Kaggle、
とりあえず1周してみる。

そもそも、Kaggleって何?

ひとことで言うと、世界中の人が「同じデータ・同じ問題」に取り組んで、予測の良さを自動採点で競い合ったり学び合ったりできる場所です。2010年創業、2017年からGoogleの傘下。データサイエンス界では知らない人がいないほど定番の存在です。

なぜこんな場所が存在するの?

関わる三者それぞれに"うれしい"があるからです。

• 課題を出す側(企業・研究者) … 手元の難問とデータを公開すれば、世界中の頭脳が解きにきてくれる。優秀な人材も見つかる。
• 挑む側(あなた) … 教科書と違って本物のデータが手に入り、提出すればすぐ点数(答え合わせ)が返り、しかも上位者が解法を公開してくれる。独学の3大不足(データ・フィードバック・お手本)が全部そろう。
• コミュニティ全体 … みんなが解法を共有し合うので、界隈ぜんたいの実力が底上げされていく。

Kaggleは「1つのサイト」に見えて、実は5つの部屋がある

Kaggleを初めて開くと情報が多くて圧倒されますが、機能はざっくり5つに分けられます。これだけ覚えれば迷いません。

ゲームみたいに「ランク」が上がっていく

Kaggleのモチベの源が称号(Tier)です。Novice → Contributor → Expert → Master → Grandmaster の5段階があり、しかも Competitions / Notebooks / Datasets / Discussions の4分野それぞれ独立して進みます。

• Contributor になる条件はやさしく、「プロフィール入力・スクリプト実行・コンペ初提出・コメント投稿」など基本操作を一通りやるだけ。このラボのゴールがまさにここです。
• Expert 以上からは メダル(銅🥉/銀🥈/金🥇) が必要になります。メダルはコンペ順位・Notebookやコメントへの高評価(upvote)で獲得します。

実際に登録してみよう(5分)

ここは実際にブラウザで作業してください。

1. kaggle.com を開き Register → Googleアカウント等で登録。
2. プロフィールの表示名を設定(後で変えられます)。
3. 電話番号認証(Phone Verify) を済ませておく。これで GPU/TPU・インターネット接続・Submit が解禁されます。Settings → Phone Verification から。これをやらないと後のコース2/3で詰まります。

済んだらチェック ✓

• アカウントを登録した
• 表示名を設定した
• 電話番号認証を済ませた(GPU/Submitが解禁)

上部メニューだけ覚えれば迷子にならない

画面左上のメニューが5つの部屋の入り口です。最初に触るべき場所はここ:

• Competitions → 「Getting Started」タブ … 初心者向けの練習用コンペが並ぶ。Titanicはここ。
• Code(Notebooks) … 自分の作業場。「+ New Notebook」で始める。
• 公開Notebook … 他人の分析を読む・フォーク(コピー)して改造できる。最強の教材。

1問だけクイズ

ブラウザで動くJupyter。環境構築ゼロ。

Kaggle Notebookは、PCに何もインストールせずPythonが動く作業環境です。pandasやscikit-learnなど主要ライブラリは最初から入っています。

• 無料でGPU/TPUが使える(週あたり数十時間の枠)。ディープラーニングもここで回せます。
• データが隣にあるのが最大の利点。コンペやDatasetのデータをボタン一つで /kaggle/input/ に接続でき、パス管理で悩みません。

Titanicデータをアタッチする

1. Titanicコンペ(kaggle.com/c/titanic)を開き Join Competition → 規約に同意。
2. コンペページの Code タブ → + New Notebook。これでTitanicデータが自動で接続された状態で始まります。
3. 右パネルの Input に titanic があり、train.csv / test.csv / gender_submission.csv が見えればOK。

import os
for d, _, files in os.walk("/kaggle/input"):
    for f in files:
        print(os.path.join(d, f))

まずは表として開いてみる

pandasでtrain.csvを読み込みます。パスは環境で変わるので、候補から実在するものを自動で選ぶ形にしておくと安全です。

import pandas as pd, os

# データの場所を自動判定(どちらの作り方でもOK)
for BASE in ["/kaggle/input/titanic",
             "/kaggle/input/competitions/titanic"]:
    if os.path.exists(f"{BASE}/train.csv"):
        break
print("BASE =", BASE)

train = pd.read_csv(f"{BASE}/train.csv")
train.head()

Survived列が答え(1=生存/0=死亡)。この列を、test.csv側で予測するのがゴールです。

12個の列(カラム)の意味 早見表

Titanicのデータは全部で12列。「何の列があるのか」を一度眺めておくと、この先の作業がぐっと速くなります。欠損数は train.csv(891行) / test.csv(418行) の実際の数です。

「形」と「欠け」と「傾向」を見る

分析の第一歩は決まっています。大きさ・欠損・分布を確認すること。この「いきなりモデルを作らず、まずデータを眺める」作業には名前があります——EDA(探索的データ分析)です。

# 行数・列数と、欠損値の数を確認
print(train.shape)
print(train.isnull().sum())

891人分・12列。Ageが177件、Cabinが687件も欠けています。「Cabinは欠けすぎだから捨てる」「Ageは埋める」といった判断がここから生まれます。

次に「生存率の傾向」を見る

# 性別ごと・客室クラスごとの生存率
print(train.groupby("Sex")["Survived"].mean())
print(train.groupby("Pclass")["Survived"].mean())

1問クイズ

「予測CSVを出す → 採点される」だけ

コンペの流れは驚くほどシンプルです。

• train.csv(答えあり)でモデルを学習する。
• test.csv(答えなし)の各乗客について生死を予測する。
• 予測を submission.csv の形式で書き出し、Submit する。
• Kaggleが正解と照合してスコア(Titanicは正解率=Accuracy)を返し、リーダーボードに順位が出る。

提出フォーマットはこの2列だけ:

PassengerId,Survived
892,0
893,1
894,0
...

「女性なら生存」ルールだけで出してみる

コース2で「女性の生存率74%」と分かりました。まずは機械学習すら使わず、女性=1, 男性=0 と決め打ちで提出してみます。目的はスコアより「提出の流れを1周する」こと。(コース2と同じNotebookの続きなら BASE は再利用できます。別Notebookなら下の1〜3行目で再設定)

import pandas as pd, os

for BASE in ["/kaggle/input/titanic", "/kaggle/input/competitions/titanic"]:
    if os.path.exists(f"{BASE}/test.csv"): break

test = pd.read_csv(f"{BASE}/test.csv")

# 女性(female)なら1、それ以外は0
pred = (test["Sex"] == "female").astype(int)

sub = pd.DataFrame({
    "PassengerId": test["PassengerId"],
    "Survived": pred
})
sub.to_csv("submission.csv", index=False)
print("saved:", sub.shape)

418人分の予測が入った submission.csv が作れました。このルールだけで 正解率 約0.765 出ます。侮れません。

scikit-learnで機械学習モデルを作る

次はランダムフォレストで、複数の手がかり(客室クラス・性別・年齢・運賃など)を組み合わせて予測します。前処理は最小限に。

from sklearn.ensemble import RandomForestClassifier

train = pd.read_csv(f"{BASE}/train.csv")
features = ["Pclass", "Sex", "Age", "Fare"]

def prep(df):
    df = df.copy()
    df["Sex"] = (df["Sex"] == "female").astype(int)   # 文字→数値
    df["Age"]  = df["Age"].fillna(df["Age"].median())   # 欠損を中央値で補完
    df["Fare"] = df["Fare"].fillna(df["Fare"].median())
    return df[features]

X = prep(train)
y = train["Survived"]

model = RandomForestClassifier(n_estimators=200, random_state=0)
model.fit(X, y)
print("train accuracy:", round(model.score(X, y), 3))

test を予測して submission を書き出す

ここが「答えを作る」工程です。やっていることは4つだけ。

1. 答えのない418人を読み込む(test.csv)。
2. 学習時とまったく同じ前処理をかける(prep())。ここが最重要で、Sexを0/1に、Ageを中央値で補完——を test にも同じように適用しないと、列の形が合わずモデルが受け付けません。
3. 学習済みモデルに0/1を出させる(model.predict())。418個の予測が返ります。
4. PassengerId と並べて2列のCSVに保存する(to_csv())。これが提出物。

test = pd.read_csv(f"{BASE}/test.csv")
pred = model.predict(prep(test))

sub = pd.DataFrame({
    "PassengerId": test["PassengerId"],
    "Survived": pred
})
sub.to_csv("submission.csv", index=False)
print("done!")
sub.head(3)

「submission」が3回出てくるけど、どれが何?

ここで一度つまずきやすいので整理します。名前は似ていますが別物が3つあります。

で、精度は結局いくつなの?

この時点では分かりません。test.csv の正解はKaggleだけが持っているので、提出して初めて採点されます。 混同しやすい3つの数字を並べておきます。

提出は1日10回までという上限があるので、思いつきを全部提出して確かめる、はできません。だから手元のCVスコアで見込みを立ててから提出するのが定石です。CVは次の3行で測れます。

from sklearn.model_selection import cross_val_score

scores = cross_val_score(model, X, y, cv=5, scoring="accuracy")
print("CV accuracy:", round(scores.mean(), 3), "±", round(scores.std(), 3))

(実際の値は乱数やライブラリのバージョンで少し前後します) train 0.90 → CV 0.81 → 本番 0.77 と下がっていくのが普通です。この下がり幅が過学習の大きさで、差が小さいほど素直なモデル。手元の数字がそのまま本番の点数になることはない、と覚えておいてください。

Submit してリーダーボードに載る

1. Notebook右上の Save Version でNotebookを実行保存(Save & Run All)。
2. 実行が終わると、もう一度生成された submission.csv が、そのバージョンの Output に現れる。
3. コンペページの Submit Prediction、またはNotebookのOutputから直接 Submit。
4. 数十秒でスコアが表示され、Leaderboard に自分の名前が載る 🎉

「もう作ったのに、また submission.csv が作られるの?」

はい、作られます。ただし新しいファイルが増えるのではなく、まっさらな環境で作り直された2回目です。Kaggle Notebookには実行される場所が2つあるためです。

「Version name」と「Description」に何を書く?

提出の途中で入力欄が2つ出てきて戸惑いがちなので、役割を整理します。どちらも必須ではなく空でも提出できますが、書く習慣をつけると上達が速くなります。

• Version name(Save Version時) … そのNotebook保存版につける自分用のラベル。空なら日時が自動で入る。何度も改良するので rf-baseline / v2 Age追加 のような短い目印にしておくと後で見分けやすい。
• Description(Submit時) … 「このスコアは何をした結果か」のメモ。提出履歴にスコアと並んで残るので、「0.77のやつ何やったっけ?」を防げる。これが改善ループの生命線。

提出したあと、スコアと順位はどこを見る?

「数十秒でスコアが出る」と言われても、どの画面を見ればいいのか分かりにくいところです。見る場所はこの3つだけ。上から順に辿れば必ず自分のスコアに行き着きます。

My Submissions はこんな見え方になります(イメージ)

できたらチェック ✓

• submission.csv を生成した
• Submit してスコアが表示された
• リーダーボードで自分の順位を確認した

Novice卒業後、どう伸ばす?

• 公開Notebookをフォークして改造。人気Notebookを Copy & Edit → 1行変えて再提出。これが最速の学習ループ。
• 他のGetting Startedコンペへ。House Prices(住宅価格予測=回帰)、Spaceship Titanicなど。
• Learnコースの "Intro to Machine Learning" → "Intermediate ML" を1本。数時間で地力が付きます。
• Discussionを読む/コメントする。上位者の解法解説はタダの宝。コメント投稿もContributor条件のひとつ。

問い : 得点を生むのは打率か、出塁率か

チームがたくさん得点(R)するために本当に効くのは、有名な打率(AVG)なのか、当時あまり注目されなかった出塁率(OBP)なのか。もし「OBPの方が得点に効くのに市場は打率にお金を払っている」なら、そこに割安な勝ち筋があります。これがマネーボールの発想です。

もう1問、「得点と失点から勝ち星は予測できるか?」にも挑戦。野球で最も美しい経験則、ピタゴラス勝率を自分の手で確かめます。

Lahmanデータを繋いで読み込む

1. 新規Notebookで右パネル + Add Input → Datasets タブで Lahman Baseball Database を検索して追加。(kaggle.com/datasets/dalyas/lahman-baseball-database)
2. 接続すると /kaggle/input/…/ に Teams.csv など多数のCSVが現れます。今日の主役はチーム×シーズンの成績表 Teams.csv。

import pandas as pd

teams = pd.read_csv("/kaggle/input/lahman-baseball-database/Teams.csv")
print(teams.shape)
teams[["yearID","teamID","W","R","RA","AB","H","BB"]].tail()

1行 = 「あるチームのある年」。列は48もありますが、今日使うのはほんの数個です。

今日使う列(カラム)の意味 早見表

48列すべてを覚える必要はありません。この10個だけ分かれば、このコースは最後まで走れます。野球用語がそのまま列名になっているのがポイントです。

打率と出塁率を自分で計算する

OBPは生データに無いので、安打H・四球BB・死球HBP・犠飛SF・打数ABから組み立てます。ノイズを減らすため、モダンな時代・フルシーズンに絞ります。

# 1961年以降・ほぼフルシーズンに限定
df = teams[(teams["yearID"] >= 1961) & (teams["G"] >= 150)].copy()

df["AVG"] = df["H"] / df["AB"]                        # 打率
df["OBP"] = (df["H"] + df["BB"] + df["HBP"]) \
           / (df["AB"] + df["BB"] + df["HBP"] + df["SF"])  # 出塁率(近似)

df[["yearID","teamID","R","AVG","OBP"]].head(4).round(3)

得点との相関を測る : AVG vs OBP

「どちらが得点(R)と強く連動するか」を相関係数で比べます。1.0に近いほど強い関係です。

相関係数の読み方の目安

※ 分野によって基準は変わります(物理は0.9でも不満、社会科学は0.4で十分など)。大事なのは絶対値そのものより「AとBを同じ土俵で比べたときどちらが大きいか」です。今回まさにそれをやっています。

for col in ["AVG", "OBP"]:
    r = df["R"].corr(df[col])
    print(f"R vs {col}:  {r:.3f}")

散布図で"目で"確かめる

import matplotlib.pyplot as plt
plt.scatter(df["OBP"], df["R"], s=8, alpha=.4)
plt.xlabel("OBP"); plt.ylabel("Runs"); plt.show()

得失点から勝ち星を予測 : ピタゴラス勝率

野球には驚くほどよく当たる経験則があります。勝率 ≈ 得点² / (得点² + 失点²)。機械学習なしで、四則演算だけで勝ち星を当てます。

exp = 2
df["pytWpct"] = df["R"]**exp / (df["R"]**exp + df["RA"]**exp)
df["pytW"]    = (df["pytWpct"] * df["G"]).round()

mae = (df["W"] - df["pytW"]).abs().mean()
print(f"平均誤差: {mae:.2f} 勝")
df[["yearID","teamID","R","RA","W","pytW"]].sample(4, random_state=7)

Notebookを公開して、次の打席へ

分析ができたら公開(Publish)できます。これ自体がContributor称号の条件のひとつ。「何を調べ・何が分かったか」をMarkdownセルで一言添えると、ぐっとNotebookらしくなります。

• Teams.csv を読み込んで OBP を計算した
• 「OBP > AVG」を相関で確かめた
• ピタゴラス勝率で勝ち星を予測した
• Notebookに考察を書いて Save/公開した

さらに深掘りするなら

• 選手単位で同じことを : Batting.csv を使えば「割安な出塁マシン」を個人で探せます。まさに映画の球団がやったこと。
• OPS (=OBP+SLG) を作って相関を比較。得点との相関が .93 前後まで上がるのを体感できます。
• 日本のプロ野球 / 大谷選手に興味があれば、Kaggleで NPB や Statcast 系データセットを検索。投打の指標で同じ分析が回せます。

このコースで通った"分析の型"

やったことを工程名に置き換えると、実は教科書どおりの分析プロセスをなぞっていました。

📍 この工程全体の地図(CRISP-DM)、相関・交絡・評価指標の体系立った説明は → 機械学習の地図(座学・G検定の下地)

曲の"体質"を数字で読む

Spotifyは各曲に、耳で感じる印象を0〜1などの数値にしたオーディオ特徴を付けています。まずは道具になる用語だけ。

今回の2つの的(まと): track_genre(ジャンル=分類で当てる) と popularity(人気=当てられるか検証する)。

Spotifyデータを繋いで読み込む

新規Notebookで + Add Input → Datasets で Spotify Tracks Dataset(maharshipandya)を追加。フォルダ名が -spotify-tracks-dataset(先頭にハイフン!)なので、パスは glob で探してから読むのが安全です。

import pandas as pd, glob

path = glob.glob("/kaggle/input/*spotify*/*.csv")[0]
print(path)

df = pd.read_csv(path, index_col=0)
print(df.shape)
df[["track_name","artists","track_genre","popularity","danceability","energy"]].head()

11.4万曲・125ジャンル。1行が1曲です。

ジャンルごとに"音の体質"は違う?

いきなりモデルの前に、直感を作ります。対照的な4ジャンルで、特徴の平均を比べてみましょう。

genres = ["edm", "classical", "acoustic", "hip-hop"]
sub = df[df["track_genre"].isin(genres)]

sub.groupby("track_genre")[["energy","danceability","acousticness","valence"]].mean().round(2)

モデルは"耳"の代わりに聴き分けられるか

音の特徴だけを手がかりに、4ジャンルのどれかを当てる分類モデルを作り、検証データで精度を測ります(特徴は数値なのでエンコード不要)。

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

feats = ["danceability","energy","acousticness",
         "valence","tempo","loudness","speechiness"]
X = sub[feats]
y = sub["track_genre"]

X_tr, X_val, y_tr, y_val = train_test_split(X, y, test_size=0.2, random_state=0)
clf = RandomForestClassifier(n_estimators=200, random_state=0, n_jobs=-1)
clf.fit(X_tr, y_tr)
print("検証accuracy:", round(clf.score(X_val, y_val), 3))

4択(当てずっぽうなら0.25)に対して0.85。モデルは音の特徴だけでジャンルをかなり聴き分けられました。何が効いたか見てみましょう。

imp = pd.Series(clf.feature_importances_, index=feats)
imp.sort_values(ascending=False).round(3)

じゃあ"人気"は音で決まる?

同じ音の特徴で、今度は popularity(人気度0〜100) を予測してみます。うまくいくでしょうか。全ジャンルで回帰(数値予測)し、決定係数 R²(1に近いほど説明できている)で測ります。

from sklearn.ensemble import RandomForestRegressor

Xp = df[feats]
yp = df["popularity"]
Xp_tr, Xp_val, yp_tr, yp_val = train_test_split(Xp, yp, test_size=0.2, random_state=0)

reg = RandomForestRegressor(n_estimators=150, random_state=0, n_jobs=-1)
reg.fit(Xp_tr, yp_tr)
print("人気予測 R²:", round(reg.score(Xp_val, yp_val), 3))

できたらチェック ✓

• ジャンル別の特徴の違いをEDAで確認した
• ジャンル分類モデルを作り、検証accuracyを測った
• 「人気は音だけでは決まらない」を確かめ、考察をNotebookに書いた

もっと遊ぶ / 深める

• 自分の推し曲で試す。好きな曲のオーディオ特徴(Spotifyのアプリや対応サイトで見られる)を入れて、モデルがどのジャンルと言うか試すと楽しい。
• ジャンルを増やす / 混同を見る。5〜10ジャンルに増やし、confusion_matrix で「どのジャンル同士を間違えるか」を見ると発見がある(pop↔dance系は紛らわしい等)。
• クラスタリングで、ジャンル名を使わず曲を自動グループ分け(KMeans)。レコメンドの入り口。
• できたら Notebookを公開して発見を共有(Contributor条件のひとつ)。

これはCSVコンペじゃない

Titanicや中古車は「予測CSVを出す → 正解と照合して採点」でした。エージェント提出型(シミュレーション)コンペは根本が違います。

• 提出するのは「対戦するAIのコード」そのもの。
• あなたのAIは、他の参加者のAIと自動で何百試合も対戦する。
• 順位は静的なスコアではなく、対戦成績から決まるレーティング(Elo)で上下する。

実はここ、G検定の「強化学習」の舞台そのもの

エージェント・環境・行動・報酬——これらは強化学習の基本用語で、そのままG検定の出題範囲です。ポケモンAIを作ることは、その言葉を体で覚えることでもあります。

📍 強化学習・探索・AIの歴史をまとめて知りたい → 機械学習の地図(座学・G検定の下地)

まず公式スターターを Fork する

エージェントの入出力の作法(API)はコンペごとに違います。ここで一番やってはいけないのが「推測でAPIを自作する」こと。正解は決まっています。

1. コンペの Code タブで、公式・人気のサンプルエージェントNotebookを開く(ポケモンなら「A Sample Rule-Based Agent」「Beginner Guide: From Deck to First Valid Submission」など)。
2. Copy & Edit で自分の環境に複製。
3. そこで提出物の形と関数の呼ばれ方を確認する。ポケモン大会では、提出は main.py と deck.csv を submission.tar.gz にまとめる形式です。

形はだいたい「obsを受け取って、合法手を1つ返す」

多くのエージェントは agent(obs) -> action という関数です。「今の盤面(obs)」を受け取り、「選べる手(合法手)の中から1つ」を返すだけ。まずはランダムに合法手を返す最小版で十分です(強さは後回し、動くことが最優先)。

import random

def agent(obs):
    # obs = 今の局面。合法手の一覧を取り出す(キー名は公式サンプルに合わせる)
    legal = obs["legal_actions"]
    if not legal:
        return 0                    # フォールバック : 絶対にクラッシュさせない
    return random.choice(legal)     # まずは合法手からランダムで1手

"強いAI"より先に"動く提出"

ポケモン大会の提出物は、main.py(AI本体)と deck.csv(使う60枚。サンプルのをそのまま使ってOK)を、トップ階層に置いた submission.tar.gz。Notebook上でこう固めます。

import tarfile

with tarfile.open("submission.tar.gz", "w:gz") as tar:
    tar.add("main.py")     # AI本体
    tar.add("deck.csv")    # 使う60枚(サンプル流用でOK)
print("built submission.tar.gz")

提出は2通り。NotebookのOutputから Submit、または端末/コードからKaggle CLIで。

# Kaggle CLI で提出する場合
kaggle competitions submit pokemon-tcg-ai-battle \
  -f submission.tar.gz -m "random baseline"

スコアは"対戦しながら"決まる (Eloラダー)

CSVコンペのように提出直後に確定スコアが出るのではありません。提出後、あなたのエージェントは他のエージェントと自動対戦を繰り返し、勝てばレーティングが上がり負ければ下がる——という形で順位がだんだん定まります。

# イメージ : 対戦を重ねてレーティングが動く
show_leaderboard()

提出したあと、どこを見る?

CSVコンペと違い提出してすぐには数字が出ません。見る場所と、それぞれの状態が何を意味するかを押さえておきましょう。

できたらチェック ✓

• 公式サンプルエージェントを Fork した
• 合法手を返す最小エージェントを submission.tar.gz にして提出した
• ラダー(Elo)に自分のエージェントが載ったのを確認した

「何をすればいいか分からない」からの勝率アップ順

ここが本題。効く順に並べました。上から順にやるのが正解で、いきなり下(学習)に行くのが一番の遠回りです。

効く順のロードマップ

1. Lv1 : デッキを借りる(最重要) … 環境で強いとされるデッキ(今は Mega Evolution ex 系が中心)をサンプルからそのまま使う。弱いデッキは何をしても勝ちにくい。まず"強いと言われるデッキ"に乗るだけで勝率が動く。
2. Lv2 : ランダムをやめて優先順位を入れる(一番コスパ良い) … 合法手に点数を付けて一番良い手を選ぶだけ。型はこう →
   倒せる相手は倒す(リーサル) ＞ 攻撃できるなら攻撃 ＞ 毎ターンのエネルギー付け ＞ 進化できるなら進化 ＞ ドロー/サーチで手札補充 ＞ 瀕死のアタッカーは下げる
3. Lv3 : 局面を点数化する … 手を打った後の"自分の有利さ"を数値化(自軍の合計HP・エネルギー数・相手のサイド残り・手札枚数・倒せる相手の有無)。各合法手を1手だけ試して、評価が最大の手を選ぶ"貪欲法"。
4. Lv4 : 少し先読み … 余裕が出たら数手先読み or モンテカルロ(ランダムに何度も試して勝率が高い手を選ぶ)。不完全情報＋制限時間なので軽めに。
5. Lv5 : 学習(RL/模倣) … PPO等の強化学習や上位エージェントの模倣。上級。Lv1〜3だけで十分ラダーは登れるので後回しでOK。

最初の3日プラン(迷子脱出用)

1. Day 1 … 公式サンプル(ルールベース)をそのまま提出して、動作とラダー掲載を確認。
2. Day 2 … デッキを強いものに差し替え、旧版とローカル対戦で勝率を比較。
3. Day 3 … 優先順位(攻撃→エネ付け→進化→ドロー)を1つずつ足し、都度勝率を計測。

Titanicで身につけたことは、ここでどう効く?

「予測モデルの話は終わったから、ここは全部ゼロから?」——そんなことはありません。効くもの・新しく必要なものを分けておきます。

分析プロジェクトは、この7工程をぐるぐる回る

この流れには CRISP-DM という業界標準の名前がついています。1990年代に策定され、今でもデータ分析プロセスの共通言語として使われています。

機械学習は大きく3種類。まずどれかを見分ける

「答え(正解ラベル)があるか」「何を最大化するか」で3つに分かれます。手元のデータがどれに当たるかを判断するのが最初の分岐点です。

前処理の道具箱 : 欠損・カテゴリ・スケール・外れ値

集めたままのデータは、たいていそのままではモデルに入りません。「モデルが食べられる形に整える」のが前処理です。分析作業の体感8割がここ、と言われます。

1. 欠損値をどうするか

空欄(NaN)があると多くのモデルは学習できません。対処は大きく「消す」か「埋める」の2択です。

2. カテゴリ変数を数値にする(エンコーディング)

male/female のような文字列は、そのままでは計算できません。数値に変換します。

3. 数値の大きさを揃える(スケーリング)

年齢(0〜80)と年収(0〜1000万)を並べると、単位が大きい列だけが強く効いてしまう手法があります。そこで尺度を揃えます。

4. 外れ値・不均衡・次元

過学習との戦いが、モデル作りの本体

機械学習の目的は「学習データで高得点を取ること」ではなく まだ見ぬデータで当てること(汎化性能)。この一点を守るための作法が固まっています。

「正解率」だけでは足りない理由

1000人に1人の病気を「全員陰性」と判定するモデルは、正解率99.9%です。でも役に立ちません。何を測るかは課題によって選び分ける必要があります。

すべての出発点 : 混同行列

回帰(数値を当てる)の指標

• MSE(平均二乗誤差) … 誤差を2乗して平均。大きな外れを強く罰する。
• RMSE … MSEの平方根。元のデータと単位が揃うので解釈しやすい。Kaggleの回帰コンペで最頻出。
• MAE(平均絶対誤差) … 誤差の絶対値の平均。外れ値の影響を受けにくい。
• 決定係数 R² … 「平均で予測する場合と比べてどれだけマシか」。1に近いほど良く、0なら平均と同じ、マイナスもあり得る。

名前だけは知っておきたい主要アルゴリズム

全部覚える必要はありません。「どういうときに使うのか」だけ掴んでおくと、公開Notebookが一気に読めるようになります。

ニューラルネットワークの基礎用語

G検定の主戦場です。ここは「言葉と役割の対応」を押さえるだけで、かなり読めるようになります。

AIの3度のブームと、そこで生まれた問い

G検定では歴史と、それぞれの時代で「何ができて何ができなかったか」がよく問われます。

押さえておきたい古典的な問い

データを扱う人が知っておくべきルール

G検定の後半はここが厚めに出ます。技術ではなく「使い方」の話で、Kaggleでデータを公開したり業務でモデルを作るときにも直結します。

G検定ってなに? Kaggleとどう組み合わせる?

出題範囲と、このページの対応

次に読むと良いもの

• JDLA公式サイト … シラバス・実施日程・推薦図書。まずここで最新情報を確認。
• 公式テキスト / 問題集 … 範囲が広いので、通読より問題を解いて知らない用語を潰す方が効率的。
• Kaggleの公開Notebook … このページの用語が実際にどう使われるかを見る。「Titanic EDA」で検索。

3問クイズ