システムアーキテクト 2017年 午前2 問17

データサイエンス力【午前2解説】

正解の理由

解法ステップ

1. 表の「データサイエンス力」の定義文をキーワード（例：人工知能、統計学、予測、検定、可視化、モデリング）で把握する。
2. 各選択肢のキーワードを対応させる（モデル・手法・評価 → データサイエンス、システム設計・分散処理 → エンジニアリング、事業構造理解 → ビジネス力）。
3. 最も定義に直接対応する選択肢を選ぶ。ここではモデル選択・パラメタ設定・評価を示すエが該当する。

選択肢別の誤答解説

• ア: 扱うデータの規模やオンプレ/クラウドの選定・設計は、インフラやシステムアーキテクチャの判断に関する事項です。これは主にデータエンジニアリングやITアーキテクト領域に属します。
• イ: 事業モデルやバリューチェーンの理解、問題の構造化はビジネス力（ビジネスアナリティクス）に該当します。データサイエンス力というより、課題定義や要件整理の役割です。
• ウ: 分散処理フレームワークを用いた並列処理システムの設計はデータ処理基盤やエンジニアリング寄りの能力です。大規模データ処理の実装能力であり、データサイエンスのモデル作成そのものとは異なります。
• エ: 決定木、ニューラルネットワークなどのモデリング手法の選択、パラメータ調整、評価を含むため、定義どおりデータサイエンス力に一致します。

よくある誤解

• モデリングは「プログラミング力」と混同しやすい：モデルの設計や評価は数学・統計学的な判断が中心で、単なるコーディングとは目的が異なります。
• クラウドや分散処理の知識があればデータサイエンティストになれると考える誤り：インフラ知識は有益ですが、それ自体はデータサイエンス力の本質ではありません。
• ビジネス理解とデータサイエンスを同列に扱う誤解：両者は密接に連携しますが、定義上は異なるスキル領域（ビジネス力 vs データサイエンス力）です。

補足コラム

• モデル選択：回帰、決定木、ランダムフォレスト、ニューラルネットワークなどから目的・データ特性に合う手法を選ぶ。
• パラメータ調整：ハイパーパラメータ探索（グリッドサーチ、ベイズ最適化など）を実施。
• 評価：交差検証、混同行列、精度（accuracy）、AUC、RMSE等の指標を用いて性能評価を行う。
• 前処理と可視化：欠損処理、特徴量エンジニアリング、可視化（箱ひげ図、散布図、ヒートマップ）でデータの理解を深める。
  代表的ツール：Python（pandas、scikit-learn、TensorFlow）、R、Jupyter Notebookなど。

FAQ