財務三表のつながりを一枚で理解する ── P/L・B/S・CFSの関係整理
この記事でわかること P/L・B/S・CFSそれぞれの役割と「何を表しているか」 3つの財務諸表がどこでつながっているか（3つの接点） 「利益が出ているのに現金がない」が起きる3つの原因 発生主義・実 […]
CATEGORY
MBA & Business Logic
MBAでAI＆データサイエンスを6回学んで分かったこと──Demo Dayで監査システムを作った話【機械学習入門⑩】
前回（機械学習入門⑨）は、生成AIをかしこく使うための方法──プロンプト・RAG・MCP・エージェント──をMBAでの学びをもとに整理した。 そして今回が、シリーズの締めくくりだ。MBAのデータサイエ […]
What I Learned from a Six-Session MBA Data Science Course — Building an Audit Assistant on Demo Day [Intro to ML #10]
In my previous post (Intro to ML #9), I covered ways to get more out of generative AI — prompts, RAG […]
生成AIをもっとかしこく使う——プロンプト・RAG・エージェントの世界【機械学習入門⑨】
前回（機械学習入門⑧）は、生成AIの仕組み——言語モデルが「次の単語を予測する」という原理から、ChatGPTの誕生（RLHF）、拡散モデルによる画像生成まで——を整理した。 今回は「どう使うか」の話 […]
Getting More Out of Generative AI — Prompts, RAG, and the Age of Agents [Intro to ML #9]
In my previous post (Intro to ML #8), I covered how generative AI actually works — the next-word pre […]
「生成AI」って何が違うの？——言語モデルから拡散モデルまで、仕組みを理解する【機械学習入門⑧】
前回まで（機械学習入門⑦）は、AIで個人を予測するアプローチのメリットとリスクについて書いた。 今回からは、予測AIとは別の系譜——生成AIの話に入る。MBA講座でもまるごと一回分がこのテーマに割かれ […]
What’s Actually Inside a Generative AI? — From Language Models to Diffusion Models [Intro to ML #8]
In my previous post (Intro to ML #7), I covered the difference between traditional data analysis and […]
「分析」と「AI予測」は何が違うのか——AIの可能性とリスクを考える【機械学習入門⑦】
前回の記事（機械学習入門⑥）では、製薬会社の離職問題を題材に、データ探索・フィーチャーエンジニアリング・予測モデル作成の流れを書いた。 今回はその続きとして、「どう打ち手に落とし込むか」「AIを使うこ […]
Analysis vs. AI Prediction: What’s Actually Different — and What Could Go Wrong [Intro to ML #7]
In my previous post (Intro to ML #6), I worked through the data exploration, feature engineering, an […]
「なぜあなたは辞めるのか」をAIに聞いてみた——初めて自力で機械学習を使った話【機械学習入門⑥】
前回の記事（機械学習入門⑤）では、「いくら？」という連続値を予測する回帰の話を書いた。 今回から2回にわたって扱うのは、MBA講座で取り組んだ「製薬会社の離職問題」ケースだ。このケースの位置づけが、講 […]