JSON（JavaScript Object Notation）は、構造化データまたは半構造化データの保存と交換に広く使用されている軽量のデータ交換形式です。JSONでは、ネストされたオブジェクトや配列などの階層構造（ツリー構造）をテキスト表現にシリアル化できます。
オプション A (プレーン テキスト形式): 正解です。JSON ファイルはプレーン テキストとして保存されるため、人間が判読でき、言語に依存しません。
オプション B (プレーン文字列形式): 正解です。JSON オブジェクトは、ネットワーク (API、RESTful サービスなど) を介して文字列として送信されます。
オプション C: 不正解です。JSON は「任意の形式」にシリアル化されるのではなく、テキスト/文字列ベースの形式にシリアル化されます。
選択肢D: 正解です。JSONはプレーンテキストであり、文字列形式で送信されるため、正解はAとBの両方です。
オプション E: 不正解です。
したがって、JSON は階層データをプレーンテキストと文字列形式にシリアル化します。
参照：
DASCA データ サイエンティスト ナレッジ フレームワーク (DSKF) - データ エンジニアリング ツール: データ シリアル化形式 (JSON、XML、Avro)。

ソーシャル ネットワーク分析 (SNA) は、グラフ理論を適用してエンティティ (人、組織、コンピューターなど) 間の関係を調査する強力な分析方法です。
オプション A: 正解です。SNA は、エンティティをノードとして、それらの関係をエッジ/タイとしてモデル化するため、まさにグラフ分析の一例です。
選択肢B：誤り。SNAはトレンド分析の一例ではありません。トレンド分析は時間的パターン（時系列）に焦点を当てますが、SNAは構造的かつ関係的な分析です。
選択肢 C: 正解です。SNA は、コミュニティ、影響力のある人々、ネットワーク内の情報の拡散などの構造を調査します。
選択肢D: 正解です。ノードとエッジの特性評価はSNAの中心です。
オプション E: オプション B が誤りであると判断されたため、不正解です。
したがって、誤った記述はオプション B です。
参照：
DASCA データ サイエンティスト ナレッジ フレームワーク (DSKF) - 分析: グラフ分析とソーシャル ネットワーク分析。

Hadoop エコシステムは複数のコンポーネントで構成されていますが、Hadoop を定義する 2 つのコア コンポーネントは次のとおりです。
HDFS (Hadoop 分散ファイル システム): 分散クラスター全体にフォールト トレラントでスケーラブルなストレージを提供します。
これは、大規模なデータセットを分散形式で保存するためのバックボーンです。
MapReduce フレームワーク: Hadoop の並列コンピューティングおよびデータ処理層を提供し、分散データセットのバッチ分析を可能にします。
オプション A: 正解です。HDFS は必須です。
オプション B: 正解です。MapReduce は必須です。
オプション C: 不正解です。Spark は新しい処理フレームワークですが、元々 Hadoop コアの一部ではありません。
オプション D: HDFS と MapReduce はどちらも Hadoop の基本的な部分であると考えられるため、正解です。
オプション E: 不正解です。Spark は Hadoop のコア コンポーネントではありません (ただし、Hadoop と統合されています)。
参照：
DASCA データ サイエンティスト ナレッジ フレームワーク (DSKF) - ビッグ データ エコシステム: Hadoop アーキテクチャとコンポーネント。

ボックス プロット (またはウィスカー プロット) は、次の方法でデータの分布を表す統計グラフです。
最小値、第 1 四分位値 (Q1)、中央値、第 3 四分位値 (Q3)、最大値。
外れ値は、ひげを超えた個別のポイントとしてプロットされます。
これにより、以下の場合に特に強力になります。
データ内の外れ値を識別する。
カテゴリ間での分布の比較。
データの変動性を理解する。
オプション A (傾向分析): 個々の外れ値ではなく、時間的なパターンを表示します。
オプション C (ヒストグラム): 頻度分布を表示しますが、外れ値は明示的に強調表示されません。
オプション D (散布図): 変数間の関係を表示しますが、1 つの分布内の統計的な外れ値には焦点を当てません。
したがって、正解はオプション B (ボックス プロット) です。
参照：
DASCA データ サイエンティスト ナレッジ フレームワーク (DSKF) - データ視覚化ツール: 外れ値検出のためのボックス プロット。

機械学習 (ML) は、大きく分けて 3 つの主要なパラダイムに分けられます。
教師あり学習（オプションA）：
データにはラベル付けされた出力 (例: 分類、回帰) が含まれます。
目標: 入力から出力へのマッピングを学習します。
教師なし学習（オプションB）：
データにはラベルがありません。
目標: 隠れたパターン (例: クラスタリング、次元削減) を発見します。
強化学習（オプションC）：
エージェントは環境と対話し、試行錯誤を通じて累積報酬を最大化することで学習します。
ロボット工学、ゲーム AI、自律システムに使用されます。
3 つのカテゴリすべてが有効なので、正解はオプション D (上記のすべて) です。
参照：
DASCA データ サイエンティスト知識フレームワーク (DSKF) - 機械学習パラダイム: 教師あり学習、教師なし学習、強化学習。