「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 […]
TAG
MBA
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 […]
Asking AI “Why Are You Quitting?” — My First Solo Machine Learning Challenge [Intro to ML #6]
In my previous post (Intro to ML #5), I covered regression — using machine learning to predict conti […]
「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」「 […]
Predicting “How Much?” — Machine Learning Beyond Classification [Intro to ML #5]
In my previous post (Intro to ML #4), I wrote about thresholds, the recall-precision tradeoff, and w […]
「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 […]
The Threshold Decision: How Machine Learning Actually Changes Business Outcomes [Intro to ML #4]
In my previous post (Intro to ML #3), I covered confusion matrices, AUC, and why accuracy alone is a […]
Why a 99% Accurate Model Can Be Completely Useless [Intro to ML #3]
In my previous post (Intro to ML #2), I wrote about the unglamorous reality of data prep — missing v […]
「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 […]