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（技術評論社） [電子書籍]

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（技術評論社） の 商品概要

• 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。
  

• 目次

  第1章 DS検定とは
  
  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
  ･･･
  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
  ･･･
  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）
  ･･･
  第6章 数理・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
  6-1. 数理・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
  6-2-1. 社会におけるデータ・AI利活用（導入）で学ぶこと
  6-2-2. 社会におけるデータ・AI利活用（導入）で学ぶ／スキル知識
  6-2-3. 社会におけるデータ・AI利活用（導入）の重要キーワード解説
  6-3-1. データリテラシー（基礎）で学ぶこと
  6-3-2. データリテラシー（基礎）で学ぶスキル／知識
  6-3-3. データリテラシー（基礎）の重要キーワード
  ･･･
  データサイエンティスト検定TMリテラシーレベル模擬試験 問題・解答例
  

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（技術評論社） の商品スペック