第 1 回 質問と回答¶
このページでは、第 1 回「ガイダンス」に関して寄せられた質問と、それに対する回答をまとめています。質問者の氏名や学生番号は掲載せず、匿名で扱います。
質問の送り方
質問は 「📮 連絡フォーム」 または「各回の演習確認フォーム」からお寄せください。いただいた内容は、同様の疑問を持つ他の受講生にも役立つようこのページに随時追加していきます。
A. Python・CHIKUWA について¶
インデント（字下げ）はどのように揃えればよいですか？「丁寧にそろえる」と言われても、具体的にどうすればよいか分かりませんでした
Python では 半角スペース 4 つ のインデントが推奨されています。Tab キーで入れたインデントとスペースで入れたインデントが混在するとエラーになるため、どちらか一方に統一してください。CHIKUWA Editor では Tab キーを押すと自動的に半角スペース 4 つが挿入されるようになっているので、Tab を使っても問題ありません。
また、同じ階層にあるコードはすべて同じ深さでそろえる必要があります。1 段深くしたいときはスペース 4 つ、2 段深くしたいときはスペース 8 つというように、4 の倍数で段階的に下げていきます。
f-string を使うとき、{} でどこまで囲めばよいか分かりません。f"..." の中で、どこを {} に含めるべきかが整理できていません
{} の中には「値として埋め込みたい変数・式」だけを書きます。文字列として固定で表示したい部分は {} の外に書いてください。
CHIKUWA Editor の公式ドキュメントはありますか？ pygame を使いたいです。
CHIKUWA Editor の使い方は簡易的なものを「🐿️ CHIKUWA の使い方」にまとめていますので、まずはそちらをご参照ください。詳細ドキュメントは現在準備中です。
CHIKUWA Editor は 2026/4/19 時点で Python 3.14 が同梱されており、ほとんどのライブラリに対応していますが、一部のライブラリと互換性の問題があります。例えば、pygame Python 3.12 までにしか対応していません。回避策としては、フォーク版の pygame-ce (Community Edition) の利用が推奨されています。pip install pygame-ce でインストールできますので、お試しください。import pygame はそのまま使えます。
エラー解説に頼らず、自分でエラーを直せるようになりたいです
エラー文の中で特に重要なのは 最後の行です。SyntaxError・NameError・TypeError など、エラーの種類を示す単語と、その後ろの説明文・該当行番号を読めば、原因の大半はつかめます。
エラーが出たら、まずは自分でエラー文の最後の行を読んで「どこが・何が間違っていそうか」を考えてみてください。そのうえでコードを見直し、それでも分からないときに CHIKUWA Editor のエラー解説を使うことをご検討ください。
CHIKUWA をより活用するためのポイントや、他のエディタにはない機能を知りたいです
CHIKUWA Editor の特徴は次の 3 点です。
- AI によるヒント提示 — 「考えたけれど行き詰まった」ときにヒントを求めることができる
- エラーの日本語解説 — 英語のエラー文を読まずに要点を把握できる
- 即時チェック — 書いたコードを即座に実行・確認できる
活用のポイントは 「まず自力で考える → どうしても分からなければヒントを使う」 の順で使うことです。最初からヒントに頼ると力がつきにくいので、3〜5 分は自分で考えてから頼るようにしてください。
CHIKUWA Editor の開発秘話、VS Code との類似点について教えてください
CHIKUWA Editor は、プログラミングで苦労する学生たちの姿を見ながら、「どのように AI を活用すれば効率よくプログラミングを学ぶことができるか」を試行錯誤して開発したエディタです。さらに細かい経緯やキャラクターの誕生などについては、機会があればご紹介できればと思います。
VS Code に見た目や操作感を寄せているのは、将来、本格的なエディタ（VS Code など）に移行した際のギャップをできるだけ小さくするためです。ショートカットや画面構成が似ていれば、新しい環境でも戸惑いなく作業を続けられます。技術的にも VS Code のエディタ部分を切り出した OSS である Monaco Editor を内部で利用しているため、コードの見た目やキーバインドの挙動が近くなっています。
B. 講義内容の深掘り¶
B-1. データ活用の事例¶
Amazon の予測出荷システムは、どのように「買いそうな商品」を予測しているのですか？ 誤って出荷してしまうことはないのですか？
Amazon の予測出荷は、「購買履歴・閲覧履歴・カート内容・検索語・地域・季節性」などを組み合わせて、「各地域でどの商品がどれくらい売れるか」を統計的に予測し、注文確定前に近隣倉庫へ移送しておく仕組みです（2013 年に特許取得）。
予測は商品単位ではなく「地域単位の需要予測」が中心なので、「誰が買うかを当てる」よりも「この地域で今週何個売れるか」を外さないことが重要です。それでも予測が外れることはありますが、その場合は在庫として別地域へ振り向けるなどで損失を抑えています。
Amazon / YouTube / Netflix / Instagram / X のレコメンドは、どのような基準で表示されているのですか？
細部はサービスごとに違いますが、共通する考え方は「協調フィルタリング」と「コンテンツベースフィルタリング」の組み合わせです。
- 協調フィルタリング — 「あなたと似た行動をしたユーザーが好んだもの」を推薦する
- コンテンツベースフィルタリング — 「あなたが過去に好んだものと似た特徴を持つもの」を推薦する
最近はこれに深層学習を組み合わせ、視聴時間・スキップ率・フォロー関係・時間帯・滞在時間など数百〜数千の特徴量を使います。「興味のないものが表示される」のは、「新しい嗜好を発見する（探索）」と「既に分かっている好みに沿ったものを出す（活用）」のバランスを意図的に取るためです。
日立の人流解析は、どのように一人一人の動きを追跡しているのですか？
日立の人流解析では、レーザー測距センサ（LiDAR）によって人の位置と移動を計測します。LiDAR は個人を特定せずに「形状」として人を検出でき、プライバシーに配慮しやすい方式です。最近は、通常のカメラ映像から骨格推定（姿勢推定）で人の動きを追跡する技術も広く活用されています。
IoT による地域課題解決の事例や、中小企業のデータ活用事例をもっと知りたいです
農業（土壌・気象センサによる収穫予測）、観光（Wi-Fi ログによる動線分析）、防災（河川水位センサの自動アラート）などが代表例です。中小企業でも POS データ + クラウド BI ツールで売上分析を行うケースが増えています。経済産業省「DX レポート」や総務省「情報通信白書」に豊富な事例が載っていますので、興味があればご参照ください。
マーケティング分野でのデータ活用の具体的な仕組みを知りたいです
主なものは 顧客セグメンテーション（RFM 分析などで顧客を層別化）、A/B テスト（広告や UI を比較して成約率を測る）、予測モデリング（離脱予測・生涯顧客価値など）の 3 つです。本講義では第 4〜6 回（NumPy・pandas・前処理）で、こうした分析の基礎となるデータ操作を扱います。
B-2. 技術・インフラ¶
増え続けるビッグデータは、どこにどのように保存されているのですか？
大量のデータは、「データセンター」に並ぶ数千〜数万台のコンピュータに分けて保存されています。代表的な方法は次の 2 つです。
- 分割して保存 — 1 つの大きなファイルを複数台のコンピュータに分けて保管
- クラウドに預ける — Amazon S3 のようなクラウドストレージサービスを利用
容量の限界は、「電力・設置場所・冷却能力」といった物理的な制約で決まります。近年は海底にデータセンターを沈めたり、再生可能エネルギーを併設したりと、環境負荷を抑える工夫も進んでいます。
5G と 5G+ の違いを教えてください
5G には、使っている電波の種類が 2 つあります。
- Sub-6 — 広い範囲に届くが、速度は控えめ
- ミリ波 — 超高速だが、障害物に弱く届く距離も短い
「5G+（プラス）」は au（KDDI）の呼称で、後者のミリ波対応エリアを指します。他社も同じような高速エリアを持っていますが、呼び方は会社ごとに異なります。
ちなみに最近は、さらにその先の「6G」も話題になっています。中国の実証実験では「4K 映画を約 1 秒でダウンロードできた」という報道もあり、2030 年前後の実用化が見込まれています。
日本とアメリカが他国より急速にインターネット普及率を伸ばした理由は何ですか？
主な要因は、次の 3 点と言われています。
- 国が主導した通信インフラへの初期投資 — 日本の「e-Japan 戦略」など
- PC や高速回線の早期普及 — 個人所得が高く、端末や回線を導入しやすかった
- 英語コンテンツの豊富さ — アメリカ発のサービスが早期に利用可能だった
ヨーロッパ諸国は、既に普及していた古い電話回線系のインフラを活用したため、光ファイバーへの切り替えがやや遅れた背景もあります。
B-3. データと社会¶
スマホのマイクが会話を聞き取って、広告に反映しているのですか？
主要なスマホ OS はユーザーの許可なくマイクを常時録音できない設計で、「話した内容が広告に出る」現象の多くは、「同じ空間にいる人の検索履歴・位置情報・購買履歴」が広告配信に使われた結果であると研究で示されています。不安な場合はアプリごとのマイク権限を設定から制限できます。
集められたデータが悪用される事例はありますか？ プライバシーはどう守られていますか？
有名な事例に「Cambridge Analytica 事件」（2018 年、Facebook 利用者約 8,700 万人のデータが政治広告に無断利用）があります。現在は GDPR（EU）や 改正個人情報保護法（日本）といった法規制に加え、差分プライバシー（統計にノイズを加え個人を特定不能にする）や 連合学習（データを集めずモデルだけ学習させる）などの技術面でも対策が進んでいます。
AI はフェイクニュースを自動で判定できるのですか？
自然言語処理を使った判定研究は盛んで、テキスト分析（感情語・文体・情報源の信頼性）、ファクトチェック自動化（信頼できる情報源との照合）、拡散パターン分析（ボットによる拡散検出）などが試みられています。ただし、巧妙な偽情報・皮肉・風刺の見分けは依然として難しく、「AI と人手によるファクトチェックの併用」が現時点でもっとも効果的とされています。
SNS 投稿から病気を予測する研究は、どのようなきっかけ・プロセスで行われたのですか？
きっかけは、2009 年の Google Flu Trends（Google 検索キーワードの急増からインフルエンザ流行を検知する研究）です。SNS でも同様のことができるのではという発想から、病気を示すキーワード（「熱が出た」等）の投稿を地域・時系列で集計し、実際の感染症データと相関を取って機械学習で予測精度を検証する、という流れが定着しました。近年は COVID-19 やメンタルヘルスの兆候検出にも応用されています。
「データをうまく活用する力が求められている」という意見について、先生はどうお考えですか？
データを活用する力は間違いなく求められていると考えています。本講義で学ぶ Python のスキルも、その一部として大切です。ただし、本質はツールの使い方そのものではなく、「課題を見つけ、仮説を立てて検証し、解決に繋げる」 という一連のプロセスにあります。技術はそれを支える手段として身につけていってもらえればと思います。
AI の発展が続いた場合、今学んでいることが無駄になってしまうのではないかと心配です
確かに 50 年前に今の AI の姿を正確に予測できた人はほとんどおらず、個別の技術やツールは今後も入れ替わっていくと思われます。ただ、「課題を見つけ、仮説を検証し、解決に繋げる」という思考プロセスや、プログラミングを通じて鍛えられる「論理的思考能力」は、言語やツールが変わっても残り続ける普遍的なスキルであり、決して無駄になることはないと考えています。
C. 講義進行について¶
もう少しゆっくり話してほしい / 基礎から丁寧に進めてほしい
ご意見ありがとうございます。重要な箇所では立ち止まって確認を取るよう心がけます。授業中に分からない点があればその場で質問していただくか、演習確認フォームに記入していただければ、次回の冒頭で補足します。
練習問題をもっとやりたいです
CHIKUWA Editor 内には授業で扱う以上の練習問題が用意されています。基本文法に不安がある方は、まずそちらから取り組んでみてください。練習問題のさらなる拡充については、今後検討していきます。