決定木分析

データの特徴量や条件に基づいて分岐を木構造で表現し、分類・回帰・意思決定を行う手法。結果の解釈が容易で可視化しやすい。機械学習ではランダムフォレストの基礎となり、意思決定分析では期待値やリスクの評価に用いられる。

特徴量に基づく条件分岐を木構造で表現し、分類や回帰を行う機械学習手法。情報利得やジニ不純度を基準にノードを分割する。解釈性が高く、ランダムフォレストや勾配ブースティングの基礎となる。

特徴量に関する条件で、データを木の形に繰り返し分岐させて予測を行う機械学習のモデル。各分岐では、ジニ不純度やエントロピー（情報利得）が最もよく減る特徴量と分割点を選び、分類にも回帰にも使える。判断の根拠を人が読み取りやすい一方、深く育てると過学習しやすいので深さの制限や枝刈りを行い、ランダムフォレストや勾配ブースティングの基本の部品になる。

データを特徴量の条件で繰り返し分岐させた木構造のモデルで、分類や回帰を行う機械学習の手法。分岐の基準にはジニ不純度や情報利得（エントロピーの減少）を使う。判断の過程が分かりやすく説明性が高いが、過学習しやすいため、ランダムフォレストなどのアンサンブル学習の基礎として使われる。

目的変数が2値（有/無、成功/失敗など）の場合に、説明変数から目的変数の発生確率を推定する統計的分析手法。マーケティングにおける購買予測やリスク分析に活用される。

類似性に基づいてデータを複数のグループ（クラスター）に分類する分析手法。顧客セグメンテーションや市場分析などに活用される。教師なし学習の代表的な手法。

事前分布・事後分布といった確率に関する考え方に基づいて体系化された統計理論。機械学習や迷惑メールフィルターなどに利用され、新たなデータを得るたびに確率を更新していく特徴がある。

読みやすさを重視した構文を持つ、インタプリタ方式の汎用プログラム言語。字下げ（インデント）でブロックを表し、変数の型を宣言しない動的型付けである。数値計算のNumPy、データ処理のpandas、機械学習のscikit-learn、深層学習のPyTorchなどのライブラリが充実しており、データ分析とAI開発で最も広く使われている。

企業の内部環境（Strength：強み、Weakness：弱み）と外部環境（Opportunity：機会、Threat：脅威）を4象限で整理し、戦略策定に活用するフレームワーク。情報戦略の実現度合いの確認や事業戦略の策定において、現状把握と戦略方向性の導出に用いられる。

マクロ環境を政治（Political）、経済（Economic）、社会（Social）、技術（Technological）の4つの観点から分析するフレームワーク。外部環境の調査・分析手法として用いられる。