母（集団）平均と標本平均、不偏分散と標本分散がそれぞれ異なることを説明できる
  DS16 標準正規分布の平均と分散の値を知っている
  DS17 相関関係と因果関係の違いを説明できる
  DS18 名義尺度、順序尺度、間隔尺度、比例尺度の違いを説明できる
  DS19 ピアソンの相関係数の分母と分子を説明できる
  DS20 ５つ以上の代表的な確率分布を説明できる
  DS21 二項分布は試行回数が増えていくとどのような分布に近似されるかを知っている
  DS22 変数が量的、質的どちらの場合でも関係の強さを算出できる
  DS23 指数関数とlog関数の関係を理解し、片対数グラフ、両対数グラフ、対数化されていないグラフを適切に使いわけることができる
  DS24 ベイズの定理を説明できる
  DS30 業務課題から検証可能な仮説を抽出できる
  DS33 分析、図表から直接的な意味合いを抽出できる（バラツキ、有意性、分布傾向、特異性、関連性、変曲点、関連度の高低など）
  DS34 当初立てた仮説を否定する結果であっても、それを『ノイズ』として排除せず『新たな知見』として客観的に受容し、正確に報告できる
  DS37 適切なデータ区間設定でヒストグラムを作成し、データのバラつき方を把握できる
  DS38 適切な軸設定でクロス集計表を作成し、属性間のデータの偏りを把握できる
  DS39 量的変数の散布図を描き、2変数の関係性を把握できる
  DS40 条件Xと事象Yの関係性を信頼度、支持度、リフト値を用いて評価できる
  DS50 点推定と区間推定（信頼区間など）の違いを理解し、推定における不確実性を評価する上での区間推定の重要性を説明できる
  DS51 統計的仮説検定において帰無仮説と対立仮説の違いを説明できる
  DS52 検定における判断の誤り（第1種の過誤、第2種の過誤）と、p値、有意水準の意味、およびこれら相互の関係性を説明できる
  DS53 片側検定と両側検定の違いを理解し、適切に使い分けられる
  DS54 検定する対象となるデータの対応の有無を考慮した上で適切な検定手法（t検定, z検定など）を選択し、適用できる
  DS57 ある特定の処置に対して、その他の変数や外部の影響を除いた効果を測定するためには、処置群（実験群）と対照群に分けて比較・分析する必要があることを知っている
  DS58 ある変数が他の変数に与える影響（因果効果）を推定したい場合、その双方に影響を与える共変量（交絡因子）の考慮が重要であると理解している（喫煙の有無と疾病発症の双方に年齢が影響している場合など）
  DS59 分析の対象を定める段階で選択バイアスが生じる可能性があることを理解している（途中離脱者の除外時、欠損データの除外時など）
  DS72 仮説や課題に対して必要なデータを特定できる
  DS75 スコープ、検討範囲・内容が明確に設定されていれば、必要な分析プロセスが理解できる（データ、分析手法、可視化の方法など）
  DS82 単独のグラフに対して、集計ミスや記載ミスなどがないかチェックできる
  DS83 データ項目やデータの量・質について、指示のもと正しく検証し、結果を説明できる
  DS90 どのような知見を得たいのか、目的に即して集計し、データから事実を把握できる
  DS91 データから事実を正しく浮き彫りにするために、集計の切り口や比較対象の設定が重要であることを理解している
  DS92 普段業務で扱っているデータの発生トリガー・タイミング・頻度などを説明でき、また基本統計量や分布の形状を把握している
  DS101 標本誤差およびサンプリングバイアス、およびそれぞれの違いについて説明できる
  DS102 実験計画法の基本的な3原則（局所管理化、反復、無作為化）について説明できる
  DS106 外れ値・異常値・欠損値とは何かを理解し、指示のもと適切に検出と除去・変換などの対応ができる
  DS109 標準化とは何かを理解し、適切に標準化が行える
  DS110 名義尺度の変数をダミー変数に変換できる
  DS113 数値データの特徴量化（二値化／離散化、対数変換、スケーリング／正規化、交互作用特徴量の作成など）を行うことができる
  DS122 可視化における目的の広がりについて概略を説明できる（単に現場の作業支援する場合から、ビッグデータ中の要素間の関連性をダイナミックに表示する場合など）
  DS125 散布図などの軸出しにおいて、目的やデータに応じて縦軸・横軸の候補を適切に洗い出せる
  DS126 積み上げ縦棒グラフでの属性の選択など、目的やデータに応じて適切な層化（比較軸）の候補を出せる
  DS130 サンプリングやアンサンブル平均によって適量にデータ量を減らすことができる
  DS131 読み取りたい特徴を効果的に可視化するために、統計量を使ってデータを加工できる
  DS137 データ解析部門以外の方に、データの意味を可視化して伝える重要性を理解している
  DS138 情報提示の相手や場に応じて適切な情報濃度を判断できる（データインク比の考え方など）
  DS139 不必要な誇張をしないための軸表現の基礎を理解できている（コラムチャートのY軸の基準点は「0」からを原則とし軸を切らないなど）
  DS140強調表現がもたらす効果と、不適切な強調表現を理解している（計量データに対しては位置やサイズ表現が色表現よりも効果的など）
  DS141 1～3次元の比較において目的（比較、構成、分布、変化など）に応じ、BIツール、スプレッドシートなどを用いて図表化できる
  DS142 端的に図表の変化をアニメーションで可視化でき

• 内容紹介

  生成AIの発展とともに、データサイエンティストの役割は、ここ数年で大きく変わりました。
  従来求められてきた、「データを分析する力」、「分析を意味のある形で使えるようにするための力」に加えて、「戦略的にデータから価値を生み出す力」が問われるようなってきたのです。
  
  最新のデータサイエンティスト検定では、こうした変化に対応し、出題範囲の改訂が行われました。
  本書では、問われる項目をひとつひとつピックアップし、現場の第一線でで活躍する著者が詳しく解説しています。
  読み込めば読み込むほど力になる、試験対策のための一冊です。

• 著者について

  ディジタルグロースアカデミア
  「デジタルを武器に、人と企業が成長し、日本に変革をもたらす」をビジョンに掲げるデジタル人材育成企業。株式会社チェンジとKDDI株式会社の合弁会社として2021年4月に営業を開始。前身の株式会社チェンジでは、2013年より製造業や官公庁・自治体などを中心にデータサイエンス案件の受託や人材育成を運営。

最短突破 データサイエンティスト検定（リテラシーレベル）公式リファレンスブック 第4版 の商品スペック