# クイックスタートガイド

5分でラマン分光分析アプリケーションを使い始めましょう。

---

## 📋 前提条件

始める前に、以下を確認してください：

- ✅ アプリケーションがインストールされている（[インストールガイド](installation.md)参照）
- ✅ CSV形式のラマンスペクトルデータがある
- ✅ サンプルラベル（オプション、分類用）

---

## 🚀 5分間チュートリアル

### ステップ1: アプリケーションを起動（30秒）

**実行可能ファイル（Windows）**:

- `RamanApp.exe` をダブルクリック

**Pythonから**:
```bash
python main.py
```

アプリケーションのホーム画面が表示されます。

### ステップ2: データをインポート（1分）

1. **データパッケージタブ**をクリック
2. **「ファイルをインポート」**ボタンをクリック
3. CSVファイルを選択
4. データをプレビューして**「ロード」**をクリック

**期待されるCSVフォーマット**:
```text
Wavenumber,Sample1,Sample2,Sample3
400,0.12,0.15,0.11
401,0.14,0.16,0.13
402,0.13,0.14,0.12
...
```

✅ **成功**: スペクトルが表にロードされます

### ステップ3: 前処理を適用（2分）

1. **前処理タブ**に移動
2. **「ステップを追加」**をクリック
3. **「AsLS」**（ベースライン補正）を選択
4. デフォルトパラメータを使用（`lambda=100000`、`p=0.01`）
5. **「ステップを追加」**をもう一度クリック
6. **「ベクトルノルム」**（正規化）を選択
7. **「適用」**をクリック

**プレビュー**: 
- 元のスペクトル（青）と処理済みスペクトル（緑）が表示されます
- ベースラインが除去され、正規化されたスペクトルが確認できます

✅ **成功**: スペクトルが前処理されました

### ステップ4: データを分析（1.5分）

1. **分析タブ**に移動
2. **「PCA」**を選択
3. **成分数**: `2`を設定
4. **「実行」**をクリック

**結果**:
- **スコアプロット**: データの2D投影
- **説明分散**: 各成分が説明する分散
- **ローディング**: 各波数の寄与

✅ **成功**: データが分析されました

### ステップ5: 結果をエクスポート（30秒）

1. **「結果をエクスポート」**ボタンをクリック
2. フォーマットを選択（CSV、Excel（.xlsx）、JSON、TXT、PKL）
3. 場所を選択して**「保存」**をクリック

✅ **完了**: 最初の分析が完了しました！🎉

---

## 📊 視覚的ワークフロー

```
┌─────────────┐
│ データ      │
│ インポート  │ → CSVファイルをロード
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 前処理      │
│ パイプライン │ → ベースライン補正 + 正規化
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 分析        │
│ (PCA)       │ → 次元削減と可視化
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 結果        │
│ エクスポート │ → CSV/Excel/画像
└─────────────┘
```

---

## 💡 次のステップ

基本を習得したら、以下を探索してください：

### 中級機能

**グループ比較**:
```
1. データパッケージ → グループを作成
2. サンプルをグループに割り当て
3. 分析 → 「統計検定」
4. ANOVA またはt検定を選択
```

**高度な前処理**:
```
パイプラインに追加:
- Savitzky-Golayスムージング（ノイズ除去）
- 一次微分（ピーク分解能の向上）
- SNV（散乱補正）
```

**機械学習**:
```
1. ラベル付きデータをロード
2. 機械学習タブに移動
3. アルゴリズムを選択（SVM、Random Forest）
4. モデルをトレーニング
5. パフォーマンスを評価
```

### チュートリアル

- **[はじめに](getting-started.md)** - セットアップと最初の分析の流れ

---

## 🎯 一般的なワークフロー

### ワークフロー1: 探索的分析

```text
# 目的: データ構造を理解する

1. データをインポート
2. 基本的な前処理を適用:
   - AsLS（ベースライン）
   - ベクトルノルム（正規化）
3. PCAを実行（n_components=2）
4. スコアプロットで外れ値を確認
5. 必要に応じてグループ化
```

**所要時間**: 5-10分

### ワークフロー2: グループ比較

```text
# 目的: グループ間の差異をテストする

1. データをインポートしてグループ化
2. 前処理パイプライン:
   - AsLS + SNV + Savitzky-Golay
3. 統計検定を実行:
   - 2グループ: t検定
   - 3+グループ: ANOVA
4. 有意な波数を特定
5. 結果をエクスポート
```

**所要時間**: 10-15分

### ワークフロー3: 分類モデル

```text
# 目的: 予測モデルを構築する

1. ラベル付きデータをロード
2. 前処理を最適化:
   - ベースライン補正
   - 正規化
   - 微分（オプション）
3. 機械学習:
   - アルゴリズムを選択（Random Forest推奨）
   - クロスバリデーションでトレーニング
   - テストセットで評価
4. 混同行列を確認
5. モデルを保存
```

**所要時間**: 15-20分

---

## 🔑 キーコンセプト

### スペクトルデータ

**構造**:
- **X軸**: 波数（cm⁻¹）
- **Y軸**: 強度（任意単位）
- **各列**: 1つのスペクトル/サンプル

**品質チェック**:
```
✓ 波数範囲が一貫している
✓ ベースラインドリフトなし
✓ ノイズが最小限
✓ ピークが見える
```

### 前処理

**目的**: スペクトルを標準化し、品質を改善

**一般的なステップ**:
1. **ベースライン補正** → ドリフトを除去
2. **スムージング** → ノイズを減少
3. **正規化** → スケールを標準化
4. **微分** → ピーク分解能を向上（オプション）

### 分析手法

| 手法               | 目的         | 出力                 |
| ------------------ | ------------ | -------------------- |
| **PCA**            | 次元削減     | スコア、ローディング |
| **クラスタリング** | グループ発見 | クラスタラベル       |
| **統計検定**       | グループ比較 | p値、効果量          |
| **機械学習**       | 分類         | 予測、精度           |

---

## ⚙️ 推奨設定

### 初心者向け

**前処理パイプライン**:
```
1. AsLS (lambda=100000, p=0.01)
2. Savitzky-Golay (window=11, polyorder=3)
3. ベクトルノルム
```

**分析**:
```
- PCA (n_components=2)
- K-means (n_clusters=2または3)
```

### 上級者向け

**前処理パイプライン**:
```
1. AirPLS (lambda=100, porder=1)
2. SNV
3. 一次微分 (Savitzky-Golay, deriv=1)
4. 分位点正規化
```

**分析**:
```
- UMAP (n_neighbors=15, min_dist=0.1)
- 階層的クラスタリング (linkage='ward')
- Random Forest (n_estimators=100)
```

---

## 🐛 一般的な問題

### 問題: データがロードされない

**原因**: CSVフォーマットが正しくない

**解決策**:
1. ヘッダー行（波数と列名）があることを確認
2. 数値データのみ（テキストや空のセルなし）
3. カンマ区切りを使用

### 問題: 前処理結果が悪い

**原因**: パラメータが最適でない

**解決策**:
1. プレビューを使用してパラメータを調整
2. より小さい`lambda`から始める
3. スムージングウィンドウサイズを試す
4. [前処理ガイド](user-guide/preprocessing.md)を確認

### 問題: PCAの説明分散が低い

**原因**: データの分散が高い、または多くのノイズ

**解決策**:
1. より多くの成分を使用（例: 5-10）
2. 前処理を改善
3. 外れ値を除去
4. UMAPを試す（非線形削減）

### 問題: 機械学習の精度が低い

**原因**: 不十分な前処理またはモデル選択

**解決策**:
1. 前処理パイプラインを最適化
2. 異なるアルゴリズムを試す
3. ハイパーパラメータをチューニング
4. トレーニングデータを増やす
5. 特徴量の重要度を確認

---

## 📖 学習リソース

### ドキュメント

- **[ユーザーガイド](user-guide/index.md)** - 完全な機能ドキュメント
- **[分析手法](analysis-methods/index.md)** - すべての手法の詳細
- **[FAQ](faq.md)** - よくある質問

### チュートリアル

- **[はじめに](getting-started.md)** - セットアップと最初の分析の流れ

### サンプルデータ

**組み込みサンプル**:
```
ホーム → 「サンプルデータをロード」
```

**ダウンロード**:
- （準備中）

---

## 💬 ヘルプが必要ですか？

### サポートオプション

**ドキュメント**:
- このガイドを読む
- [トラブルシューティング](troubleshooting.md)を確認
- [FAQ](faq.md)を検索

**コミュニティ**:
- [GitHub Discussions](https://github.com/zerozedsc/Raman-Spectroscopy-Analysis-Application/discussions)に質問を投稿
- [GitHub Issues](https://github.com/zerozedsc/Raman-Spectroscopy-Analysis-Application/issues)でバグを報告

**ヒント**: 
質問する際は以下を含めてください：
- 実行している操作
- エラーメッセージ（ある場合）
- スクリーンショット（該当する場合）
- アプリケーションのバージョン

---

## 🎓 次のステップ

クイックスタートを完了したら：

1. **[はじめに](getting-started.md)を読む** - セットアップと全体像
2. **[前処理ガイド](user-guide/preprocessing.md)を探索** - すべての手法を学ぶ
3. **自分のデータで練習** - 実際のスペクトルで試す
4. **高度な機能を試す** - 機械学習とカスタムパイプライン
5. **フィードバックを共有** - 改善にご協力ください！

---

## 🌟 ベストプラクティス

### データ管理

- ✅ 元のデータのバックアップを保持
- ✅ 説明的なファイル名を使用
- ✅ サンプルを整理してラベル付け
- ✅ 定期的にプロジェクトを保存

### 前処理

- ✅ 小規模なテストで開始
- ✅ プレビューを使用してパラメータを検証
- ✅ パイプラインテンプレートを保存
- ✅ 処理手順を文書化

### 分析

- ✅ 探索的分析から始める（PCA）
- ✅ 結果を視覚的に検証
- ✅ 複数の手法を比較
- ✅ 結果を保存してエクスポート

### 機械学習

- ✅ データを分割（トレーニング/テスト）
- ✅ クロスバリデーションを使用
- ✅ 複数のメトリクスを評価
- ✅ モデルと設定を保存

---

**準備完了です！** 🚀

これでアプリケーションの使用準備が整いました。データの分析を楽しんでください！

質問がある場合は、[ドキュメント](index.md)を参照するか、GitHub Discussions をご利用ください：
https://github.com/zerozedsc/Raman-Spectroscopy-Analysis-Application/discussions

---

**最終更新**: 2026年1月24日