---
title: Python_ML_practitioner_chuken_rose_20260615.pptx
tags:  #機械学習  
author: [smile_yukiko_it](https://docswell.com/user/smile_yukiko_it)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/GJ5MK31DJ4.jpg?width=480
description: Python_ML_practitioner_chuken_rose_20260615.pptx by smile_yukiko_it
published: June 15, 26
canonical: https://docswell.com/s/smile_yukiko_it/KL3V8L-2026-06-15-072839
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/GJ5MK31DJ4.jpg)

うさうさ研修工房 🐰
FOR PRACTITIONERS ｜ 中堅・実務エンジニア向け
実務で外さない
機械学習ワークフロー
scikit-learn / PyTorch / TensorFlow の選び方と、再現性・リーク対策。
🛠 中堅・実務／設計と落とし穴
面白きこともなき世を面白く（高杉晋作）
｜ 2026-06-15


# Page. 2

![Page Image](https://bcdn.docswell.com/page/9E29WZ9M7R.jpg)

WHY
中堅が外さない 3原則
結論 精度を上げる前に「漏らさない・正しく測る・再現できる」。これが実務の信頼性を決めます。
リークを防ぐ
正しく測る
再現できる
前処理は学習データだけにfit。未来情
報を混ぜない。
交差検証＋目的に合った指標。
accuracy偏重を避ける。
seed固定・バージョン記録・Pipeline
化。
うさうさ研修工房 🐰 面白きこともなき世を面白く
1 / 11


# Page. 3

![Page Image](https://bcdn.docswell.com/page/D7Y4LR4PEM.jpg)

WHAT
フレームワークの選び方
観点
scikit-learn
PyTorch
TensorFlow / Keras
得意領域
表形式・古典的 ML
研究・柔軟な深層学習
本番運用・大規模
学習曲線
ゆるやか
中（Python的で直感的）
中（Kerasは平易）
代表用途
回帰/分類/前処理
画像/NLP/実験
モバイル/サービング
まず選ぶなら
表データはこれ
深層学習の入口
デプロイ重視
出典
Pedregosa+ 2011
Paszke+ 2019
Abadi+ 2016
※「迷ったら表データ＝scikit-learn、深層学習＝PyTorchで学び、運用要件でTensorFlowを検討」が無難な出発点（所感）。
うさうさ研修工房 🐰 面白きこともなき世を面白く
2 / 11


# Page. 4

![Page Image](https://bcdn.docswell.com/page/VENY4DYMJ8.jpg)

RISK · 査読付き
データリーク：最も多い失敗
事実（査読付き論文より）
現場で起きるリーク例
ML応用研究の再現性調査で、データリークが
17分野・294論文
に影響し、過度に楽観的な結論を生んでいた。漏えいは
8類型
に整理され、model info sheetでの予防が提案された。
•
分割“前”に標準化やfillnaをした
•
テスト統計量で特徴量を作った
•
時系列を無視してシャッフル分割
•
重複/同一被験者が両側に混在
•
目的変数由来の特徴を入れた
Kapoor & Narayanan (2023) Patterns 4(9):100804
うさうさ研修工房 🐰 面白きこともなき世を面白く
3 / 11


# Page. 5

![Page Image](https://bcdn.docswell.com/page/Y79PQGPWE3.jpg)

HOW · 公式
リーク対策： Pipeline × 交差検証
✗ アンチパターン
✓ 推奨パターン
scaler.fit(X)
# 全体でfit=漏えい
pipe = Pipeline([
("sc", StandardScaler()),
X = scaler.transform(X)
("clf", LogisticRegression())])
Xtr,Xte = split(X)
cross_val_score(pipe, X, y, cv=5)
分割前にfitすると、テストの情報が学習へ漏れる。
model.fit(Xtr,
ytr)
うさうさ研修工房 🐰 面白きこともなき世を面白く
Pipelineが各foldの“学習側だけ ”でfit→transformを自動
で守る。
4 / 11


# Page. 6

![Page Image](https://bcdn.docswell.com/page/G78DGVDR7D.jpg)

EVALUATION
評価指標： accuracyだけ見ない
Accuracy
Precision / Recall
全体の正答率。不均衡データだと誤解を生む。
誤検知 vs 見逃しのトレードオフを表す。
F1スコア
ROC-AUC
PとRの調和平均。不均衡時の定番。
閾値に依らない識別力。確率出力の評価に。
混同行列
回帰: RMSE/MAE/R²
どこで間違えたかを可視化。最初に見る。
誤差の大きさと説明力。用途で選ぶ。
うさうさ研修工房 🐰 面白きこともなき世を面白く
5 / 11


# Page. 7

![Page Image](https://bcdn.docswell.com/page/L7LMG5M2JR.jpg)

TUNING
ハイパーパラメータ探索
from sklearn.model_selection import GridSearchCV
要点
grid = {"clf__C": [0.1, 1, 10]}
•
探索もPipeline内で（リーク防止）
gs = GridSearchCV(pipe, grid, cv=5,
•
scoringは目的に合わせる
•
選定と評価は分ける＝入れ子 CV
•
探索しすぎはテストへの過適合
scoring="f1_macro")
gs.fit(X_tr, y_tr)
gs.best_params_
# 厳密な汎化性能は入れ子CVで
cross_val_score(gs, X, y, cv=5)
うさうさ研修工房 🐰 面白きこともなき世を面白く
6 / 11


# Page. 8

![Page Image](https://bcdn.docswell.com/page/4EMYQ3Y9EW.jpg)

DEEP LEARNING
深層学習への橋渡し（最小形）
PyTorch
TensorFlow / Keras
import torch.nn as nn
from tensorflow import keras
net = nn.Sequential(
net = keras.Sequential([
nn.Linear(4, 16), nn.ReLU(),
keras.layers.Dense(16,"relu"),
nn.Linear(16, 3))
keras.layers.Dense(3)])
# 学習ループは自分で書く（柔軟）
net.compile(...); net.fit(...)
研究・自由度重視。Pythonらしく書ける。
高レベルAPIで手早く。運用・サービングが充実。
うさうさ研修工房 🐰 面白きこともなき世を面白く
7 / 11


# Page. 9

![Page Image](https://bcdn.docswell.com/page/PER98Q99J9.jpg)

REPRODUCIBILITY
再現性チェックリスト
乱数を固定
環境を記録
random_state / seed を全工程で統一。
ライブラリ版を requirements で固定。
工程をコード化
情報シート
前処理〜評価をPipeline/スクリプト化。
データ分割・指標・前提を1枚で明文化（査読推
奨）。
うさうさ研修工房 🐰 面白きこともなき世を面白く
8 / 11


# Page. 10

![Page Image](https://bcdn.docswell.com/page/P7XQ85Q3EX.jpg)

CHECKLIST
中堅の到達目標チェック
•
前処理を学習データだけにfitできている
•
交差検証＋目的に合う指標で評価している
•
ハイパラ選定と汎化評価を分離している（入れ子CV）
•
seed固定・依存バージョン記録で再現できる
•
表データはsklearn、深層はPyTorch/TFと使い分けできる
•
公式ドキュメントと一次論文で根拠を確認している
うさうさ研修工房 🐰 面白きこともなき世を面白く
9 / 11


# Page. 11

![Page Image](https://bcdn.docswell.com/page/37K9K69N7D.jpg)

参考リンク集（実務・中堅向け）
出典は必ず一次情報に当たること。ラベル＝ [公式]公式ドキュメント / [査読付き]海外の査読付き論文 / [国内]国内学術誌。
公式
scikit-learn User Guide
https://scikit-learn.org/stable/user_guide.html
公式
scikit-learn 交差検証 (Cross-validation)
https://scikit-learn.org/stable/modules/cross_validation.html
公式
scikit-learn Pipeline / 前処理合成 (compose)
https://scikit-learn.org/stable/modules/compose.html
公式
PyTorch Tutorials / Docs
https://pytorch.org/tutorials/
公式
TensorFlow Guide / Keras
https://www.tensorflow.org/guide
査読付き
Paszke et al. (2019) PyTorch, Advances in NeurIPS 32:8024-8035
https://papers.neurips.cc/paper_files/paper/2019/hash/bdbca288fee7f92f2bfa9f7012727740-Abstract.html
査読付き
Abadi et al. (2016) TensorFlow: A System for Large-Scale Machine Learning, USENIX OSDI 16:265-283
https://www.usenix.org/conference/osdi16/technical-sessions/presentation/abadi
査読付き
Kapoor & Narayanan (2023) Leakage and the reproducibility crisis, Patterns 4(9):100804
https://doi.org/10.1016/j.patter.2023.100804
うさうさ研修工房 🐰 面白きこともなき世を面白く