レッスン12: 修了とミニプロジェクト

1. 学んだこと — コース総復習

このコースで習得した4つのユニットを振り返りましょう。「AIとは？」から始めて、自分の手でモデルを作れるところまで来ました。

Unit 1: 機械学習の基礎（L01〜L03）

AI / 機械学習 / ディープラーニングの関係
特徴量・ラベル・モデル・学習(fit)・推論(predict)
訓練/テスト分割・過学習・汎化

Unit 2: 回帰（L04〜L06）

線形回帰・傾き(coef_)・切片(intercept_)
評価指標：MAE・MSE・RMSE・R²
重回帰・標準化(StandardScaler)

Unit 3: 分類（L07〜L09）

ロジスティック回帰・確率(predict_proba)
混同行列・適合率・再現率・偽陰性
決定木・ランダムフォレスト・特徴量の重要度

Unit 4: 教師なし学習と仕上げ（L10〜L12）

クラスタリング(k-means)・重心
過学習の見える化・交差検証
ハイパーパラメータ・総合プロジェクト

2. ミニプロジェクト：がん診断の予測モデルを作る

📝 ミニプロジェクトについて： ここでは細かい解説をあえて省いています。各行を読んで「これはどのレッスンの内容か？」を思い出しながら実行してみてください。すらすら読めれば、コースの理解は十分です。

乳がんの検査データから「悪性か良性か」を予測するモデルを、 pandasで整える → 分割 → 標準化 → 学習 → 評価まで一気通貫で作ります。これまで学んだ要素がすべてつながります。

project_part1.py

Ctrl+Enter

出力

正解率だけでなく、医療で大切な「見逃し（偽陰性）」まで確認しましょう（レッスン8の内容）。

project_part2.py

Ctrl+Enter

出力

🩺 結果の考察： 正解率98.2%。悪性63人のうち62人を発見、見逃し（FN）は1人でした（再現率0.984）。実務では「この1人の見逃しをどう減らすか（しきい値の調整・特徴量の追加・別モデル）」を考えます。 あなたはもう、データから予測モデルを作り、医療の視点で評価できるところまで到達しました。

3. 自由演習 — モデルを比べてみよう

学んだ複数のモデルを同じデータで比べてみましょう。交差検証（レッスン11）で公平に評価します。

free_practice.py

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

X, y = load_breast_cancer(return_X_y=True)

# ロジスティック回帰はスケールに敏感。条件をそろえるため「標準化 → モデル」を
# make_pipeline で1つに連結する。
#  → 交差検証の各回で、訓練側だけで標準化してから学習・評価してくれる（リークしない正しい比較）
#  ※ 決定木・RFは標準化の影響を受けないが、同じ手順でそろえて比較する
models = {
    "ロジスティック回帰": LogisticRegression(max_iter=5000, random_state=42),
    "決定木": DecisionTreeClassifier(random_state=42),
    "ランダムフォレスト": RandomForestClassifier(random_state=42),
}

print("=== 交差検証(cv=5)での平均スコア比較（標準化あり）===")
for name, model in models.items():
    pipe = make_pipeline(StandardScaler(), model)
    score = cross_val_score(pipe, X, y, cv=5).mean()
    print(f"{name}: {round(score, 3)}")
# ロジスティック回帰 0.981 / 決定木 0.917 / ランダムフォレスト 0.956

# どのモデルが良かった？ 目的（再現率重視など）によって選び方は変わります

出力

4. 次のステップ

機械学習の全体像と基本モデルを身につけた今、次に何を学ぶかは目的によって変わります。あなたの目指す方向に合わせて、選択肢を3つ紹介します。

資格・理論

E資格対策

JDLA認定のAIエンジニア資格。試験は「実装」と「数学・理論」の両輪で、E資格対策コンテンツは数式・理論の解説が中心です。このコースで身につけた実装感覚に、線形代数・確率統計・深層学習の理論を重ねると合格にぐっと近づきます。
※ ある程度Python・機械学習に触れた方におすすめ。

E資格対策を見る →

医療AI

医療AIコース

医療データに特化した実践コース。画像診断・時系列データなど、医療現場のAI活用をより深く扱う予定です。本コースの「予測モデルを作る・評価する」力が土台になります。
※ 近日公開予定。

コース一覧を見る →

土台の復習

pandas / NumPy コース

機械学習の前処理・数値計算の土台。データ整形（pandas）や配列（NumPy）に不安が残るなら、ここで固め直すと、この先のモデル開発がぐっと楽になります。
✓ どちらも公開中・各全12レッスン無料

pandasコースを見る →

5. コース完走の言葉

12レッスン、お疲れさまでした。このコースで、あなたは「AIって結局なに？」から、自分の手で予測モデルを作り、医療の視点で評価するところまで到達しました。

機械学習は、データから意味を引き出し、未来を予測するための強力な道具です。ここで身につけた「分割 → 学習 → 評価 → 改善」の流れは、回帰でも分類でも、どんな課題でも変わりません。その型が、あなたの中にもう備わっています。

このコースで身につけたこと

AI・機械学習・ディープラーニングの全体像（AI概論）
回帰（数値の予測）と、その評価（MAE・R²）
分類（区分の予測）と、混同行列・再現率・偽陰性の考え方
決定木・ランダムフォレスト・k-meansクラスタリング
過学習を防ぐ交差検証とハイパーパラメータ調整

次のステージへ、さらにスキルアップを 🚀

あなたの目標に合わせて、次の学習リソースをご活用ください。

Python学習PFトップ E資格対策ブログ

修了とミニプロジェクト

コース修了おめでとうございます！