最短突破データサイエンティスト検定(リテラシーレベル)公式リファレンスブック 第3版 [単行本]
    • 最短突破データサイエンティスト検定(リテラシーレベル)公式リファレンスブック 第3版 [単行本]

    • ¥2,86086 ゴールドポイント(3%還元)
    • 在庫あり2025年2月12日水曜日までヨドバシエクストリームサービス便(無料)がお届け
100000009003823716

最短突破データサイエンティスト検定(リテラシーレベル)公式リファレンスブック 第3版 [単行本]



ゴールドポイントカード・プラスのクレジット決済で「書籍」を購入すると合計10%ポイント還元!書籍の購入はゴールドポイントカード・プラスのクレジット決済がお得です。
通常3%ポイント還元のところ、後日付与されるクレジット決済ポイント(1%)と特典ポイント(6%)で合計10%ポイント還元!詳しくはこちら

  • 5.0
価格:¥2,860(税込)
ゴールドポイント:86 ゴールドポイント(3%還元)(¥86相当)
フォーマット:
お届け日:在庫あり今すぐのご注文で、2025年2月12日水曜日までヨドバシエクストリームサービス便(無料)がお届けします。届け先変更]詳しくはこちら
出版社:技術評論社
販売開始日: 2024/05/07
お取り扱い: のお取り扱い商品です。
ご確認事項:返品不可
店舗受け取りが可能です
マルチメディアAkibaマルチメディア梅田マルチメディア博多にて24時間営業時間外でもお受け取りいただけるようになりました

最短突破データサイエンティスト検定(リテラシーレベル)公式リファレンスブック 第3版 の 商品概要

  • 要旨(「BOOK」データベースより)

    Society5.0時代に求められるデータサイエンススキルをわかりやすく解説。データサイエンティスト検定をきっかけにデータ活用を学習する方の入門書。スキルチェックリストver.5に対応!データサイエンティスト協会の執筆陣が、新規項目も徹底解説。
  • 目次

    はじめに

    ■第1章 DS検定とは
    データサイエンティスト検定TMリテラシーレベルとは
    データサイエンティスト協会とデータサイエンティストスキルチェックリストとは
    データサイエンティスト検定TMリテラシーレベル試験概要
    出題範囲① スキルチェックリスト
    出題範囲② 数理・データサイエンス・AI(リテラシーレベル)モデルカリキュラム
    本検定と、全てのビジネスパーソンが持つべきデジタル時代の共通リテラシー「Di-Lite」
    DX推進を目指す人材であることを示す「DX推進パスポート」
    本書の構成

    ■第2章 データサイエンス力
    DS1 ベクトルの内積に関する計算方法を理解し、線形式をベクトルの内積で表現できる
    DS2 行列同士、および行列とベクトルの計算方法を正しく理解し、複数の線形式を行列の積で表現できる
    DS3 逆行列の定義、および逆行列を求めることにより行列表記された連立方程式が解けることを理解している
    DS4 固有ベクトルおよび固有値の意味を理解している
    DS5 微分により計算する導関数が傾きを求めるための式であることを理解している
    DS6 2変数以上の関数における偏微分の計算方法を理解しており、勾配を求めることができる
    DS7 積分と面積の関係を理解し、確率密度関数を定積分することで確率が得られることを説明できる
    DS8 和集合、積集合、差集合、対称差集合、補集合についてベン図を用いて説明できる
    DS9 論理演算と集合演算の対応を理解している(ANDが積集合に対応するなど)
    DS10 順列や組合せの式 nPr, nCr を理解し、適切に使い分けることができる
    DS11 確率に関する基本的な概念の意味を説明できる(確率、条件付き確率、期待値、独立など)
    DS12 平均、中央値、最頻値の算出方法の違いを説明できる
    DS13 与えられたデータにおける分散、標準偏差、四分位、パーセンタイルを理解し、目的に応じて適切に使い分けることができる
    DS14 母(集団)平均と標本平均、不偏分散と標本分散がそれぞれ異なることを説明できる
    DS15 標準正規分布の平均と分散の値を知っている
    DS16 相関関係と因果関係の違いを説明できる
    DS17 名義尺度、順序尺度、間隔尺度、比例尺度の違いを説明できる
    DS18 ピアソンの相関係数の分母と分子を説明できる
    DS19 5つ以上の代表的な確率分布を説明できる
    DS20 二項分布は試行回数が増えていくとどのような分布に近似されるかを知っている
    DS21 変数が量的、質的どちらの場合でも関係の強さを算出できる
    DS22 指数関数とlog関数の関係を理解し、片対数グラフ、両対数グラフ、対数化されていないグラフを適切に使いわけることができる
    DS23 ベイズの定理を説明できる
    DS28 分析、図表から直接的な意味合いを抽出できる(バラツキ、有意性、分布傾向、特異性、関連性、変曲点、関連度の高低など)
    DS29 想定に影響されず、数量的分析結果を客観的に解釈できる
    DS31 適切なデータ区間設定でヒストグラムを作成し、データのバラつき方を把握できる
    DS32 適切な軸設定でクロス集計表を作成し、属性間のデータの偏りを把握できる
    DS33 量的変数の散布図を描き、2変数の関係性を把握できる
    DS44 点推定と区間推定の違いを説明できる
    DS45 統計的仮説検定において帰無仮説と対立仮説の違いを説明できる
    DS46 第1種の過誤、第2種の過誤、p値、有意水準の意味を説明できる
    DS47 片側検定と両側検定の違いを説明できる
    DS48 検定する対象となるデータの対応の有無を考慮した上で適切な検定手法(t検定, z検定など)を選択し、適用できる
    DS51 条件Xと事象Yの関係性を信頼度、支持度、リフト値を用いて評価できる
    DS53 ある特定の処置に対して、その他の変数や外部の影響を除いた効果を測定するためには、処置群(実験群)と対照群に分けて比較・分析する必要があることを知っている
    DS54 ある変数が他の変数に与える影響(因果効果)を推定したい場合、その双方に影響を与える共変量(交絡因子)の考慮が重要であると理解している(喫煙の有無と疾病発症の双方に年齢が影響している場合など)
    DS55 分析の対象を定める段階で選択バイアスが生じる可能性があることを理解している(途中離脱者の除外時、欠損データの除外時など)
    DS61 単独のグラフに対して、集計ミスや記載ミスなどがないかチェックできる
    DS62 データ項目やデータの量・質について、指示のもと正しく検証し、結果を説明できる
    DS67 データが生み出される経緯・背景を考え、データを鵜呑みにはしないことの重要性を理解している
    DS70 どのような知見を得たいのか、目的に即して集計し、データから事実を把握できる
    DS71 データから事実を正しく浮き彫りにするために、集計の切り口や比較対象の設定が重要であることを理解している
    DS72 普段業務で扱っているデータの発生トリガー・タイミング・頻度などを説明でき、また基本統計量や分布の形状を把握している
    DS73 時系列データとは何か、その基礎的な扱いについて説明できる(時系列グラフによる周期性やトレンドの確認、移動平均、回帰や相関計算における注意点など)
    DS82 標本誤差およびサンプリングバイアス、およびそれぞれの違いについて説明できる
    DS83 実験計画法の基本的な3原則(局所管理化、反復、無作為化)について説明できる
    DS87 外れ値・異常値・欠損値とは何かを理解し、指示のもと適切に検出と除去・変換などの対応ができる
    DS89 標準化とは何かを理解し、適切に標準化が行える
    DS90 名義尺度の変数をダミー変数に変換できる
    DS93 数値データの特徴量化(二値化/離散化、対数変換、スケーリング/正規化、交互作用特徴量の作成など)を行うことができる
    DS101 データの性質を理解するために、データを可視化し眺めて考えることの重要性を理解している
    DS102 可視化における目的の広がりについて概略を説明できる(単に現場の作業支援する場合から、ビッグデータ中の要素間の関連性をダイナミックに表示する場合など)
    DS105 散布図などの軸出しにおいて、目的やデータに応じて縦軸・横軸の候補を適切に洗い出せる
    DS106 積み上げ縦棒グラフでの属性の選択など、目的やデータに応じて適切な層化(比較軸)の候補を出せる
    DS110 サンプリングやアンサンブル平均によって適量にデータ量を減らすことができる
    DS111 読み取りたい特徴を効果的に可視化するために、統計量を使ってデータを加工できる
    DS118 データ解析部門以外の方に、データの意味を可視化して伝える重要性を理解している
    DS119 情報提示の相手や場に応じて適切な情報濃度を判断できる(データインク比の考え方など)
    DS120 不必要な誇張をしないための軸表現の基礎を理解できている(コラムチャートのY軸の基準点は「0」からを原則とし軸を切らないなど)
    DS121 強調表現がもたらす効果と、明らかに不適切な強調表現を理解している(計量データに対しては位置やサイズ表現が色表現よりも効果的など)
    DS122 1~3次元の比較において目的(比較、構成、分布、変化など)に応じ、BIツール、スプレッドシートなどを用いて図表化できる
    DS123 端的に図表の変化をアニメーションで可視化できる(人口動態のヒストグラムが経年変化する様子を表現するなど)
    DS124 1~3次元の図表を拡張した多変量の比較を適切に可視化できる(平行座標、散布図行列、テーブルレンズ、ヒートマップなど)
    DS133 外れ値を見出すための適切な表現手法を選択できる
    DS134 データの可視化における基本的な視点を挙げることができる(特異点、相違性、傾向性、関連性を見出すなど)
    DS139 単回帰分析において最小二乗法、回帰係数、標準誤差、決定係数を理解し、モデルを構築できる
    DS140 重回帰分析において偏回帰係数と標準偏回帰係数、重相関係数、自由度調整済み決定係数について説明できる
    DS141 線形回帰分析とロジスティック回帰分析のそれぞれが予測する対象の違いを理解し、適切に使い分けられる
    DS153 ROC曲線、AUC(Area under the curve)を用いてモデルの精度を評価できる
    DS154 混同行列(正誤分布のクロス表)、Accuracy、Precision、Recall、F値、特異度を理解し、精度を評価できる
    DS155 RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)、MAPE(Mean Absolute Percentage Error)、決定係数といった評価尺度を理解し、精度を評価できる
    DS161 機械学習の手法を3つ以上知っており、概要を説明できる
    DS162 機械学習のモデルを使用したことがあり、どのような問題を解決できるか理解している(回帰・分類、クラスター分析の用途など)
    DS163 「教師あり学習」「教師なし学習」の違いを理解している
    DS164 過学習とは何か、それがもたらす問題について説明できる
    DS165 次元の呪いとは何か、その問題について説明できる
    DS166 教師あり学習におけるアノテーションの必要性を説明できる
    DS167 観測されたデータにバイアスが含まれる場合や、学習した予測モデルが少数派のデータをノイズと認識してしまった場合などに、モデルの出力が差別的な振る舞いをしてしまうリスクを理解している
    DS168 機械学習における大域的(global)な説明(モデル単位の各変数の寄与度など)と局所的(local)な説明(予測するレコード単位の各変数の寄与度など)の違いを理解している
    DS169 ホールドアウト法、交差検証(クロスバリデーション)法の仕組みを理解し、訓練データ、パラメータチューニング用の検証データ、テストデータを作成できる
    DS170 時系列データの場合は、時間軸で訓練データとテストデータに分割する理由を理解している
    DS171 機械学習モデルは、データ構成の変化(データドリフト)により学習完了後から精度が劣化していくため、運用時は精度をモニタリングする必要があることを理解している
    DS172 ニューラルネットワークの基本的な考え方を理解し、入力層、隠れ層、出力層の概要と、活性化関数の重要性を理解している
    DS173 決定木をベースとしたアンサンブル学習(Random Forest、勾配ブースティング[Gradient Boosting Decision Tree:GBDT]、 その派生形であるXGBoost、LightGBMなど)による分析を、ライブラリを使って実行でき、変数の寄与度を正しく解釈できる
    DS174 連合学習では、データは共有せず、モデルのパラメータを共有して複数のモデルを統合していることを理解している
    DS175 モデルの予測性能を改善するためには、モデルの改善よりもデータの質と量を向上させる方が効果的な場合があることを理解している
    DS201 深層学習(ディープラーニング)モデルの活用による主なメリットを理解している(特徴量抽出が可能になるなど)
    DS202 データサイエンスやAIの分野におけるモダリティの意味を説明できる(データがどのような形式や方法で得られるか、など)
    DS219 時系列分析を行う際にもつべき視点を理解している(長期トレンド、季節成分、周期性、ノイズ、定常性など)
    DS227 教師なし学習のグループ化(クラスター分析)と教師あり学習の分類(判別)モデルの違いを説明できる
    DS228 階層クラスター分析と非階層クラスター分析の違いを説明できる
    DS229 階層クラスター分析において、デンドログラムの見方を理解し、適切に解釈できる
    DS240 ネットワーク分析におけるグラフの基本概念(有向・無向グラフ、エッジ、ノード等)を理解している。
    DS247 レコメンドアルゴリズムにおけるコンテンツベースフィルタリングと協調フィルタリングの違いを説明できる
    DS250 テキストデータに対する代表的なクリーニング処理(小文字化、数値置換、半角変換、記号除去、ステミングなど)を目的に応じて適切に実施できる
    DS251 形態素解析や係り受け解析のライブラリを適切に使い、基本的な文書構造解析を行うことができる
    DS252 自然言語処理を用いて解けるタスクを理解し、各タスクの入出力を説明できる(GLUEタスクや固有表現抽出、機械翻訳など)
    DS265 画像のデジタル表現の仕組みと代表的な画像フォーマットを知っている
    DS266 画像に対して、目的に応じた適切な色変換や簡単なフィルタ処理などを行うことができる
    DS267 画像データに対する代表的なクリーニング処理(リサイズ、パディング、正規化など)を目的に応じて適切に実施できる
    DS268 画像認識を用いて解けるタスクを理解し、入出力とともに説明できる(識別、物体検出、セグメンテーションなどの基本的タスクや、姿勢推定、自動運転などの応用的タスク)
    DS274 動画のデジタル表現の仕組みと代表的な動画フォーマットを理解しており、動画から画像を抽出する既存方法を使うことができる
    DS277 wavやmp3などの代表的な音声フォーマットの特徴や用途、基本的な変換処理について説明できる(サンプリングレート、符号化、量子化など)
    DS282 大規模言語モデル(LLM)でハルシネーションが起こる理由を学習に使われているデータの観点から説明できる(学習用データが誤りや歪みを含んでいる場合や、入力された問いに対応する学習用データが存在しない場合など)

    ■第3章 データエンジニアリング力
    DE1 オープンデータを収集して活用する分析システムの要件を整理できる
    DE8 サーバー1~10台規模のシステム構築、システム運用を手順書を元に実行できる
    DE9 オンプレミス環境もしくはIaaS上のデータベースに格納された分析データのバックアップやアーカイブ作成などの定常運用ができる
    DE19 ノーコード・ローコードツールを組み合わせ、要件に応じたアプリやツールを設計できる
    DE20 コンテナ技術の概要を理解しており、既存のDockerイメージを活用して効率的に分析環境を構築できる
    DE21 分析環境を提供するクラウド上のマネージドサービス(Amazon SageMaker、Azure Machine Learning、Google Cloud Vertex AI、IBM Watson Studioなど)を利用して、機械学習モデルを開発できる
    DE34 対象プラットフォーム(クラウドサービス、分析ソフトウェア)が提供する機能(SDKやAPIなど)の概要を説明できる
    DE35 Webクローラー・
  • 内容紹介

    集めたデータから価値を創出し、ビジネス課題に答えを出すデータサイエンティストは、ますます必要とされてきています。
    そんなデータサイエンティストには、様々なスキルが求められています。

    ・情報処理、人工知能、統計学などの情報科学系の知恵を理解し使う、データサイエンス力
    ・データサイエンスを意味のある形に使えるようにし実装・運用できるようにする、データエンジニアリング力
    ・課題背景を理解した上でビジネス課題を整理し解決する、ビジネス力

    さらに、これらのスキルを日常生活や仕事等の場で活かすための学修目標を示した

    ・数理・データサイエンス・AI(リテラシーレベル)モデルカリキュラム

    も公表されています。

    データサイエンティスト検定(リテラシーレベル)では、これらの基礎的な部分を総合的に問われます。

    本書では、問われる項目をひとつひとつピックアップし、現場の第一線でで活躍する著者が詳しく解説しています。
    読み込めば読み込むほど力になる、試験対策のための一冊です。
  • 著者について

    菅 由紀子 (カン ユキコ)
    株式会社Rejoui(リジョウイ) 代表取締役一般社団法人データサイエンティスト協会 スキル定義委員広島大学 客員教授2004年に株式会社サイバーエージェントに入社し、ネットリサーチ事業の立ち上げに携わる。2006年より株式会社ALBERTに転じ、データサイエンティストとして多数のプロジェクトに従事。2016年9月に株式会社Rejouiを創立し、企業や自治体におけるデータ利活用、データサイエンティスト育成事業を展開しているほか、ジェンダーを問わずデータサイエンティストの活躍支援を行う世界的活動WiDS(Women in Data Science)アンバサダーとして日本における中心的役割を果たしている。

    佐伯 諭 (サエキ サトシ)
    一般社団法人データサイエンティスト協会 スキル定義委員会副委員長、事務局長ビーアイシーピー・データ株式会社 取締役COOSIerでのエンジニア、外資系金融でモデリング業務などの経験を経て、2005年に電通入社。デジタルマーケティングの黎明期からデータ・テクノロジー領域をリード。電通デジタル創業期には執行役員CDOとして組織開発やデータ人材の採用、育成などを担務。データサイエンティスト協会創立メンバーとして理事を7年間務めた後、現在は独立し、DXコンサルタントや協会事務局メンバーとして活動中。

    高橋 範光 (タカハシ ノリミツ)
    株式会社ディジタルグロースアカデミア 代表取締役会長株式会社チェンジホールディングス 執行役員一般社団法人データサイエンティスト協会 スキル定義委員アクセンチュアのマネージャーを経て、2005年に株式会社チェンジに入社。2013年、データサイエンティスト育成事業を開始するとともに、自身も製造業、社会インフラ、公共、保険、販売会社などのデータサイエンス案件を担当。現在は、ディジタルグロースアカデミアの代表取締役社長として、デジタル人財育成事業のさらなる拡大を目指す。著書に『道具としてのビッグデータ』(日本実業出版社)がある。

    田中 貴博 (タナカ タカヒロ)
    株式会社日立製作所 人財統括本部 デジタルシステム&サービス人事総務本部 直轄人事部 シニアHRビジネスパートナー一般社団法人データサイエンティスト協会 スキル定義委員独立系SIerでのシステムエンジニア、教育ベンチャーでのコンサルタントなどを経て、2010年、株式会社日立アカデミー入社。日立グループの社内認定制度に連動したデータサイエンティスト認定講座、デジタル事業・サービスの事業化検討ワークショップの企画・運営などを担当。現在は、DX関連の研修・サービス事業の統括責任者として、DX事業へのコーポレート・トランスフォーメーションをめざし、本社施策と連動した人財育成に取り組んでいる。

    大川 遥平 (オオカワ ヨウヘイ)
    株式会社AVILEN 取締役一般社団法人データサイエンティスト協会 スキル定義委員大学時代にAI/統計学のメディア「全人類がわかる統計学(現 AVILEN AI Trend)」を開設したのち、大学院在学中に株式会社AVILENを創業。AI人材育成事業とAI開発事業の立ち上げを行い、現在も取締役としてAVILENのプロダクトの質の向上に尽力している。

    大黒 健一 (ダイコク ケンイチ)
    株式会社日立アカデミー 事業戦略本部戦略企画部部長一般社団法人データサイエンティスト協会 学生部会副部会長博士(農学)日立グループのデジタルトランスフォーメーション推進のための人財育成の推進を担当。総務省統計局「社会人のためのデータサイエンス演習」Day3講師。著書に『ビジネス現場の担当者が読むべき、IoTプロジェクトを成功に導くための本』(秀和システム)がある。

    森谷 和弘 (モリヤ カズヒロ)
    データ解析設計事務所 代表データアナリティクスラボ株式会社 取締役CTO一般社団法人データサイエンティスト協会 スキル定義委員富士通グループにてデータベースエンジニアとしてのキャリアを積み、その後データ・フォアビジョン㈱でデータベースソリューションとデータサイエンス、人事等の役員を担当。2018年よりフリーランスとして独立し、AIコンサルタントや機械学習エンジニア、データサイエンティスト、データアーキテクトとして活動。2019年、データアナリティクスラボ㈱を共同経営者として起業。現在はフリーランスと会社経営の二足の草鞋で活動中。

    參木 裕之 (ミツギ ヒロユキ)
    株式会社大和総研 フロンティア研究開発センター データドリブンサイエンス部チーフグレード/主任データサイエンティスト一般社団法人データサイエンティスト協会 スキル定義委員大和総研に2013年に入社。システム開発部門にて、データモデリングやアプリケーション開発などの業務に従事した後、2017年より現職。主に、証券会社、官公庁向けの機械学習や自然言語処理を用いたデータサイエンス案件、分析コンサルティングを担当。2020年より東京工業大学大学院非常勤講師を兼務。

    北川 淳一郎 (キタガワ ジュンイチロウ)
    LINEヤフー株式会社一般社団法人データサイエンティスト協会 スキル定義委員株式会社ミクロスソフトウェアでエンジニア経験を積んだ後に、2011年にヤフー株式会社に入社。インターネット広告システムのエンジニアをしつつ、データサイエンスという分野に出会う。その後、「ヤフオク!」の検索精度向上、ディスプレイ広告の配信精度向上、ローカル検索の精度向上、求人検索の精度向上などを担当。現在は、同社にて営業支援を行うAI開発に取り組んでいる。

    守谷 昌久 (モリヤ マサヒサ)
    日本アイ・ビー・エム株式会社 シニアアーキテクト一般社団法人データサイエンティスト協会 スキル定義委員ソフトウェア開発会社でデータ解析ソフトウェア開発に従事後、2008年に日本アイ・ビー・エム株式会社に入社。大学生時代よりIBM製品の統計解析ソフトウェアSPSSによるデータ分析(主に多変量量解析)に携わりSPSS使用歴は20年以上。実業務では製造業を中心としたお客様にビッグデータやIoTを活用したITシステムの構築やWatson、SPSS、CognosなどのIBMのData and AI製品の導入コンサルティングを行う。

    山之下 拓仁 (ヤマノシタ タクヒト)
    一般社団法人データサイエンティスト協会 スキル定義委員教育業界での、生徒一人一人に合わせた教育指導をサポートするAIエンジンの研究開発、金融業界の金融データ分析や金融工学に基づく数理モデル構築業務、ソーシャルゲーム業界のビックデータを解析する為の組織作り、人材業界のマッチングにおけるデータ解析、分析基盤構築、機械学習手法の大学との研究開発など、様々な業界におけるデータ活用やAI開発などに従事。

    苅部 直知 (カリベ ナオト)
    一般社団法人データサイエンティスト協会 スキル定義委員LINEヤフー株式会社リクルートテクノロジーズなどIT系企業を中心に勤務し、Webアクセス解析・BIツール(Tableau、Adobe Analytics、Google Analytics)などの導入・ツールを利用した分析業務に携わる。その経験を元にデータ分析基盤支援エンジニアとして2017年にヤフー株式会社に入社。2020年にデータサイエンティスト協会スキル定義委員に志願し参画。2023年よりLINEヤフー株式会社に所属。

    孝忠 大輔 (コウチュウ ダイスケ)
    日本電気株式会社 アナリティクスコンサルティング統括部長一般社団法人データサイエンティスト協会 スキル定義委員流通・サービス業を中心に分析コンサルティングを提供し、2016年、NECプロフェッショナル認定制度「シニアデータアナリスト」の初代認定者となる。2018年、NECグループのAI人材育成を統括するAI人材育成センターのセンター長に就任し、AI人材の育成に取り組む。著書に『AI人材の育て方』(翔泳社)、『教養としてのデータサイエンス』(講談社・共著)がある。

    福本 信吾 (フクモト シンゴ)
    一般社団法人データサイエンティスト協会 スキル定義委員大手SIerでSEとして勤務後、データ・フォアビジョン㈱で分析チームを統括し、主に金融機関向けにデータ分析サービスを提供。現在、保険会社内のデータサイエンティストとして分析チームの統括、および社内の分析関連プロジェクトの遂行に従事。

最短突破データサイエンティスト検定(リテラシーレベル)公式リファレンスブック 第3版 の商品スペック

商品仕様
出版社名:技術評論社
著者名:菅 由紀子(著)/佐伯 諭(著)/高橋 範光(著)/田中 貴博(著)/大川 遙平(著)/大黒 健一(著)/森谷 和弘(著)/參木 裕之(著)/北川 淳一郎(著)/守谷 昌久(著)/山之下 拓仁(著)/苅部 直知(著)/孝忠 大輔(著)/福本 信吾(著)
発行年月日:2024/05/16
ISBN-10:4297141302
ISBN-13:9784297141301
判型:A5
対象:専門
発行形態:単行本
内容:電子通信
言語:日本語
ページ数:368ページ
縦:21cm
他の技術評論社の書籍を探す

    技術評論社 最短突破データサイエンティスト検定(リテラシーレベル)公式リファレンスブック 第3版 [単行本] に関するレビューとQ&A

    商品に関するご意見やご感想、購入者への質問をお待ちしています!