① AI基礎
35問AIの歴史と基本概念を扱う土台分野です(35問収録)。自然知能と人工知能、強いAI・弱いAI、ダートマス会議や3度のAIブーム、シンギュラリティといった流れに加え、教師あり・教師なし・強化学習の分類、過学習と汎化性能、標本化・量子化などの前処理が頻出です。さらにニューロンを模したニューラルネットワークの構造(入力層・中間層・出力層)、重み・バイアス・順伝播、誤差逆伝播法まで押さえます。以降のPythonや機械学習分野を理解する前提となる用語が多いので、まずここを固めましょう。
② 数学:関数・微分・ベクトル
35問機械学習の基礎となる数学のうち、関数・微分・ベクトルを扱う分野です(35問収録)。1次関数や指数関数(e^x)・対数関数の微分、多項式の微分公式、定数の微分、偏微分、合成関数に使う連鎖律といった微分計算が中心です。あわせてベクトルの和・差・実数倍・内積、内積が0のときの直交関係、L1ノルム・L2ノルムと過学習を抑えるL1正則化(LASSO)も問われます。計算問題が多いため、公式を暗記するだけでなく実際に手を動かして解く練習が得点に直結します。
③ 数学:行列・集合・確率
36問数学分野の第二弾として、行列・集合・確率を扱う分野です(36問収録)。行列では和・差・実数倍・アダマール積・行列の積、単位行列、行列式(ad−bc)や三角行列の対角成分の積、逆行列、固有値を求めるdet(A−kE)=0が頻出です。集合では和集合・共通部分・補集合・差集合と記号(∪・∩)、要素数n(A)を、確率では確率の定義や0以上1以下の範囲、条件付き確率P(B|A)、正規分布と確率密度関数の積分を押さえます。計算規則と用語をセットで整理するのがコツです。
④ Python基礎
40問実装の中核となるPythonの基本文法を扱う、収録数が最も多い分野です(40問収録)。Google Colaboratoryでの実行、文字列の連結(+)や繰り返し(*)、upper()・replace()などのメソッド、コメント(#)や改行(\n)といった基礎から始まります。変数への代入、リストのインデックス(0始まり・末尾は-1)、range()を使うfor文、if・elif・elseの条件分岐、比較演算子(==・!=)、defによる関数定義とreturn・引数、import文まで幅広く問われます。print文の実行結果を答える問題も多く、実際にコードを書いて動かす学習が効果的です。
⑤ NumPy
35問数値計算ライブラリNumPyを扱う分野です(35問収録)。import numpy as npという慣例的な記法から、array関数による配列生成、zeros・ones・full・arange・linspace・eyeといった配列作成関数、乱数(rand・normal)を押さえます。dot関数や@による行列の積、ndim・shape・sizeなどの属性、reshapeやview・copy、concatenateによる連結(axis指定)、要素ごとのブロードキャスト演算、sum・max・mean・minの集約とaxisの向き、マスク処理による条件抽出も頻出です。関数名と役割を正確に区別できるよう、実際にコードを書いて確認しましょう。
⑥ pandas
39問表形式データを扱うライブラリpandasの分野です(39問収録)。import pandas as pdの記法、1次元のSeriesと2次元のDataFrame、Index(ラベル)の役割を土台として学びます。欠損値NaNの扱いが大きなテーマで、dropna(axis・thresh指定)・fillna・ffill・bfill・isna・notnaを区別します。さらに列の取り出し(df['列名'])やスライス、concatによる連結(axis)、mergeの結合(on・how・inner/outer/left)、groupbyやaggによる集計、read_csvでの読み込みも頻出です。NumPyとの違い(行・列ラベルを持つ点)も押さえておきましょう。
⑦ データ可視化(Matplotlib・seaborn)
32問データを図として表現する可視化ライブラリを扱う分野です(32問収録)。Matplotlibでは折れ線・散布図・ヒストグラムの描き方、plot関数のmarker・linestyle・label、plt.figure()やplt.subplots()でのFigure/Axesの取得、plt.legend()による凡例表示、alphaによる透明度、binsによる分布の解像度調整が頻出です。seabornでは値の大小を色で表すheatmap、相関行列の可視化、変数間の関係を一覧するペアプロット図などを押さえます。関数と引数の対応、Matplotlibとseabornそれぞれの特徴・使い分けを整理しておきましょう。
⑧ scikit-learn
36問機械学習ライブラリscikit-learnで、実際にモデルを作って学習・予測する分野です(36問収録)。k近傍法(KNeighborsClassifier)・決定木(DecisionTreeClassifier)・サポートベクターマシン(SVC)・線形回帰(LinearRegression)といった代表的アルゴリズムと、それぞれの考え方(多数決・Yes-No分岐・決定境界の最大化・数値予測)が頻出です。共通する手順(モデル準備→fitで学習→predictで予測)、train_test_splitによるデータ分割やシャッフルの目的、accuracy_scoreでの精度評価、max_depthやkernelなどのパラメータ、分類と回帰の違いも押さえましょう。