レッスン12: 修了と次のステップ

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。

Unit 1: NumPyの世界へ（L01〜L03）

NumPyの位置づけと速さの秘密
ndarray・shape・dtype・ndim・size
zeros / ones / arange / linspace / random

Unit 2: 配列を操る（L04〜L06）

インデックス・スライス・ビューとコピー
ブール選択・where・clip
reshape・flatten・transpose・newaxis

Unit 3: 計算とブロードキャスト（L07〜L09）

要素ごとの演算・統計関数
axis 指定・keepdims・argmax
ブロードキャストとZスコア正規化

Unit 4: 線形代数とAI実装（L10〜L12）

ドット積・行列積（@）・np.linalg
活性化関数（ReLU/Sigmoid/Softmax）
2層ニューラルネットの順伝播

2. ミニプロジェクト①: 患者リスクスコア推論

📝 ミニプロジェクトについて： ここでは詳細な解説をあえて省いています。各コードを読んで「これはどのレッスンで学んだ概念か？」を自分で確認しながら実行してみてください。すらすら読めれば、そのユニットの理解は十分です。

Unit 1〜4 の総合演習①。10人の患者特徴量から、3クラスの疾患リスク確率を計算します。正規化（L09）→ 全結合層（L10）→ ReLU（L11）→ 全結合層 → Softmax（L11）の流れです。

mini_project_1.py

Ctrl+Enter

import numpy as np

# ===== 部品の定義 =====
def relu(x):
    return np.maximum(0, x)

def softmax(x):
    exp_x = np.exp(x - x.max(axis=-1, keepdims=True))
    return exp_x / exp_x.sum(axis=-1, keepdims=True)

def fully_connected(X, W, b):
    return X @ W + b

# ===== 患者データ（10人 × 4特徴量: 年齢, BMI, SBP, 心拍数）=====
np.random.seed(0)
# np.column_stack: 複数の1次元配列を「列として並べて」2次元配列にまとめる便利関数
X_raw = np.column_stack([
    np.random.randint(20, 80, 10),
    np.random.normal(24, 4, 10),
    np.random.normal(125, 20, 10),
    np.random.normal(75, 12, 10)
])

# ===== 正規化 =====
mean = X_raw.mean(axis=0, keepdims=True)
std  = X_raw.std(axis=0, keepdims=True)
X    = (X_raw - mean) / std

# ===== 重み・バイアス（学習済みのつもりで乱数）=====
np.random.seed(42)
W1 = np.random.randn(4, 8) * 0.3
b1 = np.zeros(8)
W2 = np.random.randn(8, 3) * 0.3
b2 = np.zeros(3)

# ===== 順伝播 =====
h1 = relu(fully_connected(X, W1, b1))
logits = fully_connected(h1, W2, b2)
probs  = softmax(logits)

# ===== 予測 =====
pred = probs.argmax(axis=1)
diseases = np.array(["正常", "要観察", "要精検"])

# 結果表示
print("=== 10人の患者推論結果 ===")
print(f"{'患者':<6}{'予測':<10}{'正常':>8}{'要観察':>8}{'要精検':>8}")
for i in range(len(X_raw)):
    p = probs[i]
    print(f"{i:<6}{diseases[pred[i]]:<10}{p[0]:>8.3f}{p[1]:>8.3f}{p[2]:>8.3f}")

# 各クラスの患者数
print("\n=== 予測クラスの内訳 ===")
for k, name in enumerate(diseases):
    count = (pred == k).sum()
    print(f"  {name}: {count}人")

出力

3. ミニプロジェクト②: 巡回診療車の最適配置

総合演習②。地域に住む患者45人を、3台の巡回診療車で効率よくカバーするには、車をどこに配置すればよいでしょうか？この「最適配置問題」を NumPyだけで解いてみます。ブロードキャスト（L09）・argmin（L08）・mean（L07）など、これまでの知識が総動員されます。

📝 配置最適化のアルゴリズム：

巡回診療車3台の初期位置をランダムに決める
各患者を 最寄りの車 に割り当てる
各車の位置を「担当患者の重心」に更新する
車の位置が変わらなくなるまで2-3を繰り返す

mini_project_2.py

Ctrl+Enter

import numpy as np

# ===== 患者宅45戸の位置データを生成（地域に3つの集落がある想定）=====
np.random.seed(0)
# np.vstack: 複数の2次元配列を「縦方向に積み重ねて」結合する便利関数
patients = np.vstack([
    np.random.randn(15, 2) + [0, 0],    # 北エリア 15戸
    np.random.randn(15, 2) + [5, 5],    # 中央エリア 15戸
    np.random.randn(15, 2) + [10, 0]    # 南エリア 15戸
])
print("患者宅 shape:", patients.shape)   # (45, 2)

# ===== 巡回診療車の最適配置を求める =====
K = 3   # 巡回診療車の台数

# 初期配置: ランダムに3地点を選ぶ
np.random.seed(42)
idx = np.random.choice(len(patients), K, replace=False)
vehicles = patients[idx].copy()
print("\n初期配置:")
print(vehicles.round(2))

# 繰り返し: 患者を割り当て → 車位置を更新
for iteration in range(20):
    # 各患者と各車の距離を計算
    # patients: (45, 2)、vehicles: (3, 2) を (45, 1, 2) と (1, 3, 2) でブロードキャスト
    diff = patients[:, np.newaxis, :] - vehicles[np.newaxis, :, :]   # (45, 3, 2)
    distances = np.sqrt((diff ** 2).sum(axis=2))                     # (45, 3)

# 各患者を最寄りの車に割り当て
    assignments = distances.argmin(axis=1)                           # (45,)

# 車の位置を「担当患者の重心」に更新
    new_vehicles = np.array([
        patients[assignments == k].mean(axis=0) for k in range(K)
    ])

# 収束判定（車の位置が変わらなくなったら最適配置）
    if np.allclose(vehicles, new_vehicles):
        print(f"\n✅ 収束 ({iteration+1}回の反復で最適配置に到達)")
        break
    vehicles = new_vehicles

# 結果
print("\n最終配置（巡回診療車3台の最適位置）:")
print(vehicles.round(2))

print("\n各車の担当患者数:")
for k in range(K):
    size = (assignments == k).sum()
    print(f"  車{k}: {size}人")

出力

💡 このコードに詰まっているNumPy技術：

np.vstack：縦方向への配列結合
patients[:, np.newaxis, :]：次元追加でブロードキャスト準備（L06）
(diff ** 2).sum(axis=2)：距離の2乗を軸ごとに合計（L08）
distances.argmin(axis=1)：最寄り車のインデックスを取得（L08）
ブール選択 patients[assignments == k]（L05）
np.allclose：浮動小数点誤差を考慮した等価判定

なお、このアルゴリズムは K-means法 としても知られ、scikit-learn の KMeans でも内部では同様の処理を行っています。「最適配置問題」「クラスタリング」など分野によって呼び方が変わりますが、土台は同じです。

4. NumPyとPyTorch・他ライブラリの関係

NumPyを習得すると、関連する多くのライブラリが 「ほぼ同じ感覚」で使えます。

ライブラリ	NumPyとの関係	主な用途
pandas	内部で NumPy配列を使う。`.values` で NumPy配列が取れる	表形式データの操作・集計
scikit-learn	入出力はすべてNumPy配列。API思想も類似	機械学習（回帰・分類・クラスタリング）
PyTorch	`Tensor` は NumPy配列の上位互換。shape・スライス・演算が同じ感覚	ディープラーニング
TensorFlow	`tf.Tensor` も NumPy配列と相互変換できる	ディープラーニング

💡 NumPyを学んだあなたは、これらの基礎をすでに知っている： shape の感覚・ブロードキャスト・行列積・スライス。これらはすべての主要ライブラリで共通の言語です。次に何を学んでも、「NumPyで言うとこれと同じだな」と気づける場面が多くあります。

5. 次のステップ

NumPyの基礎を習得した今、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。

データ分析

pandas完全入門コース

表形式データ（CSV・Excelなど）を扱うライブラリ。患者カルテ・検査結果集計・統計分析まで、データ分析の必須スキル。NumPyの知識がそのまま生きます。
※ 近日公開予定。

コース一覧を見る →

機械学習

機械学習入門コース

AIの概念や基礎知識から学べる入門コース。scikit-learnで分類・回帰・クラスタリングをハンズオン実装。E資格・G検定の知識補充にも直結します。
※ 近日公開予定。

コース一覧を見る →

資格取得

E資格対策

JDLA認定のAIエンジニア資格。このコースで学んだNumPy・行列演算・正規化・順伝播はE資格のコーディング試験範囲と直結。本格的なAIエンジニアを目指す方に。
※ ある程度Python知識がついている方におすすめ（初学者は先に機械学習入門コース等を経由するとスムーズです）。

E資格対策を見る →

6. コース完走の言葉

12レッスン、お疲れさまでした。 NumPyは「単なる数値計算ライブラリ」ではなく、AI・データ解析・科学計算の 共通言語 です。ここで身につけた shape の感覚・ブロードキャスト・行列積の考え方は、pandas・scikit-learn・PyTorch のどれを学ぶときも必ず役立ちます。

コースを通じて、「NumPyだけで AI 推論を実装する」 ところまで到達しました。あなたはもう、AIモデルの中身が何をしているかを コードレベルで理解 できるエンジニアです。

このコースで身につけたこと

多次元配列（ndarray）の作成・操作・変形
ブロードキャストを使った効率的なベクトル計算
軸（axis）を意識した集計とデータ前処理
線形代数の基礎（ドット積・行列積・逆行列の概念）
AI推論の中身（正規化・活性化関数・全結合層・順伝播）

次のコースで、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

修了と次のステップ

コース修了おめでとうございます！