jpskill.com
💼 ビジネス コミュニティ 🔴 エンジニア向け 👤 エンジニア・AI開発者

💼 SeniorデータScientist

senior-data-scientist

統計モデリングやA/Bテスト、因

⚡ ⏱ 提案書ドラフト 2日 → 半日

📺 まず動画で見る(YouTube)

▶ 【自動化】AIガチ勢の最新活用術6選がこれ1本で丸分かり!【ClaudeCode・AIエージェント・AI経営・Skills・MCP】 ↗

※ jpskill.com 編集部が参考用に選んだ動画です。動画の内容と Skill の挙動は厳密には一致しないことがあります。

📜 元の英語説明(参考)

World-class data science skill for statistical modeling, experimentation, causal inference, and advanced analytics. Expertise in Python (NumPy, Pandas, Scikit-learn), R, SQL, statistical methods, A/B testing, time series, and business intelligence. Includes experiment design, feature engineering, model evaluation, and stakeholder communication. Use when designing experiments, building predictive models, performing causal analysis, or driving data-driven decisions.

🇯🇵 日本人クリエイター向け解説

一言でいうと

統計モデリングやA/Bテスト、因

※ jpskill.com 編集部が日本のビジネス現場向けに補足した解説です。Skill本体の挙動とは独立した参考情報です。

⚡ おすすめ: コマンド1行でインストール(60秒)

下記のコマンドをコピーしてターミナル(Mac/Linux)または PowerShell(Windows)に貼り付けてください。 ダウンロード → 解凍 → 配置まで全自動。

🍎 Mac / 🐧 Linux 
mkdir -p ~/.claude/skills && cd ~/.claude/skills && curl -L -o senior-data-scientist.zip https://jpskill.com/download/476.zip && unzip -o senior-data-scientist.zip && rm senior-data-scientist.zip
🪟 Windows (PowerShell) 
$d = "$env:USERPROFILE\.claude\skills"; ni -Force -ItemType Directory $d | Out-Null; iwr https://jpskill.com/download/476.zip -OutFile "$d\senior-data-scientist.zip"; Expand-Archive "$d\senior-data-scientist.zip" -DestinationPath $d -Force; ri "$d\senior-data-scientist.zip"

完了後、Claude Code を再起動 → 普通に「動画プロンプト作って」のように話しかけるだけで自動発動します。

💾 手動でダウンロードしたい(コマンドが難しい人向け)
  1. 1. 下の青いボタンを押して senior-data-scientist.zip をダウンロード
  2. 2. ZIPファイルをダブルクリックで解凍 → senior-data-scientist フォルダができる
  3. 3. そのフォルダを C:\Users\あなたの名前\.claude\skills\(Win)または ~/.claude/skills/(Mac)へ移動
  4. 4. Claude Code を再起動
⬇ .zip でダウンロード(推奨) ⬇ .skill 形式(上級者用) 元のソース ↗

⚠️ ダウンロード・利用は自己責任でお願いします。当サイトは内容・動作・安全性について責任を負いません。

🎯 このSkillでできること

下記の説明文を読むと、このSkillがあなたに何をしてくれるかが分かります。Claudeにこの分野の依頼をすると、自動で発動します。

📦 インストール方法 (3ステップ)

  1. 1. 上の「ダウンロード」ボタンを押して .skill ファイルを取得
  2. 2. ファイル名の拡張子を .skill から .zip に変えて展開(macは自動展開可)
  3. 3. 展開してできたフォルダを、ホームフォルダの .claude/skills/ に置く
    • · macOS / Linux: ~/.claude/skills/
    • · Windows: %USERPROFILE%\.claude\skills\

Claude Code を再起動すれば完了。「このSkillを使って…」と話しかけなくても、関連する依頼で自動的に呼び出されます。

詳しい使い方ガイドを見る →
最終更新
2026-05-17
取得日時
2026-05-17
同梱ファイル
7

💬 こう話しかけるだけ — サンプルプロンプト

  • › senior-data-scientist を使って、最小構成のサンプルコードを示して
  • › senior-data-scientist の主な使い方と注意点を教えて
  • › senior-data-scientist を既存プロジェクトに組み込む方法を教えて

これをClaude Code に貼るだけで、このSkillが自動発動します。

📖 Skill本文(日本語訳)

※ 原文(英語/中国語)を Gemini で日本語化したものです。Claude 自身は原文を読みます。誤訳がある場合は原文をご確認ください。

シニアデータサイエンティスト

本番環境レベルのAI/ML/データシステムのための、世界クラスのシニアデータサイエンティストスキルです。

クイックスタート

主要機能

# Core Tool 1
python scripts/experiment_designer.py --input data/ --output results/

# Core Tool 2  
python scripts/feature_engineering_pipeline.py --target project/ --analyze

# Core Tool 3
python scripts/model_evaluation_suite.py --config config.yaml --deploy

主要な専門知識

このスキルは、以下の世界クラスの能力をカバーしています。

  • 高度な本番パターンとアーキテクチャ
  • スケーラブルなシステム設計と実装
  • 大規模なパフォーマンス最適化
  • MLOpsとDataOpsのベストプラクティス
  • リアルタイム処理と推論
  • 分散コンピューティングフレームワーク
  • モデルのデプロイとモニタリング
  • セキュリティとコンプライアンス
  • コスト最適化
  • チームリーダーシップとメンタリング

テックスタック

言語: Python, SQL, R, Scala, Go MLフレームワーク: PyTorch, TensorFlow, Scikit-learn, XGBoost データツール: Spark, Airflow, dbt, Kafka, Databricks LLMフレームワーク: LangChain, LlamaIndex, DSPy デプロイ: Docker, Kubernetes, AWS/GCP/Azure モニタリング: MLflow, Weights & Biases, Prometheus データベース: PostgreSQL, BigQuery, Snowflake, Pinecone

参考ドキュメント

1. 高度な統計手法

references/statistical_methods_advanced.md に包括的なガイドがあります。内容は以下の通りです。

  • 高度なパターンとベストプラクティス
  • 本番実装戦略
  • パフォーマンス最適化手法
  • スケーラビリティに関する考慮事項
  • セキュリティとコンプライアンス
  • 実世界のケーススタディ

2. 実験設計フレームワーク

references/experiment_design_frameworks.md に完全なワークフローのドキュメントがあります。内容は以下の通りです。

  • ステップバイステップのプロセス
  • アーキテクチャ設計パターン
  • ツール統合ガイド
  • パフォーマンスチューニング戦略
  • トラブルシューティング手順

3. 特徴量エンジニアリングパターン

references/feature_engineering_patterns.md に技術リファレンスガイドがあります。内容は以下の通りです。

  • システム設計原則
  • 実装例
  • 設定のベストプラクティス
  • デプロイ戦略
  • モニタリングと可観測性

本番パターン

パターン 1: スケーラブルなデータ処理

分散コンピューティングによるエンタープライズ規模のデータ処理：

  • 水平スケーリングアーキテクチャ
  • フォールトトレラント設計
  • リアルタイムおよびバッチ処理
  • データ品質検証
  • パフォーマンスモニタリング

パターン 2: MLモデルのデプロイ

高可用性を備えた本番MLシステム：

  • 低レイテンシでのモデルサービング
  • A/Bテストインフラストラクチャ
  • 特徴量ストア統合
  • モデルモニタリングとドリフト検出
  • 自動再学習パイプライン

パターン 3: リアルタイム推論

高スループット推論システム：

  • バッチ処理とキャッシング戦略
  • ロードバランシング
  • オートスケーリング
  • レイテンシ最適化
  • コスト最適化

ベストプラクティス

開発

  • テスト駆動開発
  • コードレビューとペアプログラミング
  • ドキュメントをコードとして扱う
  • すべてをバージョン管理する
  • 継続的インテグレーション

本番

  • 重要なものはすべて監視する
  • デプロイを自動化する
  • リリースにフィーチャーフラグを使用する
  • カナリアデプロイメント
  • 包括的なロギング

チームリーダーシップ

  • 若手エンジニアの指導
  • 技術的な意思決定を主導する
  • コーディング標準の確立
  • 学習文化の醸成
  • 部門横断的なコラボレーション

パフォーマンス目標

レイテンシ:

  • P50: < 50ms
  • P95: < 100ms
  • P99: < 200ms

スループット:

  • リクエスト/秒: > 1000
  • 同時ユーザー数: > 10,000

可用性:

  • アップタイム: 99.9%
  • エラー率: < 0.1%

セキュリティとコンプライアンス

  • 認証と認可
  • データ暗号化（保存時および転送時）
  • PIIの取り扱いと匿名化
  • GDPR/CCPA準拠
  • 定期的なセキュリティ監査
  • 脆弱性管理

一般的なコマンド

# Development
python -m pytest tests/ -v --cov
python -m black src/
python -m pylint src/

# Training
python scripts/train.py --config prod.yaml
python scripts/evaluate.py --model best.pth

# Deployment
docker build -t service:v1 .
kubectl apply -f k8s/
helm upgrade service ./charts/

# Monitoring
kubectl logs -f deployment/service
python scripts/health_check.py

リソース

  • 高度なパターン: references/statistical_methods_advanced.md
  • 実装ガイド: references/experiment_design_frameworks.md
  • 技術リファレンス: references/feature_engineering_patterns.md
  • 自動化スクリプト: scripts/ ディレクトリ

シニアレベルの責任

世界クラスのシニアプロフェッショナルとして：

  1. 技術的リーダーシップ

    • アーキテクチャの意思決定を主導する
    • チームメンバーを指導する
    • ベストプラクティスを確立する
    • コード品質を保証する

  2. 戦略的思考

    • ビジネス目標と整合させる
    • トレードオフを評価する
    • スケールを計画する
    • 技術的負債を管理する

  3. コラボレーション

    • チームを超えて協力する
    • 効果的にコミュニケーションをとる
    • コンセンサスを構築する
    • 知識を共有する

  4. イノベーション

    • 研究の最新情報を常に把握する
    • 新しいアプローチを試す
    • コミュニティに貢献する
    • 継続的な改善を推進する

  5. 本番環境の卓越性

    • 高可用性を確保する
    • 積極的に監視する
    • パフォーマンスを最適化する
    • インシデントに対応する
📜 原文 SKILL.md(Claudeが読む英語/中国語)を展開

Senior Data Scientist

World-class senior data scientist skill for production-grade AI/ML/Data systems.

Quick Start

Main Capabilities

# Core Tool 1
python scripts/experiment_designer.py --input data/ --output results/

# Core Tool 2  
python scripts/feature_engineering_pipeline.py --target project/ --analyze

# Core Tool 3
python scripts/model_evaluation_suite.py --config config.yaml --deploy

Core Expertise

This skill covers world-class capabilities in:

  • Advanced production patterns and architectures
  • Scalable system design and implementation
  • Performance optimization at scale
  • MLOps and DataOps best practices
  • Real-time processing and inference
  • Distributed computing frameworks
  • Model deployment and monitoring
  • Security and compliance
  • Cost optimization
  • Team leadership and mentoring

Tech Stack

Languages: Python, SQL, R, Scala, Go ML Frameworks: PyTorch, TensorFlow, Scikit-learn, XGBoost Data Tools: Spark, Airflow, dbt, Kafka, Databricks LLM Frameworks: LangChain, LlamaIndex, DSPy Deployment: Docker, Kubernetes, AWS/GCP/Azure Monitoring: MLflow, Weights & Biases, Prometheus Databases: PostgreSQL, BigQuery, Snowflake, Pinecone

Reference Documentation

1. Statistical Methods Advanced

Comprehensive guide available in references/statistical_methods_advanced.md covering:

  • Advanced patterns and best practices
  • Production implementation strategies
  • Performance optimization techniques
  • Scalability considerations
  • Security and compliance
  • Real-world case studies

2. Experiment Design Frameworks

Complete workflow documentation in references/experiment_design_frameworks.md including:

  • Step-by-step processes
  • Architecture design patterns
  • Tool integration guides
  • Performance tuning strategies
  • Troubleshooting procedures

3. Feature Engineering Patterns

Technical reference guide in references/feature_engineering_patterns.md with:

  • System design principles
  • Implementation examples
  • Configuration best practices
  • Deployment strategies
  • Monitoring and observability

Production Patterns

Pattern 1: Scalable Data Processing

Enterprise-scale data processing with distributed computing:

  • Horizontal scaling architecture
  • Fault-tolerant design
  • Real-time and batch processing
  • Data quality validation
  • Performance monitoring

Pattern 2: ML Model Deployment

Production ML system with high availability:

  • Model serving with low latency
  • A/B testing infrastructure
  • Feature store integration
  • Model monitoring and drift detection
  • Automated retraining pipelines

Pattern 3: Real-Time Inference

High-throughput inference system:

  • Batching and caching strategies
  • Load balancing
  • Auto-scaling
  • Latency optimization
  • Cost optimization

Best Practices

Development

  • Test-driven development
  • Code reviews and pair programming
  • Documentation as code
  • Version control everything
  • Continuous integration

Production

  • Monitor everything critical
  • Automate deployments
  • Feature flags for releases
  • Canary deployments
  • Comprehensive logging

Team Leadership

  • Mentor junior engineers
  • Drive technical decisions
  • Establish coding standards
  • Foster learning culture
  • Cross-functional collaboration

Performance Targets

Latency:

  • P50: < 50ms
  • P95: < 100ms
  • P99: < 200ms

Throughput:

  • Requests/second: > 1000
  • Concurrent users: > 10,000

Availability:

  • Uptime: 99.9%
  • Error rate: < 0.1%

Security & Compliance

  • Authentication & authorization
  • Data encryption (at rest & in transit)
  • PII handling and anonymization
  • GDPR/CCPA compliance
  • Regular security audits
  • Vulnerability management

Common Commands

# Development
python -m pytest tests/ -v --cov
python -m black src/
python -m pylint src/

# Training
python scripts/train.py --config prod.yaml
python scripts/evaluate.py --model best.pth

# Deployment
docker build -t service:v1 .
kubectl apply -f k8s/
helm upgrade service ./charts/

# Monitoring
kubectl logs -f deployment/service
python scripts/health_check.py

Resources

  • Advanced Patterns: references/statistical_methods_advanced.md
  • Implementation Guide: references/experiment_design_frameworks.md
  • Technical Reference: references/feature_engineering_patterns.md
  • Automation Scripts: scripts/ directory

Senior-Level Responsibilities

As a world-class senior professional:

  1. Technical Leadership

    • Drive architectural decisions
    • Mentor team members
    • Establish best practices
    • Ensure code quality

  2. Strategic Thinking

    • Align with business goals
    • Evaluate trade-offs
    • Plan for scale
    • Manage technical debt

  3. Collaboration

    • Work across teams
    • Communicate effectively
    • Build consensus
    • Share knowledge

  4. Innovation

    • Stay current with research
    • Experiment with new approaches
    • Contribute to community
    • Drive continuous improvement

  5. Production Excellence

    • Ensure high availability
    • Monitor proactively
    • Optimize performance
    • Respond to incidents

同梱ファイル

※ ZIPに含まれるファイル一覧。`SKILL.md` 本体に加え、参考資料・サンプル・スクリプトが入っている場合があります。