0:53:51
おすすめの学習動画

AI BUSINESS SHIFT 第7回 マネジメント編:AIで進化する組織開発・人材育成
本コースは、リーダー・マネージャー層を対象に、AIのマネジメント活用・組織活用を体系的に学ぶ『AI BUSINESS SHIFTシリーズ(全12回)』の第7回です。 第7回「AIで進化する組織開発・人材育成」では、AIは人や組織にどのような影響を与えるのか、人や組織はAIと共にどのように進化していくべきかについて学びます。 ■こんな方におすすめ ・AI時代の組織開発や人材育成のポイントを学びたい方 ・組織開発や人材育成を担う人事担当者や現場リーダーの方 ・OpenAIやパナソニックHDの取り組みを参考にしたい方 ■AIシフトシリーズとは? 『AI BUSINESS SHIFTシリーズ』は以下の3部構成で設計された全12回のシリーズです。(順次公開) https://unlimited.globis.co.jp/ja/tags/AI%E3%83%93%E3%82%B8%E3%83%8D%E3%82%B9%E3%82%B7%E3%83%95%E3%83%88 ・基礎編(第1回〜3回):リーダーやマネージャーに求められる、AI時代の基礎的なリテラシーの強化を目的としたコース ・マネジメント編(第4回〜7回):AI時代のリーダーシップや組織変革を中心に学ぶコース ・機能別戦略編(第8回〜12回):AI時代における機能別での戦略のあり方を中心に学ぶコース より実践的なAIツールの活用法について学びたい方は『AI WORK SHIFTシリーズ』をご視聴ください。 https://unlimited.globis.co.jp/ja/search?tag=AI%E3%83%AF%E3%83%BC%E3%82%AF%E3%82%B7%E3%83%95%E3%83%88 ※本コースは、AIのマネジメント活用を学ぶ「AIビジネスシフト」シリーズの一環として提供しています。 ※本動画は、制作時点の情報に基づき作成したものです(2025年12月制作)
新着会員限定

マネジャーのための仕事の任せ方
「仕事を任せると失敗が怖い」「自分でやった方が早い」マネージャーとしてメンバーやチームの力を引き出しながら成果を上げるには、どのように仕事を任せていけば良いのでしょうか? 変化の激しい時代において、マネージャーとして成果を上げ続けるためには、メンバーの個性や特性を理解し、それに合わせた効果的な任せ方を身につけることが重要です。このコースでは、ソーシャルスタイル理論を活用してメンバーごとに最適なアプローチを学びます。「任せる力」を高めることで、チーム全体の成長を促進し、自身のリーダーシップを発揮できるようになっていきます。 ※本動画は、制作時点の情報に基づき作成したものです(2024年12月制作)
会員限定

AI時代の個人力
AIが仕事や社会の前提を変え続ける今、最も求められるのは「他者に代替されない個としての力」“個人力”です。 本コースでは、澤円氏の著書『個人力』をもとに、AI時代をしなやかに生き抜くための「前向きな自己中戦略」を学びます。 テーマは、「Being(ありたい自分)」を中心に据え、自ら考え(Think)、変化し(Transform)、協働する(Collaborate)ことで、自分らしい価値を発揮していくこと。 リスキリングやAI活用が叫ばれる今こそ、スキルより先に“自分の軸”を問うことが重要です。 あなたは何を大切にし、どんな未来を描きたいのか? このコースは、あなたが“ありたい自分”として生き、キャリアをデザインしていくための思考と行動のガイドになります。 ※本動画は、制作時点の情報に基づき作成したものです(2025年11月制作)
会員限定

【AI×クリティカル・シンキング】①イシューと枠組みでプロンプトを磨く
生成AIから期待する回答を引き出せず、試行錯誤を重ねていませんか。 本コースでは、生成AI活用の質を高める鍵として、クリティカル・シンキングの視点からイシュー設定と枠組みを押さえる重要性を解説します。 目的に直結する問いの立て方や、プロンプトに落とし込む際の実践ポイントを具体例とともに学ぶことで、AIをより思考のパートナーとして活用できるようになります。 生成AIを業務で使い始めた方から、活用を一段深めたい方まで、再現性あるプロンプト設計を身につけたい方におすすめの内容です。 さらに学びを深めたい方は、こちらも合わせてご覧ください。 【AI×クリティカル・シンキング】②AIの弱点との向き合い方 https://unlimited.globis.co.jp/ja/courses/cdfe41e3/learn/steps/62198 ※本コースは、AI時代のビジネススキルを学ぶ「AIタレントシフト」シリーズの一環として提供しています。 https://unlimited.globis.co.jp/ja/tags/AI%E3%82%BF%E3%83%AC%E3%83%B3%E3%83%88%E3%82%B7%E3%83%95%E3%83%88 ※本動画は、制作時点の情報に基づき作成したものです(2026年1月制作)
会員限定

リーダーの挑戦⑤ 藤田晋氏(サイバーエージェント代表取締役)
グロービス経営大学院学長の堀義人が、日本を代表するビジネスリーダーに5つの質問(能力開発/挑戦/試練/仲間/志)を投げかけ、その人生哲学を解き明かします。第5回目のゲストは、サイバーエージェント代表取締役の藤田晋氏。起業の理由、経営をどうやって学んだか、アメーバブログ・ABEMAの立ち上げ、経営チームづくりについてなど聞いていきます。(肩書きは2020年12月11日撮影当時のもの) 藤田 晋 サイバーエージェント 代表取締役 堀 義人 グロービス経営大学院 学長 グロービス・キャピタル・パートナーズ 代表パートナー
会員限定

ビジネスパーソンのための睡眠スキル ~問題解決編 前編 なぜ眠れないのか?~
「仕事が終わらないから睡眠時間を少し削ろう…」「業務時間中なかなか集中できない…」「毎日朝起きるのがつらい…」。 あなたはこのような経験をしたことはありませんか? 仕事やプライベートの時間をやりくりするために、真っ先に削りがちなのが「睡眠」時間。 実は今、日本社会は世界と比較して「最も眠らない国」だということもわかってきています。 慢性的な睡眠不足は、心身の健康に悪影響なだけでなく、仕事のパフォーマンスにも当然大きな影響を与え、社会全体の経済損失につながります。 このコースでは、基本的な睡眠リテラシーを学んだ後の「問題解決編」として、「なぜ多くのビジネスパーソンは眠れないのか?」について解説していきます。 ▼本コースで学べる主な内容 ・そもそも眠れないことは何が問題なのか? ・眠れなくなってしまう原因とは? 睡眠不足の原因は認知機能の問題にありました。 自身の睡眠不足に対し、正しく「気づき・理解し・行動を変える」第一歩を踏み出しましょう。 ▼関連コース ・ビジネスパーソンのための睡眠スキル ~リテラシー編~ https://unlimited.globis.co.jp/ja/courses/24575c03/learn/steps/53129 ・ビジネスパーソンのための睡眠スキル ~問題解決編 後編 どうしたら眠れるのか?~ https://unlimited.globis.co.jp/ja/courses/4ba981e9/learn/steps/62042 ※本動画は、制作時点の情報に基づき作成したものです(2025年12月制作)
会員限定

大阿闍梨 塩沼亮潤が死の手前で見つけた「生き方」
あすか会議2018 第4部分科会B-1「極限の世界で見つけた人生の歩み方」 (2018年7月7日開催/国立京都国際会館) 1300年間で2人目となる大峯千日回峰行満行を果たした塩沼亮潤大阿闍梨。48キロの山道を1日16時間掛けて歩き、それを千日間に亘って続ける過酷な行の中で、どのような悟りを得たのか。そして、9日間、断食・断水・不眠・不臥を続ける四無行満行という極限の世界で何を見つけたのか。塩沼氏が「創造と変革の志士」へ贈る「人生の歩み方」とは。(肩書きは2018年7月7日登壇当時のもの) 塩沼 亮潤 慈眼寺 住職
無料

英語 de 学ぶ!3Cs Analysis(3C分析)
このコースでは、グロービス学び放題の英語版である『GLOBIS Unlimited』のコースの中から、ビジネスで役立つ頻出の英語表現をピックアップしています。英語ネイティブの方が実際に見ているコースなので、リアルなビジネス英語の表現を学ぶことができます。 今回のコースは「3Cs Analysis(3C分析)」です。一緒に『英語で』ビジネス知識を学んでいきましょう! ▼今回扱ったUnlimitedコース続きは下記からご覧いただけます 3Cs Analysis https://unlimited.globis.co.jp/en/courses/da5ca962/learn/steps/36362 ※本動画は、制作時点の情報に基づき作成したものです(2025年12月制作)
会員限定



より理解を深め、他のユーザーとつながりましょう。
コメント113件
naoki_sasano
データを扱ううえで正規化する必要があることはわかったが、0-1正規化の使いどころがわからなかった。全て標準化で処理すれば良いのではと思った。
kazumi_100pot
0−1正規化と標準化の相違点を十分に理解していなかったので、今回の講座でしっかりと勉強できた。
user-name01
データの前処理として、データの欠損の補完、外れ値の扱い、正規化の方法があることを学んだ。
t_htn
データの前処理n考え方が把握できた。
データ分析を適切に行うためにも、
しっかりデータ前処理を行いたいと思う
k_yuna
大変勉強になりました。
watanabe-tat
質的データ、ダミー変数はワンホットエンコーディングを使う。ラベルリングデータは取り合う使いに注意する。
k-akira
正規化と標準化の違いが理解できた
koichi_seya
外れ値の処理などの手法が具体的に学べてよかった
stani
データを前処理して使いやすいものにし、長期に利用できるようにしたい。
chikako_k
エラーになってしまう不要なデータは削除していましたが、削除にも手法があると知りました。
7031
データを扱ううえで正規化する必要があることはわかった。
mainichi365
データを見直すこと。
matute
データ分析を開始する前に外れ値の処理や正規化等を行い、正しいデータ分析ができるようにしたい
iso_ken
スケーリングと質的データの量的変換は参考になった
yasupii
講義を聞いて、機械学習は使われるデータが重要であるので、その前準備が大切であると思いました。前準備について、知っておくべき基礎的なことが分かりました。どのようなモデルを作りたいのかで、使う手法が異なるので、実践する場合に留意していきたいです。
choko0504
データ分析する際の基礎的な前処理について学ぶことができた。実務でいかすことがあればいかしたい 。
kenjiro_fujita
すでにあるシステムのデータ定義書を見直して、今あるデータベースはワンホットエンコードなのか、ラベルエンコードなのか確認していきたい。
vz3000
データの前処理について理解を深めることができた。スケーリングと質的データの量的変換の違いがよく分かった。
sesesese
質的データの変換の説明はあってるのでしょうか?
S,M,Lの3つの区分があったら、作成する項目の数は2個ではないですか?
重回帰分析ではなくで、その他の機械学習の手法では、区分が3つの質的変数の場合、3つの変数を作成するのでしょうか?
ken222
01正規化と標準化の手法をしっかり覚えるとともに、外れ値の扱いについてもしっかり覚えたい。
hfkd156036
0−1正規化と標準化の相違点を理解できた
dense
標準化もサンプル数が少ないと、外れ値の影響を受けます…
miura_ka
データの前処理の必要性と、前処理の種類を確認できたため取り入れたい。
ck27
箱ひげ図などで具体的に外れ値をみながらデータを扱うことが学習できたので、活用していきたい
take515
データ前処理の基本事項が確認できた。
hr-sakai
0-1正規化と標準化の違が理解できた。外れ値の処理の方法も理解できたのでもっと学習してみます。
kk1000
ワンホットエンコーディングかラベルエンコーディングか、状況に応じて使い分けが必要だなと感じました。
shirojpn
データの前処理として、欠損の処理方法、データの正規化、外れ値の処理方法、質的データの量的データへの変換時の注意点等を理解する事が出来た。
外れ値の処理方法としての、箱ひげ図の事例はわかりやすかった。
tsuyoshi_asano
無意識に自分がやっていたデータの処理方法がラベルエンコーディングであった。
質的データの処理(動画内の例でいえばTシャツの数量)ではワンホットエンコーディングの方が正確に判別できると理解した。一方、項目(例えばタスクやTODO)の優先度を重みづけする場合、ラベルエンコーディングでも良いだろうと思う。
vegitaberu
データの前処理は実際に意識していることですが、スケーリングの考え方は、抜けていました。これを理解できたのが、一番の収穫でした。
inyourmind
まだ素人なので、オートスケーリングはいつも面倒くさいと感じてしまいます。
madogiwazoku
素人には難しすぎました。頭が痛いです。鼻血もでそうです。
suzuqp
データの前処理についても数式があることを学びました。
taka1962
マニュアルでデータ処理するときは前処理を頭の中で知らぬ間にしていたことがわかりました。AIではとても重要だとわかりました。
k_k_ai
外れ値の処理の仕方が勉強になりました。
こういう考え方がある事を知ることで、データの見方がかわってきます。
michiyomichiyo
外れ値に対しての考えが分かった
s-ma
前処理の手法と活用時の注意点を学んだ
test_test___
データの前処理、特にデータの欠損をどう補完するかが勉強になった。
i_mura888
AIモデルを作る際のデータ前処理で役立つ。
yutahayasaka
素人には難しい。1回聴き流すだけでは理解できなかった。復習したい。
cs1960
大変、勉強になりました。
yokoishida
ぼんやりしていた部分が、はっきりわかりました。
atsushi_komaki
DS検定リテラシーレベル合格のために。
pinguino
前処理として必要なことが理解できた。
sakurai_shingo
業務で活用できそう。
yukofunada
応用問題で分からなかった部分の理解が深まりました。
hi-std
ラベルエンコーディングを使っていたが、数字の間に意味が発生するところまでは考えていなかった。
tsukamotoya
学習できたことを、業務や日常において活用していきます。
h-kozawa
正規化と標準化について正しい理解ができました。併せて多様な前処理方法があることも理解できました。
e_co
データの前処理にも様々な方法があり、どれを採用するか正しい選択が必要だと感じました。
takumi_1453
欠損に対する処理
行を削除→欠損を含む行数が十分少ない場合
列を削除→特徴量があまり重要ではない場合
欠損を補完→各種平均、回帰モデル予測
スケーリング
データの尺度を合わせる、正規化
線形回帰やNNWでは実施が不可欠
0-1正規化
(データの値-最小値)/(最大値-最小値)
外れ値に影響されやすい
0-1の間にスケーリングしたい
標準化
(データの値-平均値)/標準偏差
0付近にスケーリングしたい
外れ値に対する処理
ウィンザー化
一定の範囲内に丸め込む
上位、下位それぞれ5%超過したものを
上位、下位5%の値に置き換える
IQR(interquantile range)で外れ値特定し行削除
第一四分位数-1.5iqr
第三四分位数+1.5iqr
iqr=第三四分位数-第一四分位数
箱ヒゲ図
最小値、第一四分位数、下側境界値
中央値
最大値、第三四分位数、上側境界値
質的データの変換
ワンホットエンコーディング
説明変数が多くなる
ラベルエンコーディング
数字の間に意味が生じて支障きたすことが多い
ta-mo-
データにノイズがある場合、前処理は重要であり、その方法として、欠損、スケーリング、外れ値等の処理があることが分かった。
また、質的データはワンホットエンコーディング、ラベルエンコーディングがあるのは学びであった。
grateful
0-1正規化、標準化を学びました。
masato_86
わかりやすかったと思います。
shin_yako
参考になりました。実務の活用を考えます
70sp1208
データの前処理は、統計の基礎が重要であることがわかった。統計の基礎を押さえて、AIについて理解を深めたい。
yoshikouc
実際に手を動かしながらしたいです
kyo1227
データの前処理として、データの欠損の補完、外れ値の扱い、正規化の方法があることを学んだ。
hrkudo
外れ値や質的変数の処理について理解できました。
takemaru0530
外れ値の考え方や扱い方は勉強になりました。
業務でも外れ値をどのように扱うかはその時のデータ集計の目的によって違います。ヒストグラムでは外れ値により形が変わるので、箱ひげ図を活用すればデータのばらつきや外れ値がわかります。業務でも箱ひげ図を活用できるようにしていきたいです。
aokitaka-tci
データの前処理として正規化の必要性が理解できた、0−1正規化と標準化の相違点が一定理解できた
mutame
データの前処理についても数式があることを学びました。
inagaki_tomomi1
難しい内容でした。復習が必要と感じます。
homma_nanami
難しかったです。改めて視聴が必要だと思いました。
gobau
データの前処理の重要性、手法について理解できた。
xiu14
正しい結果を得るためには、欠損の処理・標準化・外れ値の処理など、入念な準備を
整えておく必要があることを理解できました。
mori_1991
データの前処理方法の基礎を学ぶことが出来た
myu-tan
0−1正規化と標準化、質的データの変換方法(ワンホットエンコーディング、ラベルエンコーディング)について活用したい
warashina12345
大変、勉強になりました。
hirano_rikiya
品質管理のばらつきの表現の可視化の理解が深まった。
aquico52
今まで感覚的に、外れ値を省く処理を入れていたが、評価上必要な処理であることが分かった。
uragami_kenji
外れ値の扱い方と、やり方に応じたメリット・デメリットを理解できた
takeshita_ta
データの前処理を行うことで、ノイズや欠損値を除去し、より正確な顧客対応モデルを構築することが可能である。これにより、分析精度が向上し、的確な顧客サービスの提供が期待できる。
hinaya_0821
日々の業務でこのデータを数値化した際にどのように活用できるか
また、他のデータと紐付けるKeyを考えながらデータに触れている。
前処理も同じと感じた。
globis-mrm
データの前処理の必要性と、その代表的な処理にどのようなものがあるか理解できた。
実践においても活用できると思えた。
temp954
文章の説明で分かった気になっていても数学要素が入ると途端にわからなくなりました。
復習します。
yoshiyc
データの前処理も複数あり、違いを学習でき有意義だった。
t03290512
日常業務に取り組活動
staka3
データの前処理として正規化の必要性が理解できた。ただあくまで理解ができただけなのでこれからそう実践に活用できるか考えていきたい。
nokt
機械学習用のデータの前処理として、データ異常の修正や欠損の補完、外れ値の確認、および正規化の方法について学ぶことができました。
everest
分析に適したクリーンで整ったデータを準備し、正確な予測や洞察を得るために活用したい。
13125
パイソンを使っているのでこうしたクリーニング必要性は頻繁に発生する。ただ、クリーニングの方法を調べても同じ内容が多く、全角文字や全角スペースの外し方、統合する列名がバラバラなので共通点を探して抽出、といったクリーニング方法はなかなか見つからず、進まない。
yy_nn
学んだ内容は、アンケート結果などのデータを学習に利用するための前処理に活用できると思います。学んだ内容を活かすことで、外れ値の影響でモデルの精度が下がるのを防げたり、質的データの利用が可能になります。外れ値については、信頼性や正確性を失わないように、データの意味に気を配り、処理する必要があると思いました。
srk1
企業業績分析をしていると、外れ値の企業を多角的に分析した結果が自社の経営へのヒントを得られることがまれにある。
egon
データの前処理の重要性、手法について理解できました。
hiroshi-srkr
学習データの前処理も機械学習には重要なステップですが、数値で意味を持たせた場合の弊害についてはあまり考えていませんでしたので、非常に勉強になりました。
kkmmyy
今後参考にしたいと思います
terulin
データの前処理方法にも、いくつかの手段があることが分かった
0-1正規化の使い所が、いまいちわからない
rirac
明らかに異常な値があったときは、どこから外れ値としてよいのかまでは知らなかったので、今回の学習はとてもためになりました。
holborn_summer
大変、勉強になりました、参考になりました。実務の活用を考えます
timetraveler
普段何気なく実施していることが、ワンホットエンコーディング、ラベルエンコーディングという操作であったことが知った。
処理をの名前を知ることで、より身近なものになると思う。
abarenaikun
データ前処理は分析の精度を左右する重要な工程だと感じる。特に欠損値の補完や外れ値の適切な処理が必要で、データのばらつきを考慮しながら正規化・標準化を使い分けることが鍵となる。実務で活用できるよう理解を深めたい。
macha511
データの前処理方法に関して概要を理解できました。
sat_mura
データの前処理は、モデルを作るうえでロジカルにどのようにデータを整えるかがキーポイントになると考える。
特に外れ値は本当にそれが外れ値かは、しっかり考えなければいけない。
ohkmas
外れ値に対する処理。外れ値を一定の範囲に丸め込む。IQRを用いて外れ値を特定し、それを含む行を削除する
unagi0904
前処理の具体例の講義を聞いて、前処理の有効性を再認識した、今の日々の業務においても前処理的な部分に注意する事って大事だろうし、ひいてはAIを導入するにあたっても大事ってことか。なんかルンバの為に掃除するって話みたいだがそういう事だろう。
si-
質的変換でしたっけ?文字を強制的に数字に置き換える、ワンホットエンコーディング・・・どちらにせよ数字との戦いですね・・・
holy_tech
ワンホットエンコーディングは初めて知った。
h_tsukawaki
AI学習以外でも活用できそうな内容です。特に質的データの変換については参考になりました。
mtaka1121
機械学習におけるデータの前処理について学習できた。