コンテナは、アプリケーションとその重要な依存関係のみを軽量なランタイム上にカプセル化することで、オペレーティングシステム全体をバンドルすることなく、結果として得られるアセットの移植性と再利用性を実現します。

この課題は、非線形モデルを評価し、比較することです。モデル評価、特に複雑なモデルや非線形モデルの評価においては、適合度だけでなく、過学習を避けるためにモデルの複雑さも考慮することが重要です。
赤池情報量規準（AIC）は、統計モデル（非線形モデルを含む）の相対的な品質を比較するために使用されるモデル選択指標です。モデルの尤度（データへの適合度）と、パラメータ数（モデルの複雑さ）に対するペナルティの両方を考慮に入れています。
他の選択肢が間違っている理由：
* B. カイ二乗検定：通常、カテゴリ変数間の関係を検定するために使用され、非線形モデルのモデル適合性を評価するために使用されません。
* C. MCC (マシューズ相関係数): 二値分類の性能評価に使用され、さまざまな非線形回帰モデルにわたる一般的なモデル評価には適していません。
* D. ANOVA（分散分析）：グループ間の平均値を比較するために使用され、多くの場合、線形モデルや実験計画に使用されますが、一般的な非線形モデルの評価には適していません。
正確な抜粋と公式参考文献：
* CompTIA DataX (DY0-001) 公式学習ガイド、ドメイン：モデリング、分析、および結果
「AICは、特に非線形モデルや複雑なモデルにおいて、モデルの適合性と複雑さのバランスを取ることで、モデル比較のための手法を提供する。」（第3.2節「モデル評価指標」）
* データサイエンスの基礎、DS Institute:
「AICは、特に回帰分析や非線形モデリングにおいて、競合するモデルの中から最適なモデルを選択する際に広く用いられています。これは、モデルの複雑さをペナルティとして課す一方で、適合度の良さを評価するからです。」（第6章 モデル評価）

ディープラーニングにおいて、「深さ」とは入力と出力の間の層の数を指します。これらの中間層は、その出力が直接観測されないため、隠れ層と呼ばれます。
隠れ層は、ネットワークが階層的な特徴を学習する場所です。隠れ層が増えるほどモデルは深くなり、データからより複雑なパターンや表現を学習できるようになります。
他の選択肢が間違っている理由：
* A. 畳み込み: これは畳み込みニューラルネットワーク (CNN) で適用される特定の種類の演算ですが、モデルの深さの一般的な源ではありません。
* B. ドロップアウト：過学習を防ぐために使用される正則化手法であり、モデルの深さには寄与しません。
* C. プーリング: 特徴マップの次元を削減します。ネットワークの深さには影響しません。
正確な抜粋と公式参考文献：
* CompTIA DataX (DY0-001) 公式学習ガイド、ドメイン: 機械学習
「深層ニューラルネットワークでは、隠れ層がモデルの深さを表します。各隠れ層によって、ネットワークはより抽象的で高レベルな特徴を学習できるようになります。」（深層学習の基礎、第4.3節）
* イアン・グッドフェロー、ヨシュア・ベンジオ、アーロン・コーヴィル著『ディープラーニング教科書』
「ディープラーニングにおける深さとは、ネットワーク内の隠れ層の数を指します。各隠れ層は、入力データからより抽象的な特徴を抽出します。」（第6章、フィードフォワードディープネットワーク）

定期バスは概ね定刻に到着するが、不規則な遅延は1時間あたりに集中する傾向がある。正規分布は、こうした正確な時刻表からの連続的な、ベル型のずれを効果的にモデル化できる。

散布図は、2つの軸上に数値のペアを表示することで、変数間の関係性やパターン（線形傾向など）を視覚的に評価することを可能にします。