先週末に「Python 3 エンジニア認定データ分析試験」を受験して合格した🎉とても良い試験で，特に試験勉強をする過程で知識の幅が広がった．試験の認知度向上のためにも紹介したいと思う．当然ながら試験問題に関しては何も書かず，基本的に公開情報をベースにまとめていく！
試験概要 : Python 3 エンジニア認定データ分析試験 📊
試験名にもある通り「Python 3 エンジニア認定データ分析試験」は Python を使った「データ分析」に関する理解を問う試験で「数学」や「Python ライブラリ」に関する出題が多くある．詳しくは以下に出題範囲を載せる．
| セクション | 出題数 | 出題率 |
|---|---|---|
| データエンジニアの役割 | 2 | 5.0% |
| Python と環境 : 実行環境構築 | 1 | 2.5% |
| Python と環境 : Python の基礎 | 3 | 7.5% |
| Python と環境 : Jupyter Notebook | 1 | 2.5% |
| 数学の基礎 : 数式を読むための基礎知識 | 1 | 2.5% |
| 数学の基礎 : 線形代数 | 2 | 5.0% |
| 数学の基礎 : 基礎解析 | 1 | 2.5% |
| 数学の基礎 : 確率と統計 | 2 | 5.0% |
| ライブラリによる分析実践 : NumPy | 6 | 15.0% |
| ライブラリによる分析実践 : pandas | 7 | 17.5% |
| ライブラリによる分析実践 : Matplotlib | 6 | 15.0% |
| ライブラリによる分析実践 : scikit-learn | 8 | 20.0% |
| 応用 : データ収集と加工 | 0 | 0.0% |
出題は「40問」で合格ラインは「70%」なので，単純計算で「28問」以上で合格になる．上記の通り「出題数」も明確なので対策自体はしやすいと思う．出題範囲をザッと分割すると以下のようになる．とにかく「ライブラリによる分析実践」の比重が高く，確実に理解を深めておく必要がある．とは言え，本質的に重要なのは試験に合格することよりも「学んだ知識を実務に活かすこと」であるため，バランス良く全体を勉強することを意識した．
- データエンジニアの役割 : 2問（5.0%）
- Python と環境 : 5問（12.5%）
- 数学の基礎 : 6問（15.0%）
- ライブラリによる分析実践 : 27問（67.5%）
関連試験 : Python 3 エンジニア認定基礎試験 📊
なお，関連する試験に「Python 3 エンジニア認定基礎試験」もある．同じく「一般社団法人 Python エンジニア育成推進協会」から提供されている．僕自身は2019年に合格して以下の記事にまとめている．「Python 3 エンジニア認定データ分析試験」の受験前提にはなっていないと思うけど，そもそも Python 自体に慣れていない場合は理解度確認も兼ねて，先に「Python 3 エンジニア認定基礎試験」を受験すると良さそう．
受験結果 📊
僕自身の受験結果としては「900点（1000点満点）」だった．4問も間違えてしまった！楽勝だと思っていた「Python と環境」を間違えてしまったのは逆に笑ってしまった😇逆に「数学の基礎」や「ライブラリによる分析実践」は自信を持って回答できてほぼ満点だったため，結果としては満足している！なお，時間配分としては「1周目 : 30分」と「2周目 : 20分」で，十分に見直しもできたため，少し時間を残して退出した．特に計算用紙などは配布されないため，各種計算は頭で考える必要がある点は注意が必要かも！
主教材 : Python によるあたらしいデータ分析の教科書 📊
本試験は主教材として「Python によるあたらしいデータ分析の教科書」が指定されていて，本書の構成通りに出題されるため，基本的に本書をベースに勉強をしていく形になる．とは言え，教科書ではなく「主教材」なので，本試験を受験しないとしても，機械学習や機械学習に関連する Python ライブラリに興味があれば「Python によるあたらしいデータ分析の教科書」を読んでみると良いと思う．具体例や図解やコードサンプルもあり，専門用語も多くなく，非常に読みやすく書かれている．目次も載せておくけど出題範囲と同じで，例えば「第5章」など，試験には出題されない範囲の内容も載っている．
- 第1章「データ分析エンジニアの役割」
- 1.1 データ分析の世界
- 1.2 機械学習の位置づけと流れ
- 1.3 データ分析に使う主なパッケージ
- 第2章「Pythonと環境」
- 2.1 実行環境構築
- 2.2 Pythonの基礎
- 2.3 Jupyter Notebook
- 第3章「数学の基礎」
- 3.1 数式を読むための基礎知識
- 3.2 線形代数
- 3.3 基礎解析
- 3.4 確率と統計
- 第4章「ライブラリによる分析の実践」
- 4.1 NumPy
- 4.2 pandas
- 4.3 Matplotlib
- 4.4 scikit-learn
- 第5章「応用 : データ収集と加工」
- 5.1 スクレイピング
- 5.2 自然言語の処理
- 5.3 画像データの処理
なお，本書の正誤表は以下に載っている．現在は「5刷」まで出ている．
数学の基礎 📊
数学に関しては「Python によるあたらしいデータ分析の教科書」の内容を細かく整理すると，例えば「ベクトル計算（内積／ユークリッド距離／マンハッタン距離）」や「基礎解析（微分／積分／偏微分）」や「確率」などを理解しておく必要がある．特に勉強をしなくても大丈夫な人もいるだろうし，基本的なところから勉強をし直す必要がある人もいると思う．僕自身は学生時代に学んだはずではあるものの，最近使うことも少なく，パッと計算できないものもあったため，「Python によるあたらしいデータ分析の教科書」を読みつつ，YouTube や Cognicull などを使って勉強をし直した．
ライブラリによる分析実践 (NumPy / Pandas / Matplotlib) 📊
NumPy / Pandas / Matplotlib に関しては，多種多様な関数（パラメータやデフォルトの挙動など）を理解しておく必要があり，出題範囲は多いと思う．無理に暗記をするのではなく，何度も実装をしたり，ドキュメントを読んだり，納得できるまで理解を深めていく必要があると思う．今回は Jupyter Notebook を使って，気になる関数を試した．特に Numpy は「配列計算」や「行列計算」をするため，数学的な基礎知識も必要になる．実際に以下の記事は理解を深めるために書いた．
- NumPy
- Pandas
- Pandas を基礎から学ぶために「Kaggle Courses」の学習コンテンツを受講した - kakakakakku blog
- Jupyter Notebook と Pandas で DataFrame を全て表示するオプション設定 - kakakakakku blog
- Pandas で NaN を操作する : fillna() と interpolate() - kakakakakku blog
- Pandas で相関件数を計算して Seaborn で可視化する - kakakakakku blog
- Pandas の get_dummies() 関数でカテゴリ変数をダミー変数に変換する - kakakakakku blog
- Pandas で時系列データをグループ化して集計できる「Grouper」 - kakakakakku blog
- Pandas を基礎から学ぶために「Kaggle Courses」の学習コンテンツを受講した - kakakakakku blog
- scikit-learn
また Pandas に関しては「Pandas ライブラリ活用入門」も読んで書評記事を書いた．関連書籍も併読するとより理解が深まる．
ライブラリによる分析実践 (scikit-learn) 📊
scikit-learn に関しては，ライブラリを使う前に「数学的な基礎知識」や「機械学習アルゴリズムの知識」や「機械学習プロセスの知識」も必要になる．「Python によるあたらしいデータ分析の教科書」にはコードやアルゴリズムの図解も載っていてわかりやすいけど，それでも理解しにくいところもあった（実際に僕自身がそう感じた）．なお，以下に目次「4.4 scikit-learn」の詳細をまとめる．理解するべき知識の幅広さが伝わると思う．
- 4.4 scikit-learn
- 4.1.1 前処理
- 欠損値への対応
- カテゴリ変数のエンコーディング
- 特徴量の正規化
- 4.1.2 分類
- サポートベクタマシン
- 決定木
- ランダムフォレスト
- 4.1.3 回帰
- 線形回帰
- 4.1.4 次元削減
- 主成分分析
- 4.1.5 モデルの評価
- 混同行列（適合率／再現率／F値／正解率）
- 交差検証
- 4.1.6 ハイパーパラメータの最適化
- グリッドサーチ
- ランダムサーチ
- 4.1.7 クラスタリング
- k-means
- 階層的クラスタリング
- 4.1.1 前処理
そこで今回は「機械学習図鑑」を併読した．数式をあまり使わずに scikit-learn のコードと図解で「機械学習アルゴリズム」を理解できるため，とても役立った．「Python 3 エンジニア認定データ分析試験」を受験する人には併読をおすすめする．
模擬問題（無料）📊
「Python 3 エンジニア認定データ分析試験」には大きく模擬試験が2種類あり「PRIME STUDY」と「DIVE INTO EXAM」から提供されている．無料で何度でも繰り返し受験できるため，理解度確認の意味も兼ねて定期的に受験してみると良いと思う．個人的なアドバイスとしては「全ての選択肢まで細かく理解できるように」しておくと良いと思う．
- PRIME STUDY
- Python 3 エンジニア認定データ分析 模擬試験 第1回
- Python 3 エンジニア認定データ分析 模擬試験 第2回（第1回と選択肢が少し異なる）
- Python 3 エンジニア認定データ分析 模擬試験 第3回（第1回と選択肢が少し異なる）
- DIVE INTO EXAM
- Python3 エンジニア認定データ分析 模擬試験
まとめ 📊
前から気になっていた「Python 3 エンジニア認定データ分析試験」を受験して合格した🎉もともと機械学習領域に詳しくなかったため，本を読んだり，e-Learning を受講したり，Jupyter Notebook を使って何度も繰り返し実装したりして，試験勉強をする過程で知識の幅を広げることができた．特に Python ライブラリ（NumPy / Pandas / Matplotlib / scikit-learn）には詳しくなった．とても良い試験なので，興味がある人は受けてみると良いのではないでしょうか！
