試験概要：モデルカリキュラム

数理・データサイエンス・AIリテラシーモデルカリキュラム総まとめ【DS検定対応】

Source: pages\ds\model-curriculum-summary.md
Permalink: /ds/model-curriculum-summary/

数理・データサイエンス・AIリテラシーモデルカリキュラム総まとめ

このページでは、

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の全体像

を整理します。

DS検定は、このモデルカリキュラムに沿って出題範囲が構成されています。

まず結論

モデルカリキュラムは、次の4つの柱で構成されています。

社会におけるデータ・AI利活用
データリテラシー
データ・AI利活用における留意事項
数理・アルゴリズム・データ活用基礎（オプション）

つまり、

社会理解 × データ理解 × 倫理理解 × 技術基礎

のバランス型構成です。

直感的な全体像

イメージとしては、こうなります：

① 社会でどう使われているかを知る
② データを正しく読む力を身につける
③ 倫理・セキュリティを理解する
④ 技術の土台を理解する

単なるAIの知識ではなく、

「社会で安全に使いこなせる人材」を育てる構成

になっています。

4分野の整理

① 社会におけるデータ・AI利活用

データ駆動型社会
Society 5.0
AIができること／できないこと
活用領域（製造・金融・医療など）
最新動向（生成AI・強化学習など）

👉 社会全体の構造を理解する分野

② データリテラシー

データの種類（構造化／非構造化）
1次データ／2次データ
可視化
基本統計量
仮説検証
相関と因果

👉 データを正しく読む力を身につける分野

③ データ・AI利活用における留意事項

ELSI（倫理・法・社会課題）
GDPR
個人情報保護
AIバイアス
説明責任
情報セキュリティ（機密性・完全性・可用性）

👉 安全に使うための知識

④ 数理・アルゴリズム・データ活用基礎（オプション）

確率・線形代数
アルゴリズム基礎
データ構造
時系列解析
テキスト解析
画像解析
SQL・Python
教師あり／教師なし学習

👉 技術の土台

DS検定との関係

DS検定では、

数式を解かせる問題より
意味を理解しているかを問う問題

が中心です。

問われるのは：

用語の正しい理解
活用場面の理解
誤解の見抜き
社会文脈での判断

つまり、

丸暗記ではなく構造理解が重要

です。

よくある誤解

❌ AI＝プログラミング試験
→ 社会理解も重要

❌ 数学が苦手だと無理
→ リテラシーレベルは概念理解中心

❌ 技術だけ覚えれば良い
→ 倫理・法規が必ず出る

❌ データ分析＝統計計算
→ 実際は課題設定と解釈が重要

モデルカリキュラムの本質

このカリキュラムが目指しているのは、

AIを作る人材ではなく、AIを理解し使いこなせる人材

です。

だからこそ：

社会構造
データ理解
倫理
技術基礎

がバランスよく配置されています。

試験直前まとめ

覚えるべき構造はこれだけ：

① 社会理解
② データ理解
③ 倫理理解
④ 技術基礎

DS検定は、

この4本柱をどれだけ体系的に理解しているか

を測る試験です。

次に読むべきページ

社会におけるデータ・AI利活用
データリテラシー
データ・AI利活用における留意事項
数理・アルゴリズム・データ活用基礎

この順番で読むと、最も理解しやすくなります。

社会におけるデータ・AI利活用とは？【DS検定リテラシー】

Source: pages\ds\social-data-ai-utilization.md
Permalink: /ds/social-data-ai-utilization/

社会におけるデータ・AI利活用とは？

（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対応）

まず結論

「社会におけるデータ・AI利活用」とは、

データとAIが社会のあらゆる領域で活用され、価値創出の中心になっていることを理解することです。

DS検定では、

データ駆動型社会とは何か
AIは何ができて何ができないか
どんな領域で活用されているか

といった「全体像の理解」が問われます。

直感的な説明

今の社会は、

データを持っている人が強い社会です。

ネット検索
レコメンド
キャッシュレス決済
医療AI
自動運転

すべて「データ × AI」で動いています。

重要なのは、

データをどう集め
どう処理し
どう価値に変えるか

という視点です。

定義・仕組み（スキルセット完全整理）

学修目標

データ・AIによって、社会および日常生活が大きく変化していることを理解する
「数理/データサイエンス/AI」が、今後の社会における「読み/書き/そろばん」であることを理解する
データ・AI活用領域の広がりを理解し、データ・AIを活用する価値を説明できる
今のAIで出来ること、出来ないことを理解する
AIを活用した新しいビジネス/サービスは、複数の技術が組み合わさって実現していることを理解する
帰納的推論と演繹的推論の違いと、それらの利点・欠点を理解する

1-1. 社会で起きている変化

ビッグデータ、IoT、AI、ロボット
データ量の増加
計算機の処理性能の向上
AIの非連続的進化
第4次産業革命
Society 5.0
データ駆動型社会
複数技術を組み合わせたAIサービス
人間の知的活動とAIの関係性
データを起点としたものの見方
人間の知的活動を起点としたものの見方

社会で起きている変化を知り、数理・データサイエンス・AIを学ぶことの意義を理解する。
AIを活用した新しいビジネス/サービスを知る。

1-2. 社会で活用されているデータ

調査データ
実験データ
人の行動ログデータ
機械の稼働ログデータ
1次データ
2次データ
データのメタ化
構造化データ
非構造化データ（文章、画像/動画、音声/音楽など）
データ作成（ビッグデータとアノテーション）
データのオープン化（オープンデータ）

どんなデータが集められ、どのように活用されているかを理解する。

1-3. データ・AIの活用領域

生産
消費
文化活動
研究開発
調達
製造
物流
販売
マーケティング
サービス

活用目的：

仮説検証
知識発見
原因究明
計画策定
判断支援
活動代替
新規生成

さまざまな領域でデータ・AIが活用されていることを理解する。

1-4. データ・AI利活用のための技術

データ解析

予測
グルーピング
パターン発見
最適化
シミュレーション
データ同化

データ可視化

複合グラフ
2軸グラフ
多次元の可視化
関係性の可視化
地図上の可視化
挙動・軌跡の可視化
リアルタイム可視化

非構造化データ処理

言語処理
画像/動画処理
音声/音楽処理

その他

特化型AIと汎用AI
今のAIで出来ることと出来ないこと
AIとビッグデータ
認識技術
ルールベース
自動化技術

データ・AIを活用するために使われている技術の概要を理解する。

1-5. データ・AI利活用の現場

データサイエンスのサイクル

課題抽出と定式化
データの取得
管理
加工
探索的データ解析
データ解析と推論
結果の共有・伝達
課題解決に向けた提案

活用分野

流通
製造
金融
サービス
インフラ
公共
ヘルスケア

データ・AIを活用することで、どのような価値が生まれているかを理解する。

1-6. データ・AI利活用の最新動向

AIを活用した新しいビジネスモデル

シェアリングエコノミー
商品のレコメンデーション

AI最新技術の活用例

深層生成モデル
敵対的生成ネットワーク（GAN）
強化学習
転移学習

データ・AI利活用における最新動向（ビジネスモデル・テクノロジー）を理解する。

どんな場面で問われる？

DS検定では：

データ駆動型社会とは？
AIが得意なことは？
非構造化データとは？
特化型AIと汎用AIの違いは？
帰納法と演繹法の違いは？

という形で出題されます。

よくある誤解

❌ AI＝万能
→ できないこともある（汎用AIは未完成）

❌ ビッグデータ＝量が多いだけ
→ 活用できてこそ意味がある

❌ AI単体でビジネスが成立する
→ 実際は複数技術の融合

❌ 帰納法＝絶対に正しい
→ 確率的推論である

まとめ（試験直前用）

社会におけるデータ・AI利活用の理解ポイント：

社会はデータ駆動型へ移行している
AIは複数技術の融合で成り立つ
AIには限界がある
技術を社会文脈で理解する

DS検定では、

「全体構造を理解しているか」

が問われます。

データリテラシーとは？データを読み解く力【DS検定】

Source: pages\ds\data-literacy.md
Permalink: /ds/data-literacy/

まず結論

データリテラシー（Data Literacy）とは、データを理解し、正しく読み取り、意思決定に活用する能力のことです。

DS検定ではデータ社会で必要な基本的な能力として重要な概念です。

ポイントは

データを「見る」だけでなく「正しく解釈して判断する」こと

です。

直感的な説明

例えば売上データを見たときに

売上が増えている理由は何か

季節要因なのか

新しい施策の効果なのか

を考える力が必要です。

ただ数字を見るだけではなく

データの意味

背景

偏り

を理解して判断する能力がデータリテラシーです。

定義・仕組み

データリテラシーには次のような能力が含まれます。

データ理解

グラフ

統計

指標

などを読み取る能力。

データ分析

データを使って

傾向

パターン

を見つける能力。

批判的思考

データをそのまま信じるのではなく

バイアス

誤解

がないかを考える能力。

意思決定

データを使って

経営判断

業務改善

を行う能力。

どんな場面で使う？

ビジネス

企業では

売上データ

顧客データ

をもとに意思決定が行われます。

データ分析

データサイエンスでは

統計

機械学習

を理解するための基礎能力です。

社会

データ社会では

フェイク情報

誤解を招くグラフ

を見抜く力も重要です。

よくある誤解・混同

ITスキルとの違い

概念内容

ITスキルツールを使う能力データリテラシーデータを理解し判断する能力

つまり

ツールが使えるだけでは

データリテラシーとは言えません。

データサイエンスとの違い

概念内容

データリテラシーデータを理解する基礎能力データサイエンス高度な分析手法

まとめ（試験直前用）

データリテラシーはデータを理解し判断する能力

データ理解

データ分析

批判的思考

意思決定

などの能力を含む。

DS検定では

「データを理解し、意思決定に活用する能力」

と書かれていたら

データリテラシーと判断するのがポイントです。

【対応スキル項目（ビジネス力シート）】

ビジネス理解

データ活用

★ データに基づく意思決定を理解している

データ・AI利活用における留意事項とは？【DS検定リテラシー】

Source: pages\ds\data-ai-precautions.md
Permalink: /ds/data-ai-precautions/

データ・AI利活用における留意事項とは？

（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対応）

まず結論

データ・AI利活用における留意事項とは、

データやAIを使うときに守るべき倫理・法律・セキュリティの理解です。

DS検定では、

個人情報保護
AI倫理
データバイアス
セキュリティ

が重要テーマです。

直感的な説明

データやAIは便利ですが、

使い方を間違えると社会的リスクになる

ということを理解する分野です。

個人情報の流出
差別的AI
説明できないAI
データ改ざん

これらを防ぐ視点が問われます。

定義・仕組み（スキルセット完全整理）

学修目標

個人情報保護法やEU一般データ保護規則（GDPR）など、データを取り巻く国際的な動きを理解する
データ・AIを利活用する際に求められるモラルや倫理について理解する
データ駆動型社会における脅威（リスク）について理解する
個人のデータを守るために留意すべき事項を理解する

3-1. データ・AIを扱う上での留意事項

ELSI

Ethical, Legal and Social Issues

倫理・法的・社会的課題を指します。

個人情報保護・GDPR

個人情報保護法
EU一般データ保護規則（GDPR）
忘れられる権利
オプトアウト

データ管理

データのねつ造
改ざん
盗用
プライバシー保護

AI社会原則

公平性
説明責任
透明性
人間中心の判断

バイアス問題

データバイアス
アルゴリズムバイアス

AIサービスの責任論

AIの判断責任は誰が負うのか

負の事例

データ・AI利活用における失敗事例

3-2. データを守る上での留意事項

情報セキュリティの三要素

機密性（Confidentiality）
完全性（Integrity）
可用性（Availability）

セキュリティ対策

匿名加工情報
暗号化
パスワード管理
悪意ある情報搾取

情報漏洩事例

セキュリティ事故の実例理解

どんな場面で問われる？

DS検定では：

相関と因果よりも「倫理問題」が出ることがある
情報セキュリティ三要素は頻出
GDPRの内容
AIの説明責任
バイアスの問題

よくある誤解

❌ データを匿名化すれば安全
→ 再識別リスクがある

❌ AIは中立
→ データ次第で偏る

❌ セキュリティはIT部門の仕事
→ 利用者全員の責任

❌ 法律は海外の話
→ GDPRは日本企業にも影響

まとめ（試験直前用）

データ・AI利活用の留意事項のポイントは：

倫理・法律（ELSI）
個人情報保護・GDPR
AIバイアス
情報セキュリティ三要素

DS検定では、

「安全に使えるか？」

という視点が問われます。

数理・アルゴリズム・データ活用基礎（オプション）【DS検定対応】

Source: pages\ds\optional-math-algorithm.md
Permalink: /ds/optional-math-algorithm/

4. 数理・アルゴリズム・データ活用基礎（オプション）

（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対応）

まず結論

この章は、

データ・AI利活用を支える「土台の技術」を理解する分野です。

DS検定の出題範囲からは外れていますが、

数学の基礎
アルゴリズムの考え方
データ処理の流れ

を理解していることが重要です。

直感的な説明

ここは、

AIを“使う側”から“理解できる側”へ一段上がる分野です。

なぜ機械学習が動くのか
なぜ時系列は難しいのか
なぜデータ前処理が重要なのか

を支える基礎部分です。

定義・仕組み（スキルセット完全整理）

学修目標

データ・AI利活用に必要な道具としての数学および統計を学ぶ
アルゴリズム基礎、データ構造とプログラミング基礎を学ぶ
時系列データがもつトレンド、周期性、ノイズについて理解する
文章（テキスト）や画像がデータとして処理できることを理解する
SQLやPython等を使って大規模データを集計・加工できる
データ利活用のための簡単な前処理（結合、クレンジング、名寄せ）を理解する
教師あり学習と教師なし学習の違いを理解する
データ・AI活用のプロセス全体を理解する
課題設定や分析手法選択に唯一の正解はないことを理解する

4-1. 統計および数理基礎

確率、順列、組み合わせ
線形代数（ベクトル、行列、内積、ノルム）
1変数関数の微分・積分
指数関数、対数関数
集合、ベン図

数学基礎および統計基礎を学ぶ。

4-2. アルゴリズム基礎

アルゴリズムの表現（フローチャート、アクティビティ図）
並び替え（ソート）
探索（サーチ）

アルゴリズム基礎を学ぶ。

4-3. データ構造とプログラミング基礎

数と表現、計算誤差
データ量の単位
文字コード
配列
変数、代入、繰り返し、条件分岐

データ構造とプログラミング基礎を学ぶ。

4-4. 時系列データ解析

トレンド
周期
ノイズ
季節調整
移動平均

時系列データ解析の概要を理解する。

4-5. テキスト解析

形態素解析
単語分割
ユーザー定義辞書
n-gram
文章間類似度
かな漢字変換の概要

自然言語処理の概要を理解する。

4-6. 画像解析

画像データの処理
画像認識
画像分類
物体検出

画像解析の概要を理解する。

4-7. データハンドリング

リレーショナルデータベース
SQL
Python、R
外れ値・異常値・欠損値処理
データ抽出
データ結合
名寄せ

大規模データをハンドリングする力を養う。

4-8. データ活用実践（教師あり学習）

売上予測
離反予測
データ収集
データ加工
単回帰分析
重回帰分析
ロジスティック回帰
モデル評価
結果共有・提案

教師あり学習による予測プロセスを理解する。

4-9. データ活用実践（教師なし学習）

顧客セグメンテーション
店舗クラスタリング
データ収集
データ加工
階層クラスタリング
非階層クラスタリング
結果共有・提案

教師なし学習によるグルーピングを理解する。

どんな場面で問われる？

DS検定では、

確率の基礎問題
時系列の特徴
教師あり/なしの違い
SQLの役割
クラスタリングの目的

などが出題されます。

よくある誤解

❌ 数学ができないとAIは理解できない
→ 概念理解が重要

❌ アルゴリズムはプログラマだけの知識
→ 思考手順の理解が重要

❌ 前処理は地味で重要でない
→ 実務では最重要

❌ クラスタリングは分類と同じ
→ 教師なし学習である点が違う

まとめ（試験直前用）

この章のポイント：

数学は道具
アルゴリズムは手順
データ処理は実務の中心
教師あり/なしを区別する

DS検定では、

「技術の基礎を理解しているか」

が問われます。