第5章 IoTシステム技術検定(基礎編)の要点まとめ

2018年12月にIoTシステム技術検定(基礎編)に無事合格しました。新しい勉強方法で勉強したので、今回は第5章を記載します。
毎週投稿して、7章まで記載します。
参考書を購入してこの内容を覚えられれば、基礎編は簡単に合格できると思います。

今回の勉強法

これまでは、参考書を読んで、要点をノートにまとめるを繰り返していました。今回は参考書をそもそもKindleUnlimitedで購読していたので、ノートの方も電子化してみようと思いました。
これが結構新鮮で、結果として試験も合格できました。
今後の勉強法としても使っていこうと思っているし、この後、中級の受験も考えているのでまとめます。

使ったツールは以下です。

  • FireHD 8
    Kindleアプリを使いました。
  • KindleUnlimited
    Amazonの399円キャンペーンを使いました。
  • Mac
    自宅か図書館で勉強していたのですが、Mac版のKindleアプリをいれて勉強していました。
  • Chrome
    ブラウザです。手っ取り早く、マインドマップ化してくれるツールを探していたら、Mac版は有料ばかりで結局Chromeの拡張機能を使うことにしました。
  • MindMap Tab
    手っ取り早く、マインドマップ化してくれるツールでChromeのExtention(拡張機能)です。

参考書を読み進めながら、各単語が関連つくようにMindMapとして入力してプリントアウトして紙で持ち歩きました。(私の場合は、結局、紙にして復習するまでには至りませんでした。)

マインドマップの作り方

第5章の要点を関連つけて記載します。段落(インデント)が線になりますね。以下のような感じです。

今回はセンサーで取得したデータをどのように活用するか?活用方法にはどのようなツールがあり、どういう分析手段があるか?が記載されています。ここで一部少しだけAIやビッグデータ(BD)というキーワードが出てきます。


第5章IoTでデータを活用
    データマイニング
        統計的な手法を使うことによって、集計分析でわからなかったデータパターンやルールを発見
    BI
        データを使ってビジネス上の意思決定に利用するデータ分析
    大量のデータ処理に対応したシステム基盤
        Hadoop
        Apache Spark
    エッジコンピューティング
        応答性能が求められる状況ではIoTデバイスの近くで処理して応答を返す。
            例えばコネクティッドカーなど
    データ分析とアプローチ手法
        PPDAC
            Problem
                問題/課題
                目的や問題を明確にすることで、以降の作業で何をすべきか明確になる
            Plan
                計画
                データの種類
                入手方法
                期間
                問題解決のための分析方法
                日程
            Data
                データ収集
                入手状況を確認し管理
            Analysis
                データ分析
                表
                散布図
                クレンジング
            Conclusion
                結果をまとめて結論をだす
                期待した結果が得られない場合は、問題定義を変えて作業を行う
        IssueTrees
            問題課題
                問題や課題
            仮説
                問題提起に対して原因を推測した仮説を立てる
            データ
                仮説を検証するためのデータを集める
            分析
                集まったデータを元に仮説を立てて的を絞る
    確率と統計
        基礎統計量
            ヒストグラム
            相関分析
                関係性を客観的に示すことができる
            回帰分析
                相関関係が強いことがわかれば、回帰分析を使って一次方程式で表すことができる
    機械学習
        教師あり学習
            正解データがあり判定結果に合わせて分類する
        教師なし学習
            類似した画像からなるグループに分ける
        強化学習
            試行錯誤を行いながら環境の変化と得られる報酬が最大になるような操作方法を学習する
        深層学習
            特徴を抽出する層
                隠れ層が自動的に形成される
                    CNN(畳み込みニューラルネットワーク)
                        画像認識で利用
                    RNN(再帰型ニューラルネットワーク)
                        音声など時系列データの学習で利用
        深層学習の適用例
            学習フェーズ
                学習用データと評価用データに分ける
                評価結果を確認
                    目標識別率に達しないなら学習を継続
                    目標識別率に達したら識別フェーズで利用
                    計算負荷が高いのでGPUを使用する
            識別フェーズ
                    カメラ
                        IoTデバイス
                    前処理コンピュータ
                        IoTゲートウェイ
                    識別サーバ
                        IoTサーバ

出来上がった図

作成した図です。
この単語ってなに?といった時は参考書やWebで調べるようにしました。

次は6章に行きます。