AIと著作権──ビジネスパーソンが押さえるべき4つのポイント【機械学習入門⑪】
前回（機械学習入門⑩）は、MBAデータサイエンス講座の集大成となるDemo Dayの体験記と、6回分の学びの振り返りを書いた。 シリーズの最終回は、講座の最終日にもう一つ大きく扱われたテーマ──AIと […]
TAG
データサイエンス
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 […]
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 […]
「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 […]
「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 […]
「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 […]
「いくら？」を予測する——分類と回帰、機械学習のもうひとつの顔【機械学習入門⑤】
前回の記事（機械学習入門④）では、しきい値の設定とリコール・プレシジョンのトレードオフについて書いた。 ①〜④まで扱ってきた「タイタニック」や「ソーシャルレンディング」の例は、すべて「する／しない」「 […]
「しきい値」が変えるビジネス判断——機械学習を実際に使ってみた【機械学習入門④】
前回の記事（機械学習入門③）では、正解率の落とし穴、混同行列、AUCについて書いた。 今回はその続き。モデルを評価できるようになった後に待っているのが、「では実際にどう使うのか」という問いだ。ここが機 […]
「正解率99%」のモデルが使えない理由【機械学習入門③】
前回の記事（機械学習入門②）では、データを整えることの難しさ——欠損値・データリーケージ・特徴量エンジニアリングについて書いた。 今回はその続き。モデルを作った後の話だ。「良いモデル」とは何か、どうや […]
機械学習、モデルより先に「データ整備」が9割だった【機械学習入門②】
前回の記事（機械学習入門①）では、AI・機械学習・ディープラーニングの違いや、「機械学習の本質は予測に過ぎない」という話を書いた。 今回はその続き。実際にデータを使って予測モデルを作る演習に取り組んで […]