@nahisaho/satori 0.23.0 → 0.24.0

package/README.md

@@ -7,7 +7,7 @@
 
 ## Overview
 
-このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **174 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。131 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
+このディレクトリには、Exp-01〜13 で蓄積した科学データ解析技法を Agent Skills として体系化した **182 個**のスキルを格納しています。Copilot がプロンプトの文脈に応じて適切なスキルを自動ロードし、各実験で確立した解析パターンを再利用します。131 のスキルは [ToolUniverse](https://github.com/mims-harvard/ToolUniverse) SMCP 経由で 1,200 以上の外部科学データベースツールとも連携可能です。
 
 ### パイプラインフロー
 
@@ -286,10 +286,10 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 中区分 | スキル数 | 概要 |
 |---|:---:|---|
 | A. 基盤・ワークフロー | 17 | パイプライン構築・前処理・データ生成・図表・執筆・仮説立案・批判的レビュー・SI 生成・LaTeX 変換・引用検証・査読対応・改訂追跡・論文品質・系統的レビュー・BioThings ID マッピング・データ投稿・CrossRef メタデータ |
-| B. 統計・探索的解析 | 6 | EDA・仮説検定・次元削減・記号数学・欠損データ解析・高度可視化 |
-| C. 機械学習・モデリング | 6 | 回帰・分類・特徴量重要度・アクティブラーニング・AutoML・アンサンブル学習 |
+| B. 統計・探索的解析 | 9 | EDA・仮説検定・次元削減・記号数学・欠損データ解析・高度可視化・データプロファイリング・地理空間解析・ネットワーク可視化 |
+| C. 機械学習・モデリング | 9 | 回帰・分類・特徴量重要度・アクティブラーニング・AutoML・アンサンブル学習・異常検知・因果 ML・モデル監視 |
 | D. 実験計画・プロセス最適化 | 2 | DOE・応答曲面法・ベイズ最適化 |
-| E. 信号・スペクトル・時系列 | 4 | スペクトル解析・生体信号・時系列分解・神経電気生理学 |
+| E. 信号・スペクトル・時系列 | 5 | スペクトル解析・生体信号・時系列分解・神経電気生理学・ML 時系列予測 |
 | F. 生命科学・オミクス | 28 | バイオインフォ・メタボロ・ゲノム配列・マルチオミクス・ネットワーク・プロテオミクス・トランスクリプトミクス・パスウェイ濃縮・代謝物 DB・HPA・ゲノム配列ツール・非コード RNA・オントロジー・EBI DB 群・Ensembl ゲノミクス・STRING/BioGRID PPI・発現比較・モデル生物 DB・GEO 発現プロファイル・寄生虫ゲノミクス・ArrayExpress 発現アーカイブ・GTEx 組織発現・UniProt プロテオーム・Reactome パスウェイ・HGNC 命名法・代謝ネットワーク・糖鎖解析・リピドミクス |
 | G. 化学・材料・イメージング | 9 | ケモインフォ・材料特性評価・画像形態解析・計算材料科学・ChEMBL アッセイマイニング・MD シミュレーション・高度イメージング・深層化学・STITCH 化学-タンパク質ネットワーク |
 | H. 臨床・疫学・メタ科学 | 7 | 生存解析・因果推論・メタアナリシス・臨床試験解析・臨床レポート・バイオバンク大規模コホート・臨床標準用語 |
@@ -298,7 +298,7 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | K. 構造生物学・タンパク質工学 | 7 | PDB/AlphaFold 構造解析・de novo タンパク質設計・PPI ネットワーク・ドメイン/ファミリー・構造プロテオミクス・AlphaFold DB 構造予測・RCSB PDB 構造検索 |
 | L. 精密医療・臨床意思決定 | 6 | 変異解釈 (ACMG/AMP)・エビデンスベース臨床意思決定・バリアント効果予測・CIViC 臨床エビデンス・gnomAD バリアント・ClinGen キュレーション |
 | M. 実験室自動化・データ管理 | 3 | 液体ハンドリング・プロトコル管理・ELN/LIMS 連携・ラボデータ管理・CRISPR gRNA 設計 |
-| N. 科学プレゼンテーション・図式 | 3 | 科学スライド・ポスター・ワークフロー図・科学図式・インタラクティブダッシュボード |
+| N. 科学プレゼンテーション・図式 | 4 | 科学スライド・ポスター・ワークフロー図・科学図式・インタラクティブダッシュボード・再現可能レポート |
 | O. 研究計画・グラント・規制 | 3 | 助成金申請書・研究方法論・倫理審査・規制科学 |
 | P. ファーマコビジランス・薬理ゲノミクス | 4 | FAERS 不均衡分析・MedDRA 階層・安全性シグナル検出・PGx 代謝型・PharmGKB 臨床アノテーション・臨床薬理学 PopPK/PBPK |
 | Q. 腫瘍学・疾患研究 | 10 | 精密腫瘍学 (CIViC/OncoKB)・疾患-遺伝子関連 (GWAS/Orphanet)・がんゲノミクス (COSMIC/DepMap)・希少疾患遺伝学・細胞株リソース・ICGC がんゲノムデータ・Open Targets 遺伝学・DepMap 依存性・Monarch オントロジー・GDC ポータル |
@@ -340,9 +340,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 119 | [scientific-data-submission](scientific-data-submission/SKILL.md) | GenBank/SRA/GEO/BioProject/BioSample データ投稿・FAIR 原則準拠 | 汎用 |
 | 139 | [scientific-crossref-metadata](scientific-crossref-metadata/SKILL.md) | CrossRef REST API DOI 解決・論文メタデータ・引用数・ジャーナル情報 | 汎用 |
 
-### B. 統計・探索的解析（6 種）
+### B. 統計・探索的解析（9 種）
 
-データの理解・検定・次元削減・記号数学・欠損データ解析・高度可視化を担うスキル群。
+データの理解・検定・次元削減・記号数学・欠損データ解析・高度可視化・データプロファイリング・地理空間解析・ネットワーク可視化を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -352,10 +352,13 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 105 | [scientific-symbolic-mathematics](scientific-symbolic-mathematics/SKILL.md) | SymPy 解析的微積分・ODE 求解・線形代数・科学モデリング記号計算 | 汎用 |
 | 172 | [scientific-missing-data-analysis](scientific-missing-data-analysis/SKILL.md) | 欠損パターン診断 (MCAR/MAR/MNAR)・Little's MCAR テスト・MICE 多重代入・KNN/MissForest 補完 | 汎用 |
 | 173 | [scientific-advanced-visualization](scientific-advanced-visualization/SKILL.md) | Plotly 3D・Altair 宣言的可視化・Parallel Coordinates・出版品質図・アニメーション | 汎用 |
+| 179 | [scientific-data-profiling](scientific-data-profiling/SKILL.md) | ydata-profiling 自動 EDA・データ品質スコア (5 次元)・Great Expectations バリデーション | 汎用 |
+| 180 | [scientific-geospatial-analysis](scientific-geospatial-analysis/SKILL.md) | GeoPandas 地理空間処理・Moran's I/LISA 空間自己相関・Kriging 補間・Folium 地図 | 汎用 |
+| 181 | [scientific-network-visualization](scientific-network-visualization/SKILL.md) | NetworkX グラフ構築・Louvain/Leiden コミュニティ検出・中心性分析・PyVis インタラクティブ | 汎用 |
 
-### C. 機械学習・モデリング（6 種）
+### C. 機械学習・モデリング（9 種）
 
-教師あり学習・特徴量解釈・アクティブラーニング・AutoML・アンサンブル学習を担うスキル群。
+教師あり学習・特徴量解釈・アクティブラーニング・AutoML・アンサンブル学習・異常検知・因果 ML・モデル監視を担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
@@ -365,6 +368,9 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 167 | [scientific-active-learning](scientific-active-learning/SKILL.md) | 不確実性サンプリング・QBC・バッチ AL・能動学習ループ・停止基準 | 汎用 |
 | 168 | [scientific-automl](scientific-automl/SKILL.md) | Optuna HPO・マルチモデル AutoML・自動特徴量エンジニアリング・AutoML レポート | 汎用 |
 | 169 | [scientific-ensemble-methods](scientific-ensemble-methods/SKILL.md) | XGBoost/LightGBM/CatBoost 比較・Stacking OOF・Voting・アンサンブル多様性 | 汎用 |
+| 175 | [scientific-anomaly-detection](scientific-anomaly-detection/SKILL.md) | Isolation Forest/LOF/OCSVM アンサンブル異常検知・Autoencoder 異常・SPC 管理図 | 汎用 |
+| 176 | [scientific-causal-ml](scientific-causal-ml/SKILL.md) | DoWhy 因果推論・EconML Double ML/Causal Forest・S/T/X-Learner メタラーナー | 汎用 |
+| 177 | [scientific-model-monitoring](scientific-model-monitoring/SKILL.md) | データドリフト検出 (KS/PSI/Wasserstein)・性能劣化検出・A/B テスト統計 | 汎用 |
 
 ### D. 実験計画・プロセス最適化（2 種）
 
@@ -375,7 +381,7 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 20 | [scientific-doe](scientific-doe/SKILL.md) | 田口直交表・CCD/Box-Behnken・ANOVA 因子効果・ベイズ最適化 | 汎用 |
 | 21 | [scientific-process-optimization](scientific-process-optimization/SKILL.md) | 応答曲面法 (ML-RSM)・パレート最適化・プロセスウィンドウ | 12, 13 |
 
-### E. 信号・スペクトル・時系列（4 種）
+### E. 信号・スペクトル・時系列（5 種）
 
 波形・周波数領域・神経電気生理学の解析を担うスキル群。
 
@@ -385,6 +391,7 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 23 | [scientific-biosignal-processing](scientific-biosignal-processing/SKILL.md) | ECG R波/HRV・EEG バンドパワー/ERP・EMG バースト・Poincaré | 08 |
 | 24 | [scientific-time-series](scientific-time-series/SKILL.md) | STL 分解・SARIMA 予測・変化点検出・FFT 周期解析・Granger 因果 | 汎用 |
 | 67 | [scientific-neuroscience-electrophysiology](scientific-neuroscience-electrophysiology/SKILL.md) | SpikeInterface/Kilosort4 スパイクソート・MNE EEG/ERP・NeuroKit2 HRV/EDA・脳機能結合 | 汎用 |
+| 178 | [scientific-time-series-forecasting](scientific-time-series-forecasting/SKILL.md) | Prophet/NeuralProphet ML 予測・時系列特徴量エンジニアリング・バックテストフレームワーク | 汎用 |
 
 ### F. 生命科学・オミクス（28 種）
 
@@ -514,15 +521,16 @@ SATORI Skill (方法論・判断)        ToolUniverse SMCP (データ取得・
 | 72 | [scientific-lab-data-management](scientific-lab-data-management/SKILL.md) | Benchling ELN/DNA 設計・DNAnexus PaaS・OMERO バイオイメージング・Protocols.io | 汎用 |
 | 164 | [scientific-crispr-design](scientific-crispr-design/SKILL.md) | CRISPR gRNA 設計・Cas9/Cas12a PAM 検索・オフターゲットスコアリング・sgRNA ライブラリ構築 | 汎用 |
 
-### N. 科学プレゼンテーション・図式（3 種）
+### N. 科学プレゼンテーション・図式（4 種）
 
-学会発表用スライド・ポスター・科学図式・インタラクティブダッシュボードのデザインを担うスキル群。
+学会発表用スライド・ポスター・科学図式・インタラクティブダッシュボード・再現可能レポートのデザインを担うスキル群。
 
 | # | Skill | 説明 | 参照 Exp |
 |---|---|---|---|
 | 45 | [scientific-presentation-design](scientific-presentation-design/SKILL.md) | 15 スライド構成テンプレート・tikzposter・matplotlib ワークフロー図・アクセシビリティ | 汎用 |
 | 73 | [scientific-scientific-schematics](scientific-scientific-schematics/SKILL.md) | CONSORT フロー図・NN アーキテクチャ図・パスウェイ図・TikZ/SVG | 汎用 |
 | 174 | [scientific-interactive-dashboard](scientific-interactive-dashboard/SKILL.md) | Streamlit/Dash/Panel 科学データダッシュボード・パラメータ探索 UI・リアルタイム解析 | 汎用 |
+| 182 | [scientific-reproducible-reporting](scientific-reproducible-reporting/SKILL.md) | Quarto 科学文書・Jupyter Book 多章構成・Papermill パラメトリック実行・nbconvert 自動変換 | 汎用 |
 
 ### O. 研究計画・グラント・規制（3 種）
 
@@ -741,7 +749,10 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-pca-tsne/
 │   ├── scientific-symbolic-mathematics/
 │   ├── scientific-missing-data-analysis/
-│   └── scientific-advanced-visualization/
+│   ├── scientific-advanced-visualization/
+│   ├── scientific-data-profiling/
+│   ├── scientific-geospatial-analysis/
+│   └── scientific-network-visualization/
 │
 │── [C] 機械学習・モデリング
 │   ├── scientific-ml-regression/
@@ -749,7 +760,10 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-feature-importance/
 │   ├── scientific-active-learning/
 │   ├── scientific-automl/
-│   └── scientific-ensemble-methods/
+│   ├── scientific-ensemble-methods/
+│   ├── scientific-anomaly-detection/
+│   ├── scientific-causal-ml/
+│   └── scientific-model-monitoring/
 │
 │── [D] 実験計画・プロセス最適化
 │   ├── scientific-doe/
@@ -759,7 +773,8 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 │   ├── scientific-spectral-signal/
 │   ├── scientific-biosignal-processing/
 │   ├── scientific-time-series/
-│   └── scientific-neuroscience-electrophysiology/
+│   ├── scientific-neuroscience-electrophysiology/
+│   └── scientific-time-series-forecasting/
 │
 │── [F] 生命科学・オミクス
 │   ├── scientific-bioinformatics/
@@ -853,7 +868,8 @@ Skills は `.github/skills/` に配置されているため、Copilot が自動
 ├── [N] 科学プレゼンテーション・図式
 │   ├── scientific-presentation-design/
 │   ├── scientific-scientific-schematics/
-│   └── scientific-interactive-dashboard/
+│   ├── scientific-interactive-dashboard/
+│   └── scientific-reproducible-reporting/
 │
 └── [O] 研究計画・グラント・規制
     ├── scientific-grant-writing/

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@nahisaho/satori",
-  "version": "0.23.0",
+  "version": "0.24.0",
   "description": "SATORI — Agent Skills for Science. GitHub Copilot Agent Skills collection for scientific data analysis.",
   "main": "index.js",
   "bin": {

package/src/.github/skills/scientific-anomaly-detection/SKILL.md

@@ -0,0 +1,296 @@
+---
+name: scientific-anomaly-detection
+description: |
+  異常検知・外れ値検出スキル。Isolation Forest・LOF・
+  One-Class SVM・Autoencoder 異常検知・統計的工程管理 (SPC)・
+  多変量異常検知・異常スコアリング・閾値最適化。
+---
+
+# Scientific Anomaly Detection
+
+科学データにおける異常値・外れ値・異常パターンの検出と
+統計的工程管理 (SPC) パイプラインを提供する。
+
+## When to Use
+
+- 実験データの外れ値を統計的に検出するとき
+- 製造プロセスの異常監視 (SPC) をするとき
+- 多変量データで異常パターンを発見するとき
+- Autoencoder で複雑な異常を検出するとき
+- 異常スコアの閾値を最適化するとき
+- 複数手法のアンサンブル異常検知をするとき
+
+---
+
+## Quick Start
+
+## 1. 統計的異常検知アンサンブル
+
+```python
+import numpy as np
+import pandas as pd
+from sklearn.ensemble import IsolationForest
+from sklearn.neighbors import LocalOutlierFactor
+from sklearn.svm import OneClassSVM
+from sklearn.preprocessing import StandardScaler
+
+
+def anomaly_detection_ensemble(X, contamination=0.05,
+                               methods=None, threshold_vote=2):
+    """
+    複数手法アンサンブル異常検知。
+
+    Parameters:
+        X: np.ndarray | pd.DataFrame — 入力データ
+        contamination: float — 想定異常率
+        methods: list[str] | None — 使用手法 ("iforest", "lof", "ocsvm")
+        threshold_vote: int — 最低投票数 (多数決)
+    """
+    if methods is None:
+        methods = ["iforest", "lof", "ocsvm"]
+
+    if isinstance(X, pd.DataFrame):
+        feature_names = X.columns.tolist()
+        X_arr = X.values
+    else:
+        feature_names = [f"f{i}" for i in range(X.shape[1])]
+        X_arr = X
+
+    scaler = StandardScaler()
+    X_scaled = scaler.fit_transform(X_arr)
+
+    results = {}
+    predictions = {}
+
+    for method in methods:
+        if method == "iforest":
+            model = IsolationForest(
+                contamination=contamination, random_state=42, n_jobs=-1)
+            preds = model.fit_predict(X_scaled)
+            scores = -model.score_samples(X_scaled)
+        elif method == "lof":
+            model = LocalOutlierFactor(
+                n_neighbors=20, contamination=contamination)
+            preds = model.fit_predict(X_scaled)
+            scores = -model.negative_outlier_factor_
+        elif method == "ocsvm":
+            model = OneClassSVM(kernel="rbf", nu=contamination)
+            preds = model.fit_predict(X_scaled)
+            scores = -model.decision_function(X_scaled)
+        else:
+            continue
+
+        is_anomaly = (preds == -1).astype(int)
+        predictions[method] = is_anomaly
+        results[method] = {
+            "n_anomalies": int(is_anomaly.sum()),
+            "scores": scores
+        }
+
+    # アンサンブル多数決
+    vote_matrix = np.column_stack(list(predictions.values()))
+    ensemble_votes = vote_matrix.sum(axis=1)
+    ensemble_anomaly = (ensemble_votes >= threshold_vote).astype(int)
+
+    result_df = pd.DataFrame(X_arr, columns=feature_names)
+    for method, preds in predictions.items():
+        result_df[f"anomaly_{method}"] = preds
+    result_df["ensemble_votes"] = ensemble_votes
+    result_df["is_anomaly"] = ensemble_anomaly
+
+    n_ens = ensemble_anomaly.sum()
+    print(f"Anomaly Ensemble ({len(methods)} methods, vote≥{threshold_vote}): "
+          f"{n_ens}/{len(X_arr)} anomalies ({n_ens/len(X_arr)*100:.1f}%)")
+
+    for m, r in results.items():
+        print(f"  {m}: {r['n_anomalies']} anomalies")
+
+    return result_df, results
+```
+
+## 2. Autoencoder 異常検知
+
+```python
+def autoencoder_anomaly(X, encoding_dim=8, epochs=100,
+                        threshold_percentile=95):
+    """
+    Autoencoder ベース異常検知。
+
+    Parameters:
+        X: np.ndarray — 入力データ (正常データで学習)
+        encoding_dim: int — 潜在次元数
+        epochs: int — 学習エポック数
+        threshold_percentile: float — 再構成誤差の閾値パーセンタイル
+    """
+    import torch
+    import torch.nn as nn
+    from torch.utils.data import DataLoader, TensorDataset
+
+    scaler = StandardScaler()
+    X_scaled = scaler.fit_transform(X)
+    n_features = X_scaled.shape[1]
+
+    # Autoencoder 定義
+    class AE(nn.Module):
+        def __init__(self):
+            super().__init__()
+            self.encoder = nn.Sequential(
+                nn.Linear(n_features, 64), nn.ReLU(),
+                nn.Linear(64, 32), nn.ReLU(),
+                nn.Linear(32, encoding_dim))
+            self.decoder = nn.Sequential(
+                nn.Linear(encoding_dim, 32), nn.ReLU(),
+                nn.Linear(32, 64), nn.ReLU(),
+                nn.Linear(64, n_features))
+
+        def forward(self, x):
+            z = self.encoder(x)
+            return self.decoder(z)
+
+    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+    model = AE().to(device)
+    optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
+    criterion = nn.MSELoss()
+
+    X_tensor = torch.FloatTensor(X_scaled).to(device)
+    dataset = TensorDataset(X_tensor, X_tensor)
+    loader = DataLoader(dataset, batch_size=64, shuffle=True)
+
+    model.train()
+    for epoch in range(epochs):
+        total_loss = 0
+        for batch_x, _ in loader:
+            optimizer.zero_grad()
+            recon = model(batch_x)
+            loss = criterion(recon, batch_x)
+            loss.backward()
+            optimizer.step()
+            total_loss += loss.item()
+
+    # 再構成誤差
+    model.eval()
+    with torch.no_grad():
+        recon = model(X_tensor).cpu().numpy()
+
+    recon_errors = np.mean((X_scaled - recon) ** 2, axis=1)
+    threshold = np.percentile(recon_errors, threshold_percentile)
+    is_anomaly = (recon_errors > threshold).astype(int)
+
+    print(f"Autoencoder Anomaly: threshold={threshold:.4f} (P{threshold_percentile}), "
+          f"{is_anomaly.sum()} anomalies")
+    return {"reconstruction_error": recon_errors, "threshold": threshold,
+            "is_anomaly": is_anomaly, "model": model}
+```
+
+## 3. 統計的工程管理 (SPC)
+
+```python
+def spc_control_chart(data, column, subgroup_size=1,
+                      chart_type="individuals"):
+    """
+    SPC 管理図 (X-bar, R, Individuals-MR)。
+
+    Parameters:
+        data: pd.DataFrame | pd.Series — 時系列データ
+        column: str — 対象カラム名
+        subgroup_size: int — サブグループサイズ
+        chart_type: str — "individuals" / "xbar_r" / "cusum"
+    """
+    import matplotlib.pyplot as plt
+
+    if isinstance(data, pd.DataFrame):
+        values = data[column].values
+    else:
+        values = data.values
+
+    if chart_type == "individuals":
+        x_bar = np.mean(values)
+        mr = np.abs(np.diff(values))
+        mr_bar = np.mean(mr)
+        d2 = 1.128  # d2 for n=2
+
+        ucl = x_bar + 3 * (mr_bar / d2)
+        lcl = x_bar - 3 * (mr_bar / d2)
+
+        fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), sharex=True)
+
+        # Individuals chart
+        ax1.plot(values, "b-o", markersize=3)
+        ax1.axhline(x_bar, color="g", linestyle="-", label=f"CL={x_bar:.3f}")
+        ax1.axhline(ucl, color="r", linestyle="--", label=f"UCL={ucl:.3f}")
+        ax1.axhline(lcl, color="r", linestyle="--", label=f"LCL={lcl:.3f}")
+
+        # OOC points
+        ooc = np.where((values > ucl) | (values < lcl))[0]
+        if len(ooc) > 0:
+            ax1.scatter(ooc, values[ooc], c="red", s=50, zorder=5,
+                        label=f"OOC ({len(ooc)})")
+        ax1.set_title("Individuals Chart")
+        ax1.legend(fontsize=8)
+
+        # Moving Range chart
+        mr_ucl = 3.267 * mr_bar
+        ax2.plot(mr, "b-o", markersize=3)
+        ax2.axhline(mr_bar, color="g", linestyle="-")
+        ax2.axhline(mr_ucl, color="r", linestyle="--")
+        ax2.set_title("Moving Range Chart")
+
+        plt.tight_layout()
+        path = "spc_control_chart.png"
+        plt.savefig(path, dpi=150, bbox_inches="tight")
+        plt.close()
+
+        print(f"SPC Individuals: CL={x_bar:.3f}, UCL={ucl:.3f}, "
+              f"LCL={lcl:.3f}, OOC={len(ooc)}")
+        return {"cl": x_bar, "ucl": ucl, "lcl": lcl,
+                "ooc_indices": ooc, "fig": path}
+
+    elif chart_type == "cusum":
+        target = np.mean(values)
+        se = np.std(values)
+        k = 0.5 * se
+        h = 5 * se
+
+        cusum_pos = np.zeros(len(values))
+        cusum_neg = np.zeros(len(values))
+
+        for i in range(1, len(values)):
+            cusum_pos[i] = max(0, cusum_pos[i-1] + (values[i] - target) - k)
+            cusum_neg[i] = min(0, cusum_neg[i-1] + (values[i] - target) + k)
+
+        fig, ax = plt.subplots(figsize=(12, 5))
+        ax.plot(cusum_pos, "b-", label="CUSUM+")
+        ax.plot(cusum_neg, "r-", label="CUSUM-")
+        ax.axhline(h, color="b", linestyle="--", alpha=0.5)
+        ax.axhline(-h, color="r", linestyle="--", alpha=0.5)
+        ax.set_title("CUSUM Control Chart")
+        ax.legend()
+
+        path = "cusum_chart.png"
+        plt.savefig(path, dpi=150, bbox_inches="tight")
+        plt.close()
+
+        print(f"CUSUM: target={target:.3f}, k={k:.3f}, h={h:.3f}")
+        return {"target": target, "k": k, "h": h,
+                "cusum_pos": cusum_pos, "cusum_neg": cusum_neg, "fig": path}
+```
+
+---
+
+## パイプライン統合
+
+```
+eda-correlation → anomaly-detection → ml-classification
+  (探索的解析)      (外れ値検出)        (モデリング)
+       │                 │                  ↓
+ data-profiling ────────┘         model-monitoring
+  (データ品質)                     (モデル監視)
+```
+
+## パイプライン出力
+
+| ファイル | 説明 | 次スキル |
+|---------|------|---------|
+| `anomaly_ensemble.csv` | アンサンブル異常検知結果 | → EDA |
+| `autoencoder_anomaly.json` | AE 異常スコア | → reporting |
+| `spc_control_chart.png` | SPC 管理図 | → process-optimization |