1からだと挫折しやすいデータサイエンスの学習を現役データサイエンティストが伴走します。一緒に学んでいくスタイルです。
依頼者様が気になっている項目や書籍を選び学習していきます。
また具体的な候補がない。または自分の中で整理できてない。といった場合はヒアリングし候補を提示いたします。
■背景
社会人になってからの学習は独学でやることも少なくないと思います。
ですが私は先輩と学習を進める中で、実務の視点や自分にはない知識などより広い角度からそしてより深く学習を進めることができ、効果的な学習になったと感じました。
一人では誤った学習になり効果が低かったり、実務視点が足りず身になりにくいこともあります。
またこれらに加えて、学習範囲が広いため途方に暮れ挫折に繋がることもあるかと思います。
そこで私が効果のある学習、そして学習の継続のお役に立てればと思っております。

■学習方法：学習図書を用いて一緒に学習。私と交互にアウトプットを兼ねて週一で学習内容の共有。
■レベル感：初中級レベルの学習
■対象分野：データサイエンス
理論でも言語でもデータサイエンスに関連するものの中で希望するものを学んでいきましょう。
初心者の方には初めは全体感の理解のために、広く浅く進め、その後に各項目を深めることを想定してます。
⚫︎理論の候補（例）
1. データの構造把握・パターン発見（主に教師なし学習）
正解となるデータがなく、データそのものの特徴や法則性を見つけ出す手法です。
* クラスタリング（Clustering）: 似たもの同士をグループ分けする手法。顧客セグメンテーションなどに使われます（K-means法、階層型クラスタリングなど）。
* アソシエーション分析（バスケット分析）: 「Aを買う人はBも買う」といったデータ間の相関ルールを発見する手法。ECサイトのレコメンドや小売店の棚割りに活用されます。
* 主成分分析（PCA）: 多くの変数（次元）を持つデータを、情報量をなるべく落とさずに少ない変数に圧縮する手法。データの可視化や機械学習の前処理に使われます。
2. 数値の予測・カテゴリの分類（教師あり学習）
過去の「正解」データをもとに学習し、未知のデータに対して予測や分類を行う手法です。
* 回帰分析（Regression）: 売上や価格など、連続する数値を予測します。
* 線形回帰: 最も基本的な、直線で関係性を表す手法。
* ロジスティック回帰: 「買うか/買わないか」などの確率を予測する（名前に回帰とつきますが分類に使われます）。
* 決定木・アンサンブル学習: ツリー構造で条件分岐を行い、分類や回帰を行います。
* ランダムフォレスト: 複数の決定木を組み合わせて精度を高める手法。
* 勾配ブースティング（XGBoost, LightGBMなど）: 実務やKaggleなどのコンペティションで非常に高い精度を誇り、頻繁に利用されます。
3. 時間的変化の予測（時系列分析）
過去から現在までの時間の流れを持ったデータを分析し、将来を予測します。需要予測や在庫最適化に不可欠です。
* ARIMAモデル: 過去の値とその誤差から将来を予測する伝統的な手法。
* 状態空間モデル: データに潜む「見えない状態（トレンドや季節性）」を推定する手法。
* Prophet: トレンドや季節性、休日の影響などを柔軟に組み込める予測モデル。
4. 効果検証・意思決定（因果推論・統計的検定）
「その施策（広告など）が本当に効果があったのか」を科学的に証明するための手法です。マーケティング領域では特に重要視されます。
* A/Bテスト（仮説検定）: 2つのパターンのどちらが優れているかを統計的に判断します。
* 傾向スコアマッチング: バイアスを取り除き、施策を受けた群と受けなかった群の条件を揃えて効果を比較します。
* 差分の差分法（DID）: 施策前後での変化量の差を見ることで、純粋な施策効果を推定します。

⚫︎言語・エンジニアリング
Python、R、SQL
Git

■料金
１週間コース：5000円
２週間：10000円
。。。

１週間で書籍のうち１パートをすすめるイメージです