Machine Learning ジャーニーの一部新着ジャーニー機械学習のための統計学
どのモデルも頼りにしている統計を、数式の暗記ではなくシミュレーションとグラフで身につけます。NumPy、pandas、SciPy、scikit-learnを使う本物のPythonで、どのレッスンにもグラフがあります。
64 レッスン63 チャレンジ265 クイズの問題
- 初心者向け
AIによるコーディングサポート
実践的なインタラクティブレッスン
知識を確かめるクイズ
無料の修了証明書
シラバス
このセクションは Machine Learning ジャーニーの一部です。シラバス全体にはさらに多くのセクションがあります。下のプレビューをクリックして、ジャーニーページで確認してください。
- セクション 1データとプロット60 レッスン
セクション 2
機械学習のための統計
セクションを始める開始あらゆるモデルを支える統計の基礎：中心とばらつき、分布、シミュレーションによる確率、サンプル、外れ値、相関、トレンドライン、グループ検定、そして特徴量のスケーリングとエンコーディング。すべての概念を実データで計算し、プロットします。中心とばらつき
6 レッスン625分布
6 レッスン625シミュレーションで学ぶ確率
6 レッスン625標本と母集団
5 レッスン520外れ値
5 レッスン520関係性
6 レッスン525トレンドライン
6 レッスン625グループの比較
6 レッスン625特徴量スケーリング
5 レッスン520カテゴリのエンコーディング
4 レッスン415データセットを探る
5 レッスン520最終課題
4 レッスン420- セクション 3教師あり学習58 レッスン
- セクション 4教師なし学習51 レッスン
実践で学ぶ
実際のコードを書き、データベースをクエリし、ウェブサイトを構築し、AIプロンプトをマスターしましょう。インタラクティブなレッスンで現代の開発者に必要なすべてのスキルを網羅しています。
連続記録を築こう
継続して進捗を見守りましょう！毎日のコーディング習慣を追跡し、フリーズ日で連続記録を守り、毎日参加することで報酬を獲得しましょう。
12 日連続
明日も戻ってきて連続記録を維持しましょう！
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
ダブル・オア・ナッシング
7日中5日目
連続記録フリーズ
2 left
どこでも学べる
コーディングの旅を持ち歩こう！セットアップ不要、ダウンロード不要：開いてすぐにコーディング開始。iOS、Android、Webで4.9星評価で利用可能。
あなたは一人じゃない
グローバルリーダーボードで競い、友達を招待して報酬を獲得し、お互いの成功を祝いましょう。プログラミングは友達と一緒の方が楽しい！
1
2
3
昇格ゾーンあらゆる学び方に対応
読む・聴く・自分を試す・AIに聞く・学んだことを調べる。どんな学び方にも対応したレッスンです。
変数は、後でプログラム内で参照できる値を格納する、名前のついた入れ物です。
Pythonでは、名前、イコール記号、格納したい値の順で書くことで作成します。
値は後から変えられます。再代入すると、名前は新しい値を指すようになります。
修了証を取得
完了したすべてのコースで証明書を獲得しましょう。LinkedInプロフィールや履歴書に追加して、雇用主にプログラミングスキルをアピールしましょう。
修了証明書Pythonの基礎
LinkedInに追加Coddyで機械学習のための統計を学ぶ理由
- シミュレーションしてから、見る。サイコロを何千回も振り、標本を何千回も取り出し、グループを何千回も混ぜ直して、ヒストグラムが落ち着いていく様子を眺めます。確率は、数式になる前に、数えられる割合です。
- どのレッスンにもグラフがあります：正規曲線を重ねた密度ヒストグラム、外れ値の見える箱ひげ図、相関のヒートマップ、当てはめた傾向線。実行すると、自分のグラフが「グラフ」タブに表示されます。
- 機械学習で実際に使う統計：平均と中央値、ばらつきとパーセンタイル、分布とzスコア、標本抽出、外れ値、相関、最小二乗法と決定係数（R²）、p値とt検定。
- モデルが始まる地点で終わります：
StandardScalerによる特徴量のスケーリング、pd.get_dummiesによるカテゴリのエンコード、そして何かを訓練する前に新しいデータセットを探索するためのチェックリスト。
機械学習のための統計学についてよくある質問
機械学習にはどのくらい統計の知識が必要ですか？
多くの人が心配するほどではありません。モデルをうまく訓練して評価するには、中心とばらつきを読み取り、分布と外れ値が何かを知り、相関で関係を測り、直線を当てはめ、本当の差と偶然を見分けられれば十分です。それがこのセクションの内容です。証明や高度な確率論は研究には大切ですが、scikit-learnを上手に使うためには必要ありません。
データサイエンスで使う統計と同じですか？
はい。記述統計、分布、標本抽出、相関、回帰直線、仮説検定は、データサイエンスと機械学習の統計に共通する中核です。最後の章はモデル寄りで、スケーリング、エンコード、訓練前のデータセット探索を扱います。
微積分や線形代数は必要ですか？
いいえ。すべて算数、シミュレーション、グラフで学びます。数式が出てくる場面では、1行のコードと1枚の図として出会い、シミュレーションで確かめます。微積分と線形代数は、あとでアルゴリズムの仕組みを深く学ぶときに役立ちます。
p値とは、わかりやすく言うと何ですか？
stats.ttest_indに出会います。どのPythonライブラリを使いますか？
statsモジュール、そしてStandardScalerにはscikit-learnを使います。どれもこの前のPythonデータ可視化セクションで学びます。どのくらい時間がかかりますか？
64レッスンで、自分のペースで約11時間、1日30分なら3週間から4週間です。本物らしいデータを使う4つの最終チャレンジも含みます。
統計のセクションは無料ですか？
はい。レッスン、グラフ、AIヒント、セクションの修了証は無料です。無料アカウントでは1日に数レッスンまで進められ、Proなら1日の上限がなくなります。
