クラスタ内のノード数を増やすと、分散システム全体で利用可能なメモリの総量が直接的に増加し、コードやデプロイメントのパラダイムを変更することなくメモリ制約エラーを軽減できます。コンテナ化やエッジデプロイメントは、それ自体でメモリ量を増やすものではなく、クラウドへの移行だけでは、明示的にスケールアウトしない限り、ノード数の増加は保証されません。

# ほとんどの機械学習モデルでは、カテゴリ変数を数値形式に変換する必要があります。標準的なアプローチは2つあります。
* ワンホットエンコーディング：各カテゴリを個別のバイナリ列に変換します（名義変数に便利です）。
* ラベルエンコーディング: カテゴリを整数に変換します（順序尺度モデルやツリーベースモデルに役立ちます）。
他の選択肢が間違っている理由：
* A & E: 正規化とスケーリングは、カテゴリ変数ではなく、連続変数に対して使用されます。
* C: 線形化とは、関係性を変換することを指し、カテゴリ変換を指すものではありません。
* F: ピボット操作はデータ構造を再配置しますが、カテゴリをエンコードしません。
公式資料：
* CompTIA DataX (DY0-001) 学習ガイド - セクション 3.3：「ラベルエンコーディングとワンホットエンコーディングは、モデルの互換性を確保するためにカテゴリ変数に適用される一般的な変換です。」
-

# K近傍法（KNN）は、主に分類と回帰に使用される教師あり機械学習アルゴリズムです。新しいインスタンスは、ラベル付けされたk個の近傍インスタンスの多数決（回帰の場合は平均）によってラベル付けされます。
# k-Meansは、クラスタリングに使用される教師なし学習アルゴリズムです。重心を使用して、特徴の類似性に基づいてラベルなしデータをk個のグループに分割します。
つまり、両者の決定的な違いは目的にある。
* KNN # 分類（教師あり学習）
* K平均法 # クラスタリング（教師なし学習）
他の選択肢が間違っている理由：
* A: 技術的には、どちらも（前処理を行えば）連続データまたはカテゴリデータに対して動作可能です。
* B: これは意味のある、あるいは標準化された区別ではありません。
* C: これは実際の役割を逆転させます。k-meansは重心を見つけ、KNNは最近傍点を見つけます。
公式資料：
* CompTIA DataX (DY0-001) 公式学習ガイド - セクション 4.1 (分類とクラスタリング): 「KNN は分類タスクのための教師あり学習アルゴリズムです。K-means は、重心への近さに基づいてデータをグループ化する教師なしクラスタリング手法です。」
* データサイエンスハンドブック、第5章：「重要な違いの一つは、KNNはラベル付きデータを使用して分類または回帰を行うのに対し、k-meansはラベルなしデータを使用してグループ分けを行う点である。」
-

入力はカテゴリカルデータ（包装紙の色、形状、動物の種類）で、ターゲットは二値データ（海か陸か）です。決定木はカテゴリカルデータをネイティブに処理し、生息地を予測する明確なルールベースの分割を生成するため、最も適切な選択肢となります。

# A/B テストでは、現在の (A) モデルと A/B モデルのパフォーマンスを比較する制御された実験が可能です。
候補（B）を実データに基づいて検証する。完全な置き換えを行う前に、実際の動作を検証することは業界のベストプラクティスである。
他の選択肢が間違っている理由：
* B: パフォーマンス監視はドリフトの検出に役立ちますが、モデルを直接比較するものではありません。
* C: CI/CDはデプロイを自動化しますが、パフォーマンスの違いを評価しません。
* D: コンテナ化はモデルをパッケージ化するが、比較テストは行わない。
公式資料：
* CompTIA DataX (DY0-001) 学習ガイド - セクション 5.5：「A/B テストは、本番環境でバージョンを切り替える前にモデルのパフォーマンスを検証するための推奨される手法です。」
* MLシステム運用ガイド、第6章：「A/Bテストを使用して、新しいモデルが本格的な展開前にベースラインを上回る性能を発揮することを確認する。」
-