# 貪欲アルゴリズムは、その時点で最良（最も最適）と思われる選択肢、つまり局所的に最適な決定に基づいて決定を下し、その選択が全体的に最適な解をもたらすかどうかは考慮しません。
機械学習における例：
* 決定木アルゴリズム（CARTなど）は、情報利得またはジニ係数に基づいて各ノードで最適な分割を選択する貪欲法を使用します。
他の選択肢が間違っている理由：
* A: これはベイズ更新を指しており、貪欲な行動を指しているわけではありません。
* B：それは貪欲さではなく、網羅的な探索を表しています。
* C: それは貪欲な戦略ではなく、確率モデルや生成モデルにより近いものです。
公式資料：
* CompTIA DataX (DY0-001) 公式学習ガイド - セクション 4.2 (モデル選択方法): 「貪欲アルゴリズムは、各ステップで局所的に最適な決定を行います。たとえば、決定木は、現在の最良の基準に基づいて貪欲分割を使用します。」
* 統計的学習の要素、第 9 章：「貪欲法は、目先の利益を最大化する段階的な決定を行う。処理速度は速いが、全体最適解を見逃す可能性がある。」
-

# 畳み込みニューラルネットワーク（CNN）では、プーリング層を使用して特徴マップの空間次元（幅と高さ）を縮小します。これにより、ダウンサンプリング、計算複雑度の低減、特徴を要約することによる過学習の抑制（最大プーリングや平均プーリングなど）が可能になります。
他の選択肢が間違っている理由：
* B: 入力層は生データを受け取り、ダウンサンプリングは行いません。
* C: 出力層が最終的な予測を生成します。
* D: 隠れ層はデータを処理しますが、特にダウンサンプリングを実行するように設計されていない限り、ダウンサンプリングは実行しません（例：畳み込みサブレイヤーまたはプーリングサブレイヤー）。
公式資料：
* CompTIA DataX (DY0-001) 学習ガイド - セクション 4.3:「プーリング層は特徴マップをダウンサンプリングするために使用され、CNN において次元削減のために不可欠です。」
-

モデルの選択や調整に着手する前に、文献レビューによって概念実証が既存の研究やベストプラクティスに基づいていることを確認し、アプローチが最先端の手法や問題のドメイン要件に合致していることを保証する。

散布図は、2つの数値変数間の関係性や傾向を調べるために使用されます。特に、線形（または非線形）パターン、クラスター、外れ値を明らかにするのに効果的です。
他の選択肢が間違っている理由：
* A: バイオリンプロットは分布と密度を示すものであり、関係性を示すものではありません。
* B: ボックスプロットはグループ間の分布を比較しますが、線形性は明らかにしません。
* D: QQプロットは正規性を検定するものであり、変数間の関係性を検定するものではありません。
公式資料：
* CompTIA DataX (DY0-001) 公式学習ガイド - セクション 1.2：「散布図は、2 つの連続変数間の相関、線形性、および外れ値を特定するために、EDA で一般的に使用されます。」
* データサイエンスの基礎、第2章 - EDAテクニック：「線形傾向と関係性を評価するために、散布図は変数間の直接的な視覚的評価を提供する。」