構造化すれば怖くない 画像検索から始める木を見て森に入る勉強法

Transcript

1. 構造化すれば怖くない 画像検索から始める木を見て森に入る勉強法 株式会社キュービック テクノロジーエキスパートセンター Tech Lead/データエンジニア 尾﨑勇太 2025.06.05 開示範囲:公開ドキュメント 
 1
2. 自己紹介 2 株式会社キュービック 役割：Tech Lead/データエンジニア 名前： 尾﨑 勇太（おざき ゆうた） 覚え方：尾崎豊(おざきゆたか)と一字違い 業務領域 「データに関わる全て」
3. よくある課題 3 未開拓の領域のキャッチアップをするとき・・・ ・どこから手をつけて良いかわからない ・情報ソース・キーワードが分からない ・とりあえず手当たり次第に手をつける ・写経して謎の達成感
4. かなり時間が経ってから 4 最重要エッセンスをもっと早く知りたかった・・・・ ・そんな遠回りしなくてよかった ・一発で辿り着ける言葉があった ・必要な知識が限定的だった ・基礎からすぐ応用に行けた
5. 5 1年前に戻って 「強くてニューゲーム」 ができたらなぁ
6. 6 時を戻そう！！
7. 7 なんてことはできないので・・・
8. 8 構造化で逆算する方法を解説します
9. LT内容 9 1.画像検索から始めよう 2.構造化してみよう 3.優先度をつけよう
10. 10 そもそもなぜ迷子に なってしまうのか？
11. 11 GPSもなくゴールを目指している状態
12. 12 GPSがないとこうなりませんか？ 地点A 地点B 地点C 地点D
13. 13 木を見て森を見ず ▷物事の細部に気を取られて全体像を見失ってしまうことのたとえ いわゆる木を見て森を見ず
14. 14 そんな時は中継地点から探しましょう 地点A 地点B 地点C 地点D 中継地点 中継地点2 地点E でも現実問題は木を見つつ森も見たい時が多い！
15. 15 1.画像検索から始めよう 2.構造化してみよう 3.優先度をつけよう
16. データサイエンスの例 16 データサイエンス 統計学 記述統計学 推測統計学 AI,機械学習,ディープラーニング こういう分類ができると良いけど・・・・
17. 17 そんなの一発で わからない！！
18. 画像検索を活用しよう 18 画像検索は抽象化されたわかりやすい整理が多い 出典：Google画像検索 「データサイエンス分類」（2025年5月22日閲覧)
19. 共通項を見つけて整理しよう 19 1.出現回数の高い共通項を見つける 出典： Schoo データサイエンスとは？注目背景や必要知識をわかりやすく解説（2025年5月22日閲覧) 研究型データサイエンティストのブログ　データサイエンティストは２タイプ？ディシジョンサイエンティストとモデリングサイエンティスト（2025年5月22日閲覧)GETT Media DX/AI研 データサイエンスとは？データサイエンスの意味や活用事例を学ぼう（2025年5月22日閲覧)
20. 共通項を見つけて整理しよう 20 2.ざっくり整理する データサイエンス 統計学 情報工学
21. 21 1.画像検索から始めよう 2.構造化してみよう 3.優先度をつけよう
22. 今どの状態？ 22 これで進められそう？？ データサイエンス 統計学 情報工学
23. 23 中継地点がぼやっと見えたが経路が分からない 地点A 地点B 地点C 地点D 中継地点 中継地点2 地点E こんな状態
24. 24 順路を確認しましょう 地点A 地点B 地点C 地点D 中継地点 中継地点2 地点E なので！！
25. 25 構造化って難しい・・・生成AIを使いましょう データサイエンスに関して調べています。 統計と情報工学などのプログラミングが関係していることは分かっ たのですが もっと構造化して分類してみてくれませんか？
26. ここであきらめないで !! 26 うわぁああ何かいっぱい出てきた！！
27. 実はヒントが出ている !! 27 統計ってあったぞ！！
28. 28 見落としそうな時はもう一度試してみてください 構造化して
29. 29 実際にChatGptの回答を構造化してみます レベル1：目的(Why) レベル2：手段(How) レベル3： 基礎技術・知識(What) レベル4： ツール・ライブラリー (With What) 意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド（GCP/AWS） RDB（MySQL, PostgreSQL）, NoSQL（BigQuery, MongoDBなど） 公平性、バイアス、プライバシー保護、説明可能性（XAI） Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier
30. 30 何かできそうな気が してきた！！
31. 31 1.画像検索から始めよう 2.構造化してみよう 3.優先度をつけよう
32. 32 さらに整理します レベル1：目的(Why) レベル2：手段(How) レベル3： 基礎技術・知識(What) レベル4： ツール・ライブラリー (With What) 意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド（GCP/AWS） RDB（MySQL, PostgreSQL）, NoSQL（BigQuery, MongoDBなど） 公平性、バイアス、プライバシー保護、説明可能性（XAI） Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier ユースケース：何ができるのか？の部分 方法論：どうするか？の部分 道具：何を使うか？の部分 ▷まず必要なのはここ!! 道具の詳細：どの種類の何を使うか？の部分
33. 33 優先度をつけます レベル1：目的(Why) レベル2：手段(How) レベル3： 基礎技術・知識(What) レベル4： ツール・ライブラリー (With What) 意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド（GCP/AWS） RDB（MySQL, PostgreSQL）, NoSQL（BigQuery, MongoDBなど） 公平性、バイアス、プライバシー保護、説明可能性（XAI） Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier
34. 34 こんなにうまくでき るもの？？
35. 分からなくなったら画像検索を再活用しよう 35 最初よりも必要なキーワードが分かっている状態 出典：Google画像検索 「統計と機械学習の関係性」（2025年5月22日閲覧)
36. 再度共通項を取り出そう 36 どうやら機械学習は統計を基礎とした分野らしい 出典： Zenn 【図解】機械学習と統計学って何が違うの？（2025年5月22日閲覧) SE Book 機械学習エンジニアとして数学を理解しておきたい！ベクトルや行列を扱う線形代数学を学び直すために（2025年5月22日閲覧)
37. 37 もう一度生成AIも試してみてください 機械学習は統計学を基礎とした分野ですか？ 構造化して
38. 38 数学をなんとかした い。そんな時の裏技
39. 39 表計算ソフトは基本、最強なのでまず確認する 統計的な分析を行う上で数学は必要ですか？ス プレッドシートやエクセルで解決できません か？
40. 40 表計算ソフトは基本、最強なのでまず確認する ツール+統計知識でなんとかなりそう 数学やプログラミングの知識が必要
41. 41 やりたいことはプロ グラミングと数学が 必要なんだっけ？
42. 42 統計学を学んでおけば良い。数学や機械学習やプログラミングは後 レベル1：目的(Why) レベル2：手段(How) レベル3： 基礎技術・知識(What) レベル4： ツール・ライブラリー (With What) 意思決定支援 将来予測 パターン理解 異常検知 データ収集 前処理 分析・建模 評価・可視化 統計・数学 機械学習理論 プログラミング ソフトウェア技術 データベース 倫理・ガバナンス 可視化 統計・機械学習 データ基盤 自動化 KPI評価、A/Bテスト、介入分析 売上・需要・在庫・離脱率予測 ユーザー分類、行動パターン分析 システム異常、品質劣化、外れ値発見 API連携、Webスクレイピング、ログ収集、ETL処理 欠損補完、型変換、正規化、カテゴリ変換、系列生成 統計解析、機械学習、時系列解析、因果推論、クラスタリング ダッシュボード、レポート、指標算出、交差検証 記述統計、推測統計、線形代数、ベイズ統計、確率論、情報理論 決定木、SVM、線形回帰、ロジスティック回帰、ニューラルネットワーク Python, SQL, R, Shell, JavaScript 等 Git, Docker, API設計、クラウド（GCP/AWS） RDB（MySQL, PostgreSQL）, NoSQL（BigQuery, MongoDBなど） 公平性、バイアス、プライバシー保護、説明可能性（XAI） Tableau, Looker, Power BI, matplotlib, seaborn, Plotly pandas, scikit-learn, XGBoost, statsmodels, PyTorch, TensorFlow BigQuery, Redshift, Snowflake, Airflow, dbt GitHub Actions, Cloud Functions, Airflow, Make, Zapier
43. 43 これでいけるだろう か？最初の構造化が ミスってたら・・・
44. 44 構造化した後で Quick Winを積み重ねよう 地点A 地点B 地点C 地点D 統計学 小ゴール いきなり全部理解するなんて不可能！！ 表計算ソフトで統計分析ができる状態
45. 45 土台ができてより俯瞰して見れるように ▷必要な情報を逆算しやすくなる Quick Winを積み重ねると・・・ 中継地点 中継地点2
46. 46 土台をしっかり選んで迷わないようにしよう そのためにも
47. 47 まとめ 迷子にならないためには？　 ▷1.画像検索を活用する 　🉐抽象的な情報から共通項を抜き出して断片的に解像度を深める ▷2.構造化する 　🉐生成AIの力を借りつつ、共通項を体系的に分類/可視化する ▷3.優先度をつける 　🉐1,2を繰り返しながら解像度を上げつつ、目星をつける 最後に伝えたいこと ▷前提は時間の経過で変わるもの 　🉐学習計画を見直しつつ、Quick Winを積み重ねましょう
48. 48 ご清聴、ありがとうございました