SlideShare une entreprise Scribd logo
1  sur  32
データアカデミー
エッセンス
第二回検討
2018/6/29
アジェンダ
1. 前回のおさらい(5min)
2. 準備したデータの確認(10min)
3. データ分析(75min)
4. 評価(40min)
1. 分析結果の確認
2. 説明
3. 影響度
5. 政策立案(60min)
6. 振り返り(10min)
Code for Japan 2
前回のおさらい
Code for Japan 3
課題と仮説の連結
• 詳細化した仮説に対し、仮説を確認するために何のデータが必要か検討し
ます。一つの数値だけではなく、掛け合わせて分析するものも検討します
将来の日進市
の財政が不明
仕事をしてる
シルバー世代
が少ないはず
高齢人口と福
祉施設の数が
合わない
課題 仮説
仮説
自営業者を見
ればわかるの
では
現在のシル
バー世代の就
職率はどうか
仮説
現在の人口当
たりの福祉施
設数はどうか
現在の人口当
たりの医療機
関人数は
・60歳までの国保加入率
・商工会議所などの登録者数
【データの例】
・65歳以降の所得税納税率
・福祉施設の軒数
・未来予想人口
・医療機関の軒数
・未来予想人口
前回の検討結果
必要なデータの検討
• データによって、そのまま利用できるもの、地域ごとに
集計して利用するもの、個人情報を外した形に加工するもの
などがあります。次回は、利用できる範囲内で分析を実施しま
す。
• データは、下記のような表でまとめます。
No. 対象データ 所有部署 どのようにデータを出すか
1 現在の世帯ごとの税率 税務担当 統計情報に加工して提供
2 現在の年代ごとの世帯構成率 戸籍窓口担当 統計情報に加工して提供
3 国保加入率 国民保険担当 件数で提供
4 ・ ・ ・
5 ・ ・ ・
前回の検討結果
課題解決を体験しながら研修します
• 各自治体の持つ課題に対して、担当する職員と実際のデータを
使いながら、研修を進めます。
1回目(2.5-4時間) 2回目(2.5-4時間) 3回目(2.5-4時間) 4回目(2.5-4時間)
【基本講習】
・2つの基本の流れを説明
【課題の仮説分析】
・要因となっている項目に
ついて仮説をいくつか立て
る
【仮説と現状の調査】
・課題に対する仮説の作成
と、現状の確認
【必要なデータの検討】
【対象データの選択】
・検証に必要なデータの確
認
・パーソナルデータが含ま
れている際の対応方法確認
【データ項目の確認】
・どのデータをどのように
表現する予定か確認する。
【データ分析】
・すぐに使えるデータは分
析を開始する。
【データ利用】
・揃えたデータを利用して
実際に分析結果を表現して
見る。
【評価】
・使ったデータが、やりた
かったことにマッチしてい
るか、足りない部分がない
かを確認する。
【政策立案】
・未来統計を確認し、今と
のギャップを見て何をすべ
きか検討する。
【評価・指標】
・政策を実施場合のコスト
と効果を算出
・詳細化した機能単位で価
値の出るパターンを確認
本日(3/1)
本日のゴール
• 課題・仮説〜政策立案のプロセスを自分で考えやりきる。
• 行動が変わるきっかけとなる気づきを得る。
• アクティブラーニングならではのライブ感を大事にする。
対象データの選択
Code for Japan 8
②対象データの確認
• 対象データの確認
• 仮説を確かめるために必要なデータをあげる
• データを、どの部門が所有しているか確認する
• データは、デジタル化されているのかいないのか確認する
• 個人情報が含まれている場合、下記の進め方を確認する
• 同意書があるのかないのか
• 利用条件に当てはまるかどうか
• 匿名加工すれば利用できるのか
• 審議会に通せば利用できるのか
①仮説
現状分析
②対象
データ
確認
③分析
手法検討
④データ
分析
⑤
評価
⑥
政策検討
⑦
効果指標
個人情報の利用 チェックフロー
特定の個人を識別した形での
活用をしたいか?
「個人情報」として扱う。
条例上の利用目的の範囲内か
条例上の「利用目的」の
「変更(拡大)」ができるか
「統計」での整理を行う。
(目的外利用規制の適用外)
条例上認められる
「目的外利用」であるか
「目的内利用」として利用可
「目的外利用」として利用可
利用可
利用可
利用可
利用可
本人同意を
とる
本人同意を
取らなくて
もいいよう
条例改正
OR
Yes
Yes
Yes
Yes
No
No
No
No
自治体の判断で「統計での整理」
が難しい場合は、個人情報として扱う
(目的内利用/外利用の判断)
個人情報保護条例条、許される
目的外利用の要件を満たすか
(利用目的の変更(拡大)について)
個人情報保護条例条、許される
利用目的変更の範囲内か
(利用目的の範囲内の判断)
「個人情報取扱事務」の利用目
的に含まれるか?
個人情報の提供 チェックフロー
個人情報の利用が可能か
提供情報が個人情報か
条例上「目的内提供/目的外提供」の
区別があるか
個人情報保護条例の適用外
条例上認められる「目的内提供」か 条例上認められる提供か
提供可
提供可
本人同意を
とる
本人同意を取らな
くてもいいよう条
例改正
Yes
Yes
Yes
No
(目的外提供が可能か)
個人情報保護条例
(目的内提供/目的外提供か)
「個人情報取扱事務」の範囲内か
なお、自治体によっては、目的内
提供という概念がない場合もある
条例上認められる
「目的外提供」であるか
OR
Yes
No
NoNo
No
Yes
2. データの情報確認
• 各部門に情報提供の依頼をした際に問題となった点を
各自治体でまとめて発表します。付箋に5分でまとめて
前に貼りにきましょう。
• 各エクセルデータについて、先ほどのチェックフローを利用し
て個人情報の利用に問題ないか確認しましょう。
データ分析の表示
Code for Japan 13
④データ分析
• データ分析
• 実際に集めたデータと、分析手法を使用しデータを分析する。
• 一つの方向から見るだけではなく、見方、目盛りを含めて
何種類かの見方をする。
• 色分けをする場合は、どの単位でまとめるか、閾値を考える。
• 外れ値、例外について、どこまで話をするかは検討。
①仮説
現状分析
②対象
データ
確認
③分析
手法検討
④データ
分析
⑤
評価
⑥
政策検討
⑦
効果指標
4. このフェーズは分析に集中しましょう
• 今日の目的は、グラフや図柄が出来上がることです。
評価は、次のフェーズで行うので深入りしないでください。
• ルール
• Step3で集まっているデータで分析を開始します。
• データ加工が必要だと思うチームは、手を上げてください。
• 表示が正しいかわからない場合も、手を上げてください。
• 表現しようと思ったら、足りないものがあった、曖昧な表示になった
そのような場合には、状況をメモしてください。
• 次回も冒頭に少し時間を取るので、一つのデータに集中しすぎ
ず、他のデータでの確認もしてみましょう。
4. データが不足している場合の検討
• 分析するための情報が不足、分析が出せない
• 本来あるはずのデータ件数が足りない場合
• 傾向を見たい場合には、別の年度のデータがないか確認する
• 実際の件数が足りない場合は、他の代替指標を検討する
• 本来あるはずのデータそのものがない場合
• 現時点ではデータを作成していない
→ 研修はダミーデータを使って検証を続ける
実際のデータが集まった段階で、このStepに戻り再開する
• もしくは他の代替指標を検討する
分析結果の評価
Code for Japan 17
⑤評価
• 評価
• 仮説の想定と、分析の結果が一致したか、一致しなかったか確認する。
• 仮説と一致した場合
• 分析結果の中から、課題に対して効き目のあるパラメータがないか確認する。
• 他に、課題の要因となっている仮説があれば引き続き分析する。
• 仮説と一致しなかった場合
• データ量が不足していないか、データがマスクされすぎていないか疑う。
• 仮説が間違っていれば、違う仮説を考える。
①仮説
現状分析
②対象
データ
確認
③分析
手法検討
④データ
分析
⑤
評価
⑥
政策検討
⑦
効果指標
3. 分析シートの説明
• 下記のシートを利用しながら評価をまとめます。
• 仮説:今回調べた仮説を記載してください。
• 利用したデータ:分析に利用したデータの種類を書いてください。
• 分析手法:どのような手法と表示方法で実現したか書いてください。
• エクセルで作成したシートを利用します。
No. 仮説 利用したデータ 分析手法 分析結果 説明文章 影響度
1
2
3. 分析結果の評価
• 分析結果を評価して、仮説が正しいか確認します。(15分)
No. 仮説 利用したデータ 分析手法 分析結果 説明文章 影響度
1
2
仮説で考えた
結果が出たか
はっきり
結果が出たか
仮説自体が
完全に誤りか
仮説は正しかった
→ 付随して出てくる仮説はあるか
はっきり
結果が出ている
方向性は正しそうだが情報が足りない
→ 詳細化するために必要なデータを決める
仮説は間違っていた
→ 違う方向性にトライする
仮説を立証するに十分なデータがない
→ 件数、項目、どのデータを集めると良いか
Yes Yes
No
No
No
Yes
【分析結果】
3. 他の人がわかる説明文章にする
• 分析結果を、説明文章にまとめます。(15分)
• 説明できてこその分析です。分析の結果を、他の人がわかるよう一言
の説明文章にしましょう。以下は例です。
• 課題xxx(交通事故が多い)について、原因yyy(ライトの数)と結果zzz(交通
事故発生率)は因果関係がある。
• 課題aaa(検診率が低い)について、bbb(医院の場所)とccc(検診率)は相関
関係にある。
• ddd(世帯収入)が少ないほど、eee(出生率)が高く、ddd(世帯収入)が多い
ほど、eee(出生率)が低い。
• nnn(イベント回数)と、mmm(住民満足度)には関係性がない。
No. 仮説 利用したデータ 分析手法 分析結果 説明文章 影響度
1
2
3. 課題に対する関係の強さ
• 全体に対しての影響度はどうか確認しましょう。
• 分析結果の事実は、全体のうちどこの部分にかかるか評価しましょう。
• 分析に使った、人数、割合、回数など全体のうちのどこでしょうか?
結果として該当する数値はどこの範囲でしょうか?
No. 仮説 利用したデータ 分析手法 分析結果 説明文章 影響度
1
2
都市部
市民の全年代の人口
高齢者の人口
郊外地区
郊外地区でバス停から500m以上離
れている人たち(xx%)が対象で。
全市民のyy%が該当。
政策立案
(1時間だからざっくりと立案)
Code for Japan 23
⑥政策検討
• 政策検討の説明(10分)
• 分析の結果、要因が判明するため、対応する政策を検討する。
• 政策の検討時に、各政策を細かな単位に分け、費用・効果の
算出できるよう準備する。
• 費用・効果を算出するためにデータが必要な場合は揃える。
①仮説
現状分析
②対象
データ
確認
③分析
手法検討
④データ
分析
⑤
評価
⑥
政策検討
⑦
効果指標
No. 政策 政策(小項目) 効果(時間/年) 費用(時間/年)
1 A A1 500 50
2 B B1 40 100
3 B B2 50 10
政策を考えるときのポイント1
• 課題から、もう一度最終的に達成したいゴールを考える。
若年層人口流
出が超過状態
通勤可能範囲
を明示する
(複数案)
人口構成のバランスを
とり継続的に都市運営
を担保する
ゴールを立てる仮説から
見えた課題
ダイレクトな
解決方法
周辺自治体の企業
就職説明会に枚方
市も参加する
ゴールに近づく
別の手法
ゴールや、効果を上げるためには
ダイレクトな方法だけではなく
別の手段もあります。
政策を考えるときのポイント2
• 数値を見て対策を考える場合
• 様々なクラスターに分かれている場合の政策立案
• 例えば、施設の利用率の分布について施策を考える。
現
在 現
在
未
来
未
来
効果 効果
クレーム数や不満の
高い結果があるものは
現象させる手段を考える
利用率など向上させる
ことで価値の出るものは
増加させる手段を考える
よく利用する まあまあ利用する 利用しない
よく利用する層の
家族構成を確認し
他の層で似た構成の
方々にアプローチする
知らない層へのアプローチ方法
来ない層が興味を持ちそうな
新しい分野を取り入れられないか
リーチを増やすことを考える
利用するイベントの種類を
確認し、類似イベントを
開けば来るのかどうか検証する
4. 政策立案
• まずは、ゴールを作る。(10分)
• 前のページで説明したことを念頭に、課題を解決した際に
目指すゴールを決めましょう。
各自最低2枚(1枚
はダイレクト、1枚
は別の手段)は付箋
にゴールを書く
テーブルの中央に
内容を口に出して
貼っていく
1〜3枚程度に
なるようゴールを
まとめる
4. 政策立案
• 政策を考える、施策のツリーを作成する。(20分)
• 仮説出しの時に行ったように、今度はゴールを達成するために
できる施策をあげ出します。
若者人口を
増やす
周辺自治体へ
の通勤者増加
枚方市のブラ
ンディング
ゴール1
施策
周辺工場への
バス路線追加
通勤圏内マッ
プの作成
大学生と市民
と交流の場を
増やす
雨が降っても
楽しい枚方
具体的に何をやればよいか
わかるレベルに施策を
分解していきます。
施策 施策
遊びの面で、ひらパー以外の
価値観を探す。(浦安市の
TDL以外の魅力探しに近い)
4. 政策立案
• 政策を考える、施策を要素に分解する。(20分)
• 施策の対象をどこにするのか要素に分解する。
• 市全体か、重点ポイントに絞るか
• 時期を区切るか、通年で行うのか
• 特定の世代だけか、全世代か
・全エリアを対象
・特定地域を対象
・特定工場のみ対象
・通勤圏のマップのみ
・周辺の遊び場までのマップ
・市民大学を大体的に告知
・学生起業支援
・雨天時に楽しむマップ
・雨天時商店街割引
・雨天時バス割引補助金
どんな施策のパターン
があるかあげ出します。
かぶっているものが
あっても構いません。
施策(小項目) 効果
それぞれの効果の大中
小、効果の出るポイン
トを書きます
効果については
費用対効果の資料
で学習して下さい
若者人口を
増やす
周辺自治体へ
の通勤者増加
枚方市のブラ
ンディング
ゴール1
施策
周辺工場への
バス路線追加
通勤圏内マッ
プの作成
大学生と市民
と交流の場を
増やす
雨が降っても
楽しい枚方
施策 施策
次工程で修正できる
ように、今回は
想定の大中小を記載
施策一覧表を作る
• 検討した施策を一覧表にまとめます。
赤枠のエリアを埋めましょう。
• 今回の結果を、準備したエクセルに、ゴールのツリーから、
施策(中項目)、施策(小項目)をまとめましょう。
No. 施策(中項
目)
施策(小項目) 効果(時間/年) 費用(時間/年) 費用の項目/効果の項目
1年目 2年目 3年目 1年目 2年目 3年目
1 施策1 施策1-1
2 施策2 施策2-1
3 施策2 施策2-2
このシートは
お土産です
振り返り
Code for Japan 31
データアカデミー・エッセンス(東京)2

Contenu connexe

Tendances

働き方改革版データアカデミー4 プロトタイプによる施策確認
働き方改革版データアカデミー4 プロトタイプによる施策確認働き方改革版データアカデミー4 プロトタイプによる施策確認
働き方改革版データアカデミー4 プロトタイプによる施策確認Hiroyuki Ichikawa
 
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいものTakashi J OZAKI
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編Daiyu Hatakeyama
 
ユーザーサイド情報検索システム
ユーザーサイド情報検索システムユーザーサイド情報検索システム
ユーザーサイド情報検索システムjoisino
 
20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事Shunsuke Nakamura
 
データアカデミー報告会 第一回2019/05/30
データアカデミー報告会 第一回2019/05/30データアカデミー報告会 第一回2019/05/30
データアカデミー報告会 第一回2019/05/30Hiroyuki Ichikawa
 
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探るTakashi J OZAKI
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1Shunsuke Nakamura
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1Shunsuke Nakamura
 
BPR版データアカデミーその2
BPR版データアカデミーその2BPR版データアカデミーその2
BPR版データアカデミーその2Hiroyuki Ichikawa
 
機械学習でなにしたいの?
機械学習でなにしたいの?機械学習でなにしたいの?
機械学習でなにしたいの?Keita Neriai
 
いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標圭輔 大曽根
 
データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習Seiichi Uchida
 
機械学習を使った「ビジネスになる」アプリケーションの作り方 V2
機械学習を使った「ビジネスになる」アプリケーションの作り方 V2機械学習を使った「ビジネスになる」アプリケーションの作り方 V2
機械学習を使った「ビジネスになる」アプリケーションの作り方 V2Shunsuke Nakamura
 
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural NetworkActive Learning と Bayesian Neural Network
Active Learning と Bayesian Neural NetworkNaoki Matsunaga
 
BPR版データアカデミーその3
BPR版データアカデミーその3BPR版データアカデミーその3
BPR版データアカデミーその3Hiroyuki Ichikawa
 
Statistical machine learning forecasting methods concerns and ways forward
Statistical machine learning forecasting methods concerns and ways forwardStatistical machine learning forecasting methods concerns and ways forward
Statistical machine learning forecasting methods concerns and ways forwardharmonylab
 
確率統計-機械学習その前に v2.0
確率統計-機械学習その前に v2.0確率統計-機械学習その前に v2.0
確率統計-機械学習その前に v2.0Hidekatsu Izuno
 

Tendances (20)

働き方改革版データアカデミー4 プロトタイプによる施策確認
働き方改革版データアカデミー4 プロトタイプによる施策確認働き方改革版データアカデミー4 プロトタイプによる施策確認
働き方改革版データアカデミー4 プロトタイプによる施策確認
 
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
 
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
 
ユーザーサイド情報検索システム
ユーザーサイド情報検索システムユーザーサイド情報検索システム
ユーザーサイド情報検索システム
 
20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事20181219_全部見せます、データサイエンティストの仕事
20181219_全部見せます、データサイエンティストの仕事
 
データアカデミー報告会 第一回2019/05/30
データアカデミー報告会 第一回2019/05/30データアカデミー報告会 第一回2019/05/30
データアカデミー報告会 第一回2019/05/30
 
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V k-1
 
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
データサイエンティストに聞く!今更聞けない機械学習の基礎から応用まで V e-1
 
BPR版データアカデミーその2
BPR版データアカデミーその2BPR版データアカデミーその2
BPR版データアカデミーその2
 
機械学習でなにしたいの?
機械学習でなにしたいの?機械学習でなにしたいの?
機械学習でなにしたいの?
 
いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標
 
20130304-DEIM2013
20130304-DEIM201320130304-DEIM2013
20130304-DEIM2013
 
データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習データサイエンス概論第一=8 パターン認識と深層学習
データサイエンス概論第一=8 パターン認識と深層学習
 
機械学習を使った「ビジネスになる」アプリケーションの作り方 V2
機械学習を使った「ビジネスになる」アプリケーションの作り方 V2機械学習を使った「ビジネスになる」アプリケーションの作り方 V2
機械学習を使った「ビジネスになる」アプリケーションの作り方 V2
 
20130605-JSAI2013
20130605-JSAI201320130605-JSAI2013
20130605-JSAI2013
 
Active Learning と Bayesian Neural Network
Active Learning と Bayesian Neural NetworkActive Learning と Bayesian Neural Network
Active Learning と Bayesian Neural Network
 
BPR版データアカデミーその3
BPR版データアカデミーその3BPR版データアカデミーその3
BPR版データアカデミーその3
 
Statistical machine learning forecasting methods concerns and ways forward
Statistical machine learning forecasting methods concerns and ways forwardStatistical machine learning forecasting methods concerns and ways forward
Statistical machine learning forecasting methods concerns and ways forward
 
確率統計-機械学習その前に v2.0
確率統計-機械学習その前に v2.0確率統計-機械学習その前に v2.0
確率統計-機械学習その前に v2.0
 

Similaire à データアカデミー・エッセンス(東京)2

データアカデミー 指標作成型2
データアカデミー 指標作成型2データアカデミー 指標作成型2
データアカデミー 指標作成型2Hiroyuki Ichikawa
 
動的最適化の今までとこれから
動的最適化の今までとこれから動的最適化の今までとこれから
動的最適化の今までとこれからKazuki Baba
 
分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一
分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一
分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一schoowebcampus
 
プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回
プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回
プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回LABO ASIA
 
データアカデミー 兵庫広域自治体3
データアカデミー 兵庫広域自治体3データアカデミー 兵庫広域自治体3
データアカデミー 兵庫広域自治体3Hiroyuki Ichikawa
 
Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526Masakazu Sano
 
金融×AIで解くべき問題は何か?
金融×AIで解くべき問題は何か?金融×AIで解くべき問題は何か?
金融×AIで解くべき問題は何か?Tsunehiko Nagayama
 
早稲田大学における 実践的IT科目 - 疑似プロジェクトベース教育とチーム構成 -
早稲田大学における実践的IT科目- 疑似プロジェクトベース教育とチーム構成 - 早稲田大学における実践的IT科目- 疑似プロジェクトベース教育とチーム構成 -
早稲田大学における 実践的IT科目 - 疑似プロジェクトベース教育とチーム構成 - Hironori Washizaki
 
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
AI(人工知能)研究の最前線:社会はどのように変わるだろう?AI(人工知能)研究の最前線:社会はどのように変わるだろう?
AI(人工知能)研究の最前線:社会はどのように変わるだろう?KIT Cognitive Interaction Design
 
20140213 web×マス広告の統合分析第1部_公開用
20140213 web×マス広告の統合分析第1部_公開用20140213 web×マス広告の統合分析第1部_公開用
20140213 web×マス広告の統合分析第1部_公開用Cyberagent
 
順序データでもベイズモデリング
順序データでもベイズモデリング順序データでもベイズモデリング
順序データでもベイズモデリング. .
 
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろはPython に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろはDaiyu Hatakeyama
 

Similaire à データアカデミー・エッセンス(東京)2 (15)

データアカデミー 指標作成型2
データアカデミー 指標作成型2データアカデミー 指標作成型2
データアカデミー 指標作成型2
 
動的最適化の今までとこれから
動的最適化の今までとこれから動的最適化の今までとこれから
動的最適化の今までとこれから
 
分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一
分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一
分析のリアルがここに!現場で使えるデータ分析(1限目) 先生:吉永 恵一
 
プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回
プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回
プロのコンサルタントとビジネスプランを作る! 「LABO ASIA」第2ターム第2回
 
データアカデミー 兵庫広域自治体3
データアカデミー 兵庫広域自治体3データアカデミー 兵庫広域自治体3
データアカデミー 兵庫広域自治体3
 
Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526Sano tokyowebmining 36_20140526
Sano tokyowebmining 36_20140526
 
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
 
金融×AIで解くべき問題は何か?
金融×AIで解くべき問題は何か?金融×AIで解くべき問題は何か?
金融×AIで解くべき問題は何か?
 
早稲田大学における 実践的IT科目 - 疑似プロジェクトベース教育とチーム構成 -
早稲田大学における実践的IT科目- 疑似プロジェクトベース教育とチーム構成 - 早稲田大学における実践的IT科目- 疑似プロジェクトベース教育とチーム構成 -
早稲田大学における 実践的IT科目 - 疑似プロジェクトベース教育とチーム構成 -
 
10.2010 0527 keio_bs
10.2010 0527 keio_bs10.2010 0527 keio_bs
10.2010 0527 keio_bs
 
10.2010 0527 keio_bs
10.2010 0527 keio_bs10.2010 0527 keio_bs
10.2010 0527 keio_bs
 
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
AI(人工知能)研究の最前線:社会はどのように変わるだろう?AI(人工知能)研究の最前線:社会はどのように変わるだろう?
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
 
20140213 web×マス広告の統合分析第1部_公開用
20140213 web×マス広告の統合分析第1部_公開用20140213 web×マス広告の統合分析第1部_公開用
20140213 web×マス広告の統合分析第1部_公開用
 
順序データでもベイズモデリング
順序データでもベイズモデリング順序データでもベイズモデリング
順序データでもベイズモデリング
 
Python に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろはPython に行く前に Excel で学ぶデータ分析のいろは
Python に行く前に Excel で学ぶデータ分析のいろは
 

Plus de Hiroyuki Ichikawa

裾野市アイデアソン チームB
裾野市アイデアソン チームB裾野市アイデアソン チームB
裾野市アイデアソン チームBHiroyuki Ichikawa
 
裾野市アイデアソン チームC
裾野市アイデアソン チームC裾野市アイデアソン チームC
裾野市アイデアソン チームCHiroyuki Ichikawa
 
裾野市アイデアソン チームD
裾野市アイデアソン チームD裾野市アイデアソン チームD
裾野市アイデアソン チームDHiroyuki Ichikawa
 
裾野市アイデアソン チームA
裾野市アイデアソン チームA裾野市アイデアソン チームA
裾野市アイデアソン チームAHiroyuki Ichikawa
 
袋井市Bpr研修(第5回)
袋井市Bpr研修(第5回)袋井市Bpr研修(第5回)
袋井市Bpr研修(第5回)Hiroyuki Ichikawa
 
袋井市Bpr研修(第4回)
袋井市Bpr研修(第4回)袋井市Bpr研修(第4回)
袋井市Bpr研修(第4回)Hiroyuki Ichikawa
 
袋井市Bpr研修(第3回)
袋井市Bpr研修(第3回)袋井市Bpr研修(第3回)
袋井市Bpr研修(第3回)Hiroyuki Ichikawa
 
袋井市Bpr研修(第2回)
袋井市Bpr研修(第2回)袋井市Bpr研修(第2回)
袋井市Bpr研修(第2回)Hiroyuki Ichikawa
 
自治体DX推進計画を進めるためには
自治体DX推進計画を進めるためには自治体DX推進計画を進めるためには
自治体DX推進計画を進めるためにはHiroyuki Ichikawa
 
業務フロー作成(基礎編)
業務フロー作成(基礎編)業務フロー作成(基礎編)
業務フロー作成(基礎編)Hiroyuki Ichikawa
 
データアカデミー 指標作成型4
データアカデミー 指標作成型4データアカデミー 指標作成型4
データアカデミー 指標作成型4Hiroyuki Ichikawa
 
データアカデミー 指標作成型3
データアカデミー 指標作成型3データアカデミー 指標作成型3
データアカデミー 指標作成型3Hiroyuki Ichikawa
 
BPR版データアカデミーその4
BPR版データアカデミーその4BPR版データアカデミーその4
BPR版データアカデミーその4Hiroyuki Ichikawa
 
BPR版データアカデミーその1
BPR版データアカデミーその1BPR版データアカデミーその1
BPR版データアカデミーその1Hiroyuki Ichikawa
 
裾野を広げる裾野方式 LINE Bot
裾野を広げる裾野方式 LINE Bot裾野を広げる裾野方式 LINE Bot
裾野を広げる裾野方式 LINE BotHiroyuki Ichikawa
 
三重県オープンデータ研修
三重県オープンデータ研修三重県オープンデータ研修
三重県オープンデータ研修Hiroyuki Ichikawa
 
SDCC 地域主体のスマートシティ実現へ!
SDCC 地域主体のスマートシティ実現へ!SDCC 地域主体のスマートシティ実現へ!
SDCC 地域主体のスマートシティ実現へ!Hiroyuki Ichikawa
 

Plus de Hiroyuki Ichikawa (20)

裾野市アイデアソン チームB
裾野市アイデアソン チームB裾野市アイデアソン チームB
裾野市アイデアソン チームB
 
裾野市アイデアソン チームC
裾野市アイデアソン チームC裾野市アイデアソン チームC
裾野市アイデアソン チームC
 
裾野市アイデアソン チームD
裾野市アイデアソン チームD裾野市アイデアソン チームD
裾野市アイデアソン チームD
 
裾野市アイデアソン チームA
裾野市アイデアソン チームA裾野市アイデアソン チームA
裾野市アイデアソン チームA
 
袋井市Bpr研修(第5回)
袋井市Bpr研修(第5回)袋井市Bpr研修(第5回)
袋井市Bpr研修(第5回)
 
袋井市Bpr研修(第4回)
袋井市Bpr研修(第4回)袋井市Bpr研修(第4回)
袋井市Bpr研修(第4回)
 
袋井市Bpr研修(第3回)
袋井市Bpr研修(第3回)袋井市Bpr研修(第3回)
袋井市Bpr研修(第3回)
 
袋井市Bpr研修(第2回)
袋井市Bpr研修(第2回)袋井市Bpr研修(第2回)
袋井市Bpr研修(第2回)
 
自治体DX推進計画を進めるためには
自治体DX推進計画を進めるためには自治体DX推進計画を進めるためには
自治体DX推進計画を進めるためには
 
業務フロー作成(基礎編)
業務フロー作成(基礎編)業務フロー作成(基礎編)
業務フロー作成(基礎編)
 
データアカデミー 指標作成型4
データアカデミー 指標作成型4データアカデミー 指標作成型4
データアカデミー 指標作成型4
 
データアカデミー 指標作成型3
データアカデミー 指標作成型3データアカデミー 指標作成型3
データアカデミー 指標作成型3
 
BPR版データアカデミーその4
BPR版データアカデミーその4BPR版データアカデミーその4
BPR版データアカデミーその4
 
BPR版データアカデミーその1
BPR版データアカデミーその1BPR版データアカデミーその1
BPR版データアカデミーその1
 
裾野を広げる裾野方式 LINE Bot
裾野を広げる裾野方式 LINE Bot裾野を広げる裾野方式 LINE Bot
裾野を広げる裾野方式 LINE Bot
 
三重県オープンデータ研修
三重県オープンデータ研修三重県オープンデータ研修
三重県オープンデータ研修
 
BPRのチェックリスト
BPRのチェックリストBPRのチェックリスト
BPRのチェックリスト
 
Wikipedia town Online
Wikipedia town OnlineWikipedia town Online
Wikipedia town Online
 
SDCC 地域主体のスマートシティ実現へ!
SDCC 地域主体のスマートシティ実現へ!SDCC 地域主体のスマートシティ実現へ!
SDCC 地域主体のスマートシティ実現へ!
 
Hatch Meets説明会
Hatch Meets説明会Hatch Meets説明会
Hatch Meets説明会
 

データアカデミー・エッセンス(東京)2