当ブログにアクセスいただきありがとうございます🙇

今日は早起きできた

しかも眠くないなんでだろう部屋が暖かいからかな

洗濯物を干して、なかなか乾かないから、エアコン付けっぱなしで寝てしまったけれど

それが逆によかったんかな。（電気代が怖いけど…）

次からは起きる時間までに部屋を温めるためにタイマーセットしてみようかな

📝 使用教材と📗今日の学習内容 

　⭕学習時間：4:30～5:50

　⭕深層学習シラバス、最強テキスト、スッキリわかる　で 「ナイーブベイズ」等の章を学習。
　　分からないところはChatGPTに聞いて、暗記メーカーで問題作り

  💡 理解できたこと

• ナイーブベイズ
  ■どんな仕組み？
  　「特徴量は独立して働く」と仮定し、
  　"単語などの出現確率"から分類するシンプルな手法。
  
  ■例
  　・スパムメール判定（単語の頻度だけを見る）
  　・Web記事のカテゴリ分類
  　→単語の並び方や文脈は無視する（＝ナイーブ＝素朴）
  
  ■特徴　（メリット・デメリット）
  　ｰ 高速・軽量 （リアルタイム処理に強い）
  　ｰ データが少なくても学習しやすい
  　ｰ 前提が単純なので、精度は他モデルより劣ることも多い

• ニューラルネットワーク
  ■どんな仕組み？
  　人間の脳のように、
  　「入力 → 隠れ層 → 出力」の層を使ってデータの特徴を学習するモデル。
  　　・入力層：画像・音声などのデータを受け取る
  　　・隠れ層：特徴量を自動で学習　（これがPOWER）
  　　・出力層：分類・回帰などの結果を出す
  　　→ニューロン同士のつながりには「重み」があり、
  　　　この重みを調整しながら賢くなる。
  　　　ニューロンの出力には、シグモイド関数などの「活性化関数」が使われ、
  　　　これによって複雑なパターンを表現できるようになる。
  
  ■歴史
  　　・初期：入力層と出力層しかない「単純パーセプトロン」
  　　・発展：隠れ層を追加した「多層パーセプトロン」
  　　・重要発明：誤差逆伝播法（バックプロパゲーション）で学習可能に
  　　・しかし、当時はコンピュータ性能が低く、高精度を出せず一時停滞
  　　　→SVM等が主流の時期もあった。
  　　・さらに：隠れ層を増やしたディープラーニングが発明され、再び注目を集める

  ❌ 苦手・モヤモヤしたこと

• 「単純パーセプトロン」見たことある文字だと思ったら、過去に勉強したことが出てきた。
  覚えていなかったことが判明。問題を復習せねばと思った。

  🔁 対策・次にやること

• 教師なし学習

  🌼 今日のまとめ

• やっと教師あり学習が終わった。
• こんなに種類があるとは思わなかった。

今日も午後から勤務。それまでの間は、問題集を解きまくって

過去の勉強を少しでも思い出さないとダメだぁ・・・

今週は勤務時間調整で、午後から勤務！
（…ただし1日だけ朝から出社日があるけれど💦）

いつも通りに起きたけれど、冬だからなのか？とにかく眠い！💤

野生の本能なのか、冬眠しなきゃ…みたいな気分になる

なので、今日ははのんびり起きて、ゆったり勉強を開始しました。

とりあえず、なんとか"継続"できているぞ…！👏

📝 使用教材と📗今日の学習内容 

　⭕学習時間：9:00～11:30

　⭕深層学習シラバス、最強テキスト、スッキリわかる　で 「自己回帰モデル」などを学習。
　　分からないところはChatGPTに質問　→　暗記メーカーで問題作り

  💡 理解できたこと

• 自己回帰モデル（ARモデル）
  ■どんなモデル？
  1つの時系列データの"過去の自分"を使って、未来を予測するモデル。
  
  例
  　・今日の気温　→　明日の気温
  　・過去の売上　→　未来の売上
  
  ■対象となるデータ
  👉時系列データ　（時系列に沿って1つの対象を追うデータ）
  
  ※普通の回帰（単回帰・重回帰）で扱うのは
  👉横断データ（同じ時間に、たくさんのサンプルを並べたデータ）

• ベクトル自己回帰（VARモデル）
  ■どんなモデル？
  複数の時系列データを"同時に"扱い、互いの影響を含めて予測するモデル。
  
  例
  　・売上　×　広告費　×　気温
  　・株価　×　金利　×　為替
  　・血圧　×　体温　×　脈拍
  →全ての変数が互いに影響を及ぼすときに使う。
  
  🗨一言まとめ（AR vs VAR）
  　・AR：ひとり（1本）で過去の自分を参考に未来を予測
  　・VAR：グループ（複数本）でお互いの過去を参考に未来を予測

• K近傍法（k-NN）
  ■どんな方法？
  未知のデータが来たとき、近くにある"K個のデータ"を見て分類／予測する手法。
  イメージ：「近いデータは似ているハズ！」
  
  　・学習時： データを覚えておくだけ（ほぼ何もしない）
  　・予測時：距離の近いものを探して、分類なら多数決 or 回帰なら平均
  
  ■メリット
  　・シンプルで理解しやすい
  　・学習がほぼ不要（保存するだけ）
  
  ■デメリット
  　・予測が遅い（全部との距離を計算するため）
  　・Kの設定で結果が変わりやすい
  　・クラス不均衡に弱い
  　・高次元データに弱い（次元の呪い）
  　・スケールが違うと距離がおかしくなるので標準化が必須
  
  ■活用例
  　・レコメンドエンジン　（似ているユーザを探す）
  　・異常検知（近くに仲間がいない点は、"異常"と判断）
  　・画像分類の簡易モデル

  ❌ 苦手・モヤモヤしたこと

• メリット／デメリットの整理は暗記メーカーで繰り返し復習が必要
• 他の手法との違いを頭に入れるのがまだ曖昧

  🔁 対策・次にやること

• 教師あり学習（ナイーブベイズ・ニューラルネットワーク）

  🌼 今日のまとめ

• VARモデルの「お互いに影響し合う」考え方は面白い
• どの手法も比較してみると特徴がハッキリしてきた

今週は、午後勤務だからのんびり勉強できているけれど
来週からはまた通常勤務…。

朝勉のリズムを戻していかないと、

また勉強の時間が減ってしまいそうで心配💦

なんとか睡魔に勝ちたいなぁ・・・！😴

当ブログにアクセスいただきありがとうございます🙇

土曜日はデフリンピックを見に、

日曜日は5年ぶりに会う友人たちとBBQへ。
友人のお子さんとずっと鬼ごっこやかくれんぼして

もうヘトヘト…

でも良い運動になったかな笑

📝 使用教材と📗今日の学習内容 

　⭕学習時間：9:00～11:30

　⭕深層学習シラバス、最強テキスト、スッキリわかる　で 「サポートベクトルマシン」の章を学習。
　　分からないところはChatGPTに聞いて、暗記メーカーで問題作り

  💡 理解できたこと

■サポートベクトルマシン（SVM）とは何か？
🗨一言：
　データを"できるだけ広い間隔（マージン）"で分ける分類器。
　ディープラーニングが登場する前は、最強クラスの手法。

■マージン最大化とは？
　SVMが目指すことは一つ👇
　　→2つのクラスの間の境界線（線・平面）を、データから最も遠ざけるように引くこと。
　これを「マージン最大化」

■線形で分けられる？　→　ハードマージン／ソフトマージン
　ここで、「現実のデータはきれいに分かれない」問題が出てくる。

　　◎ハードマージンSVM
　　　・誤分類を一切許さない
　　　・すべての点を線形にきれいに分離しようとする
　　　・実用データではほぼムリ

　　◎ソフトマージンSVM
　　　・少しの誤分類を許容する
　　　・「どれくらい侵入OKか」をスラック変数で調整
　　→実用ではこちらが主流
 

■線形じゃムリなとき　→　非線形SVM
　現実のデータはぐちゃっと混ざっていて、線では分けられないことが多い。
　　（例：丸の中に、三角が散らばっているようなパターン）
　→線形SVMでは限界。

■そこで登場：カーネル法（SVM最大の発明✨）
　データを"高次元空間に写像"して、
　そこで「線で分けられるようにする」技術。
 

　2次元で分けられなくても、
　3次元に持ち上げると分けられることがあるイメージ。

■カーネル法の中身
　◎カーネル関数
　　→高次元に写像したように扱える「裏技関数」
　◎カーネルトリック
　　→実際に高次元を作らずに、
　　　高次元と同じ計算結果だけを得る"魔法の仕組み"

　🗨一言でいうと。。。
　　カーネル関数＝"道具"
　　カーネルトリック＝"道具の使い方"

  ❌ 苦手・モヤモヤしたこと

• カーネル関数とカーネルトリックがまだ曖昧。

  🔁 対策・次にやること

• 自己回帰モデル
• 教師なし学習

  🌼 今日のまとめ

• SVMは、ディープラーニング登場前の"最強の手法"
• とくに「カーネル法」という発明の力が大きかった。

金曜日も出社だったので、ブログを3日ほど放置しちゃった

「続くのかな…？」とちょっと心配だったけれど、

なんとか今日復活できて良かった

遅めの復活だけど、明日も続けられるかなぁ…

でも、少しずつ積み重ねていきたい。

当ブログにアクセスいただきありがとうございます🙇

昨日は、出社日。朝のべんきょうの時間が少ししかとれなかった💦

今日は在宅なので、久々にのんびり。

…なんだけど。

起きる時間が遅くなった！

寒いと布団から出られなくなるんだよなぁ⛄

どうやったら、布団からぱっと起きられるんかなぁ！？😭

厚着して寝れば起きられるのかしらん？🤔

📝 使用教材と📗今日の学習内容 

　⭕学習時間：11/19　4:55～5:20　＋　11/20　6:30~8:20

　⭕深層学習シラバス、最強テキスト、スッキリわかる　で
　　「ランダムフォレスト」「ブースティング」の章を学習。
　　分からないところはChatGPTに聞いて、暗記メーカーで問題作り

  💡 理解できたこと

⭕決定木 （Decision Tree）
👉もし～なら→こう を繰り返す「質問の木」
　💭例：
　　・気温が高い　→　アイスを買う
　　・気温が低い　→　アイスを買わない
　→1本の決定木　＝「1人の先生の意見」のイメージ

⭕ランダムフォレスト （Random Forest）
👉たくさんの決定木（先生）に学習させ、最後は「多数決」で予測する方法
　（だから"Forest＝森"🌳」

📌 決定木は1本だと“過学習しやすい”モデル
　同じ特徴量や同じデータだけで学習すると、木の構造がほぼ同じになり、
　どの木も同じような判断をする
　→　つまり「多様性」が足りず、間違いやすくなる。

➤そこで『ランダム』を使う理由
工夫①：各決定木に使う「特徴量」をランダムにする

• 先生Ａ：年齢・身長を使う
• 先生Ｂ：体重・食事量を使う
• 先生Ｃ：性別・活動量を使う

→さまざまな視点の先生を作って、過学習を防ぐ✨

工夫②：使うデータもランダムにする

👉ブートストラップサンプリング

• 全データから「重複ありでランダム抽出」
  　※重複あり＝同じ人のデータが２回入ることもある
• 各決定木が違う経験をして育つ

→さらに多様性アップ！

💡一言でいうと
ランダムフォレスト
　＝ （違うデータ＋違う特徴）で多様な決定木を育て、最後は多数決で予測する強力なモデル。

⭕ アンサンブル学習（Ensemble Learning）
👉複数のモデルの結果を合わせて精度を上げる考え方。
　ランダムフォレストは、アンサンブル学習の一種
　　例：1人の先生より、10人の先生の意見のほうが正確

⭕ ブートストラップサンプリング
👉データを「重複あり」でランダム抽出し、木ごとに違うデータを与える

⭕ バギング（Bagging）
👉並列に作った複数のモデルの結果を平均／多数決する方法。

　※ランダムフォレスト＝ バギング＋特徴量のランダム化

⭕ブースティング（Boosting）
👉モデルを"順番に（直列で）"作っていく方法。
　前のモデルが苦手だったデータを、後のモデルが重点的に学習する。
 

　・AdaBoost
　　　　前のモデルが間違えたデータの重みを増やし、次のモデルがそこを重点的に学習。

　・勾配ブースティング

　　　　前のモデルの「誤差」を学習するように、次のモデルを作る。
　・XGBoost

　　　　勾配ブースティングを効率化・高速化したもの

　　⚠欠点
　　　　・モデルが「直列」でつながっているため、時間がかかりやすい

　　🌟良いところ
　　　　・高い精度が出やすい（実務でも強い）

💡一言で言うと

バギング　　　：たくさんのモデルを同時に（並列）学習して、平均/多数決。

ブースティング：モデルを順番に（直列）作り、それぞれが前の弱点を補う。

  ❌ 苦手・モヤモヤしたこと

• バギングとブースティングの違いが分かったが、どちらが並列でどちらが直列なのか混乱しそう。
  暗記メーカーで復習しなきゃと思った。

  🔁 対策・次にやること

• サポートベクターマシンに入る！

  🌼 今日のまとめ

• ランダムフォレストは「違うデータ＋違う特徴量」で多様性を作り、
  多数決で精度を上げる仕組み。
• ブースティングは、"直列"にモデルを積み上げ、
  前の誤りを後のモデルが補っていく強力な方法。
• バギング（並列）vs　ブースティング（直列）の違いを理解できたので、
  あとは問題演習で固める！

朝の勉強時間が減ってしまっている…💦

もうちょっと勉強のスピードを上げないとだなぁ。

資格をたくさん取っている人って、どうやって勉強しているんだろうなぁ…

秘訣を教えて欲しいぃぃぃぃぃ！！！！

昨日は2週に1回の通院。

まだお薬は安定しない。症状が2週間の間にいろいろ変わる。

前回もらった薬は、朝・昼に飲むとすごい睡魔が来るので嫌だ、と伝えて

別の薬に変えてもらった。

けど、昨日は通院だけですごく疲れてしまった。

帰ってからもずっと寝ていた。

たっぷり寝られたからかな？

今日はなんとなく良い感じ♪

📝 使用教材と📗今日の学習内容 

　⭕学習時間：11/17（月）5:00～7:00＋11/18（火）6:20~7:25

　⭕Udemyで関連のあるセクションを見直し

　⭕深層学習シラバス、最強テキスト、スッキリわかる で「ロジスティック回帰」の章を学習
　　分からないところはChatGPTに聞いて、暗記メーカーで問題作り

  💡 理解できたこと

✨ロジスティック回帰とは

　・2クラス分類(Yes/No、合格/不合格など)を確率で予測する手法
　　出力は、「0～1の確率」になる。

🔢ロジスティック回帰の入力（特徴量）
　特徴量の例：

　　・x₁　：勉強時間（時間）
　　・x₂　：睡眠時間（時間）

　　・x₃　：集中度（0～10点）

　それぞれの特徴に"重み（a₁、a₂、a₃）"が付く

🔧ロジスティック回帰の仕組み（式の流れ）

① まず、zを計算する

• ｚ ＝ ａ₁ｘ₁＋ａ₂ｘ₂＋ａ₃ｘ₃＋ｂ

意味：
　・a：各特徴量の「重み」

　・b：バイアス（基準）

②シグモイド関数に通して"確率（0～1）"に変換する

これで
「合格する確率は何％？」
という確率が求まる。

🧮 具体例：合格確率を計算してみる

📌 入力の例

　ｚ＝0.8ｘ₁ ＋ 0.5ｘ₂ ＋ 0.3ｘ₃ ｰ 5

　　（※0.8 等の数値は、"重みの例"）

　ｚに代入して計算
　ｚ＝0.8×5 ＋ 0.5×7 ＋ 0.3×8 ｰ 5
　　＝4.9

📈 最後にシグモイド関数へ

※eは、ネイピア数(約2.71828....)。

計算すると…

👉合格確率：約99.3％✨

📝 補足：各パラメータの意味

💭一言まとめ

ロジスティック回帰は

　「特徴量から “確率” を予測する仕組み」

線形結合（z） → シグモイド関数 → 確率

というシンプルな流れでスマートに分類

✨ソフトマックス関数とは

「Ａ・Ｂ・Ｃ…全部のクラスの確率をまとめて出す」
👉「得点（スコア）を全部"確率"に変える魔法」。多クラス分類の確率を出す関数

　例：ケーキ・プリン・アイスのうち、「どれが選ばれそう？」を確率出だす。

　　・ケーキ：0.65
　　・プリン：0.23
　　・アイス：0.12

　こんな風に、全部の確率を"足したら1になる"ように変換してくれる。

💭一言まとめ

　・多クラス分類に必須
　・1つだけでなく、全ておクラスに確率を割り振る
　・確率の合計を必ず1にする

  ❌ 苦手・モヤモヤしたこと

• 暗記メーカーや章末問題を解いて、スッキリした感じ♪

  🔁 対策・次にやること

• サポートベクトルマシン

  ✏️ メモ・気づき

• やっとテキストに載っていた式の意味が分かった。
  けど「式を解け」という問題は出ないらしい・・・😭
• でも、どうしてこの式になるのか理解できたので、良しとしよう

  🌼 今日のまとめ

• 今回のはちょっと時間をかけすぎてしまった
  この調子だと間に合わなくなりそうなので、
  もう少し勉強の工夫が必要だなと感じた
• チャッピーに聞いて、式そのものを解く問題は出ないと分かったので
  まずは「式の意味を理解できるレベル」を目指したい

G検定で大きな壁にぶつかったけれど、

なんとか乗り越えられて良かった。

でも、これは本の序章にすぎないと思う。。。

これからまた何度か壁が出てきそう💦

頑張って乗り越えなきゃぁ・・・

続くかなぁ・・・

二度寝三度寝までした。だからなのか？

困った。

今日はなぁんにもやる気が起きない

チャッピーに相談しようと思ったけれど、

この前も相談したばかりだしなぁ…

とりあえず、机に向かってテキストを開く。

でも、眠い

分からないところをチャッピーに聞いてみる。

でも、眠い

Udemyを見てみる。

でも、それでも眠い

あ”ーーー、ダメだっ！

勉強やめて、服の整理でもしようかと思ったけれど、

服を取り出しただけで力尽きた

ベッドの上には服が山盛り…。

今夜はテニススクールがあるというのに

終わったらバターンキューする予定なのに…

こんな状態じゃぁ…もぅむりぃ…

さて、どうしようか…
 

当ブログにアクセスいただきありがとうございます🙇

今日は急に出社になった！

だからなのか、いつもより早く目が覚めてしまって、思い切って早朝勉強
朝の静けさの中でノートを開くと、少しだけ気分が整う気がする。

📝 使用教材と📗今日の学習内容 

• 学習時間：3:30〜5:00

• 使用教材：深層学習シラバス、最強テキスト、スッキリわかる

• 学習範囲：「ロジスティック回帰」の章

• 分からないところはChatGPTに質問、暗記メーカーに登録（でも復習はまだ💦）

  💡 理解できたこと

• ロジスティック回帰はなんとなく掴めた。
  入力から出た値をS字カーブ（シグモイド関数）で0〜1に変換して、
  その値を確率として扱う――という考え方は理解できた。
  「2クラスを確率で分類する」という感覚もイメージできた気がする。

  ❌ 混乱しているところ

• ソフトマックス回帰がどうもつかめない…
  「3クラス以上の分類に使う」と書いてあるけれど、
  テキストによって式や説明が少し違っていて、読むほど混乱中。
  特に「出力が確率で合計1になる」と言われても、
  どうやってそうなるのか、まだピンときていない

  🔁 明日の作戦

• チャッピーに「ロジスティックとソフトマックスの関係」を
  もう一度聞いて整理する。

• テキストの例題を読み直して、「式の形」ではなく
  「やりたいこと」に注目してみる。

• 「確率の合計が1になる」という部分を図で確認して理解したい。

  🌼 今日のまとめ（ひとこと）

ロジスティック回帰までは“ふんわり理解”できたけれど、
ソフトマックス回帰は“ふんわりすらしていない”状態
でも、ここがちゃんと分かれば次の「分類モデル」の理解が一気に楽になるはず。。。

焦らず、明日はゆっくり“もう一度かみ砕く日”にします💪

出社すると、なんだか気持ちがそわそわして集中できない
やっぱり在宅のほうが落ち着くなぁ…
今日は早く帰ってお風呂にゆっくり浸かって、
頭の中の“ソフトマックスもやもや”をリセットしよう♨️

当ブログにアクセスいただきありがとうございます🙇

今日は寝坊しちゃった。

早く寝たつもりだったけれど疲れが溜まっていたのかな？

それとも、別ブログで見た太陽フレアのせいかな！？

でも、たっぷり寝られたおかげが、
昨日の朝よりはスッキリしてる気がする
今日はどんな1日になるかなぁ。

📝 使用教材と📗今日の学習内容 

　⭕学習時間：6:40～8:15

　⭕深層学習シラバス、最強テキスト、スッキリわかる　で 「線形回帰」の章を学習。
　　分からないところはChatGPTに聞いた。暗記メーカー作れず…夜にやらなきゃ！

  💡 理解できたこと

• 線形回帰（linear regression）
  以下の2つに分けられる
  　ｰ 単回帰分析（Simple Linear Regression）
  　ｰ 重回帰分析（Multiple Linear Regression）
   
• 単回帰分析　（Simple Linear Regression)
  原因が1つの時の線形回帰。
  原因（説明変数）と結果（目的変数）の関係を１本のまっすぐな線で表して予測する方法
  💭例：テストの点数を予測したい。
  　　勉強時間をx（説明変数）、テストの点数をy（目的変数）とすると、
  　　式は「ｙ＝ax ＋b」で表される。
  　　　・"a：傾き（勉強時間を１時間増やすと、点数がどれくらい上がるか）"
  　　　・"b：切片（勉強時間が０でもとれる点数）"
  💭例：y＝10x ＋ 50
  　　勉強時間（x）が1時間→点数（y）60点
  　　勉強時間（x）が2時間→点数（y）70点。
  　　👉 勉強時間が1時間増えるたびに、点数が10点上がることが分かる。
  🧠一言で言うと
  　　まっすぐな線で、"未来の数値"を予測する📈
   
• 重回帰分析（Multiple Linear Regression）
  原因が2つ以上の時の線形回帰。
  複数の原因（説明変数）から、1つの結果（目的変数）を予測する方法
  💭例：テストの点を予測したい。
  　　勉強時間をx₁、睡眠時間をx₂、授業出席率をx₃、テストの点数をy（目的変数）とすると
  　　式は「y＝a₁x₁＋a₂x₂＋a₃x₃＋b」で表される。
  　　　・"a：各要因の影響の強さ（偏回帰係数）"
  　　　・"ｂ：切片（すべてのxが0の時の基準値）"
  💭例：y＝8x₁＋5x₂＋2x₃＋40
  　　勉強時間（x₁）が1時間増えると点数が8点上がる　→この「8」を偏回帰係数、という。
  　　睡眠時間（x₂）が1時間増えると点数が5点上がる
  　　出席率（x₃）が10％上がると点数が2点上がる
  　　b（基準点）は、何もしなくてもとれる点数40点
  🧠一言でいうと
  　　「1本の線」ではなく、「平面（または多次元）」で予測する📈
   
• ⚠多重共線性
  　　複数の原因（説明変数）同士が、強く似た動きをしている（相関している）状態のこと。
  💭例：x₁＝勉強時間（時間）、x₂＝自習時間（時間）
  　　→ほぼ同じ事を測っている。
  　　「勉強時間が長い人は自習時間も長い」＝似た情報が重なっている。
  ❓なぜ問題？
  　　　ｰ 「どっちが本当に点数に影響しているのか？」分からない
  　　　ｰ 「偏回帰係数（a₁、a₂など）が不安定になり、信頼できなくなる
  　　　ｰ 結果として、「モデルが正確に解釈できない」
  🧠一言で言うと
  　　　似た説明変数をたくさん入れると、AIが混乱する
   
• 相関が高い
  　変数同士の相関係数を計算した結果、相関係数が1またはｰ1に近い場合をいう。
  　相関係数：記号で書くと『ｒ』　そして、ｒの値はｰ1～＋1の間。
  　　ｰ r が+1.0に近い　→　一方が増えると、もう一方も増える（正の相関）
  　　ｰ r が0に近い　　  →　関係がない　（無相関）
  　　ｰ r が-1.0に近い　 →　一方が増えると、もう一方は減る（負の相関）
  🧠一言で言うと
  　　　「r のプラス・マイナスが関係の向き、数値の大きさが関係の強さ」📊
  💡つまり、「r が+1や-1に近いほど、2つの変数は"一緒に動いている"」ということ。
   
• 相関と因果の違い
  　⚠相関がある＝因果がある、ではない！
  　ｰ相関 … 「AとBが一緒に変化している」という観察上の関係。
  　　　例：勉強時間が長い人ほど点数が高い。
  　　　　　→これは「関係がありそう」という統計的な傾向を示すだけ
  　ｰ因果 … 「AがBを引き起こしている」という原因と結果の関係。
  　　　例：勉強時間を増やすと点数が上がる（＝勉強が原因）。
  🧠一言で言うと
  　　　相関は「一緒に動く」だけ
  　　　因果は「AがBを引き起こす」こと
  💡試験でるフレーズ例
  　　「相関が高いからと言って、因果関係があるとは限らない」　→　✅正しい

  ❌ 苦手・モヤモヤしたこと

• なんとな～く分かってきたけれど、相関と因果の違いの例の問題を出されたら
  混乱しそうな気がする

  🔁 対策・次にやること

• ロジスティック回帰　（式が出てきて複雑そう…）

  🌼 今日のまとめ

• 線形回帰は「原因（説明変数）」と「結果（目的変数）」の関係をまっすぐな線で
  表す方法。
• 単回帰は1つの要因、重回帰は複数の要因で結果を予測する。
• 相関は「一緒に動く」だけで、因果とは違う。近藤しないように注意！

昨夜は、久々に録画して溜めていたドラマを見た。
キュンキュンしたり、ハラハラしたり、久々に感情が忙しかった笑

明日は「ロジスティック回帰」へ！📘
名前からしてちょっと難しそうだけど、コツコツ整理しながら学んでいこうと思います💪

当ブログにアクセスいただきありがとうございます🙇

久々の在宅勤務。今日はとくに予定もなし。

 久々にゆっくりできるぅ～♪

昨夜は、週１の整骨院。

自律神経失調症の影響なのか、うつ病の影響なのか、

季節の変わり目の影響なのか分からないけれど、

普段から自分は呼吸が浅いのだそう。

だから首や肩が硬い、と先生に言われた。

時々、意識して深呼吸をするように勧められた。

首に貼ってあるテーピングを外すと、

歯を食いしばってしまったり、呼吸がしにくくなるから

今回もまた、いつものように首にテーピングを貼ってもらった。

これで、また今週も呼吸が楽になりそう🤗

📝 使用教材と📗今日の学習内容 

　⭕学習時間：5:30～8:30

　⭕深層学習シラバス、最強テキスト、スッキリわかる　で 「機械学習の具体的手法」の章を学習。
　　分からないところはChatGPTに聞いて、暗記メーカーで問題作り

  💡 理解できたこと

• 🎯機械学習の目的　(＝AIで何をしたいのか？)
  「何を目的に使うのか」という視点でも分類👇
  • 📈回帰予測(Regression)
    　👉 数値を当てたい！
    　💭 例：「明日の気温」「来月の売上」を予測する」
    　　　　➡ 数値を予測するから「回帰」と呼ぶ
  • 😸分類 (Classification)
    　👉 種類を当てたい！
    　💭 例：「写真の中の動物が猫か犬かを見分ける」
    　　　　➡ カテゴリ（グループ）を判別するから「分類」
  • ⚠異常検知　(Anomaly Detection)
    　👉 変なものを見つけたい！
    　💭 例：「クレジットカードの不正利用を検出する」「センサー値の異常を見つける」
    　　　　➡ 通常と違うパターンを発見する
     

　　🌱補足
　　　これらは「AIをどう使うか（目的）」の分類。
　　　どの学習タイプ（教師あり・教師なしなど）を使うかは、
　　　目的やデータの性質によって後から決まることが多い

• 🧭機械学習の代表的な手法　(＝AIがどう学ぶか)
  「どうやって学ぶのか」という視点での分類👇
  • 📘教師あり学習
    　👉 正解を教えてもらって学ぶ
    　💭 例：「猫」と「犬」の画像を見て分類を学習する
    　➡ 与えられたデータ(入力)とその「正解(出力)」の組み合わせを基に、
    　　 未知のデータの出力を識別・予測するもの。　　　　　　　
  • 📗教師なし学習
    　👉 正解がなく、自分でグループを見つける
    　💭 例：似た購買パターンの顧客をグループ化する(クラスタリング)
    　➡ 入力データのみを使い、データの構造や特徴を自動的に見つける。　　　　　　　
  • 📙半教師あり学習
    　👉 正解が付いているデータは少しだけ。あとはAIが自分で学ぶ。
    　💭 例：10万件データのうち、正解ラベルがあるのは1,000件だけ、等
    　➡ 「教師あり学習の正確さ」と「教師なし学習の自由さ」を両立させる方法。
    　　　正解データが少なくても、未ラベルのデータを活かして学習できる。
    　🌱身近な例：
    　　　画像判定や医療データなど、すでにラベルを付けるのが大変な分野で使われている。
  • 🎮強化学習
    　👉 試して褒められて学ぶ
    　💭 例：ゲームで勝てばプラス点、負ければマイナス点で学ぶ(例：AlphaGo)
    　➡ AIが「行動」を繰り返し、報酬をもとに最適な戦略を学ぶ。

• 👀機械学習（とくに第３次AIブーム）が急激に発展した理由
  • ハードウェアの性能向上（GPU）
    • 以前はCPUでしか計算できなかった思い処理（膨大な行列計算）
      ➡ GPU（画像処理用チップ）で、並列処理ができるようになった。
      👉 ディープラーニングの学習時間が劇的に短縮
  • データ量の爆発（ビッグデータ）
    • インターネット・スマホ・IoTが普及
      ➡ 「画像・音声・テキスト・ログ」等のデータが大量に収集可能になった。
      👉 ディープラーニングは、データが多いほど性能が上がるため
      　　この環境が整ったことで一気に花開いた。
  • アルゴリズムの改善（ディープラーニング構造）
    • 「誤差逆伝播法」や「勾配降下法」などの基本手法に加え、
      畳み込みニューラルネット（CNN）やAttention／Transformerなど
      ➡ 新しい構造（アーキテクチャ）が次々に登場。
      👉 より深いネットワークでも学習が安定して進むようになった。
  • 開発環境の進化　（Pythonなどのオープンソース）
    • Python言語は、構文がシンプルで、文系の人でも理解しやすい
    • ライブラリ（機能パッケージ）が充実していて、専門知識が無くても
      高度なAIが使える
      👉 これらが全て「無料＆共有（オープンソース）」で使えることが、
      　　世界中の研究者・開発者を一気に巻き込んだ。

　　　　🧠一言でまとめると…

　　　　　「AIが賢くなった」というより、
　　　　　「AIを動かせる環境が整った」ことがブームを後押しした。

  ❌ 苦手・モヤモヤしたこと

• 「半教師あり学習」のイメージがまだ曖昧
• 「機械学習の目的」と「手法」の分類を整理しておきたい。

  🔁 対策・次にやること

• 「教師あり学習」の代表的な手法（回帰・分類など）を詳しく学ぶ
• それぞれの"代表アルゴリズム"の仕組みをざっくり整理する。

  🌼 今日のまとめ

• 「AIがどう学ぶか」を整理してみたら、意外と“人間の学び方”に近いと感じた。
  まずは正解を教わって学び、いずれ自分で見つけていく──AIも人も同じなんだなぁ。

今日は良い天気！
外には出ないけど（どんだけ引きこもり！？）、、、洗濯物干さなきゃね！💦

買い物は・・・今度でで良いかなぁ～🛒

当ブログにアクセスいただきありがとうございます🙇

今日はポッキーの日！！　＃ポッキーの絵文字ないなぁ。。。

昨日も出社。そいで、今日も出社！

でも、今日を乗り切れば、あとは在宅！

＃どんだけ引きこもりなんだろう…（ますます運動不足になりそう）

昨日は朝弁🍙、じゃなくて朝勉できなかったので、夜にビジネス会計の勉強を…

前に「はじまり、はじまり～」なんて言ってから、暗記メーカーで問題を入れただけで

実は少ししかテキストを開かなかった…

ようやく再スタートです！

📝 使用教材と📗今日の学習内容 

　⭕学習時間：11/10(月)　19:30～21:00

　⭕使用教材：『簿記学習者のためのビジネス会計検定試験3級テキスト＆厳選過去問』

　📘第１章　貸借対照表
 

💡 理解できたこと

　　前に勉強したときは“なんとなく”で覚えていたけれど、

　今回テキストを変えて読んでみたら、意味がスッと入ってきた。

　「あぁ、そういうことか！」って納得する瞬間がいくつもあった。

　貸借対照表の“左右の関係”がようやくつながった気がする。　（←今更！？

❌ 苦手・モヤモヤしたこと

　・「借入金」「未払金」「買掛金」など、負債の分類がまだあいまい

　・“資産”と“費用”を混同してしまうときがある

　・用語のニュアンスが似ていて、整理しきれていない

🔁 次にやること

・第１章をもう一度軽く読み返して、用語を暗記メーカーに登録。

・「流動資産」「固定資産」など、項目ごとに分類表を作って整理する。

・できれば、ミニ仕訳問題にも少しずつ慣れていく💪

仕事から帰ってきて勉強できる人って本当に尊敬する…！

今のところ、自分は、、、正直まだできていない…

でも、「３週間続けると習慣になる」って聞いたから

まずは夜３０分だけでも、机に向かう習慣をつけてみようと思う。

果たして、どこまで続くのか…？