データ分析の現場にあって入門書にない「汚いデータ」（ダーティデータ）に対応する、プロのノウハウを解説します。 これがリアルなデータ分析だ！ 君は「汚いデータ」を処理できるか？ データ分析の現場にあって入門書にないもの――それは、「汚いデータ」（ダーティデータ）です。本書は、データ分析の現場では①どんなデータに出会い、②どのような問題が生じ、③どう対応すればよいのかというノウハウを解説。 事前の加工（視覚化）から機械学習、最適化問題まで、100本ノックをこなして、ビジネス現場で即戦力になれる「応用力」を身につけよう！ 練習するライブラリ ・Pandas ・Numpy ・Matplotlib ・scikit-learn ・Networkxs ・pulp ・ortoolpy ・opencv ・dlib ・MeCab 第1部 基礎編：データ加工 第1章　ウェブからの注文数を分析する10本ノック 第2章　小売店のデータでデータ加工を行う10本ノック 第2部 実践編①：機械学習 第3章　顧客の全体像を把握する10本ノック 第4章　顧客の行動を予測する10本ノック 第5章　顧客の退会を予測する10本ノック 第3部 実践編②：最適化問題 第6章　物流の最適ルートをコンサルティングする10本ノック 第7章　ロジスティクスネットワークの最適設計を行う10本ノック 第8章　数値シミュレーションで消費者行動を予測する10本ノック 第4部 発展編：画像処理/言語処理 第9章　潜在顧客を把握するための画像認識10本ノック 第10章　アンケート分析を行うための自然言語処理10本ノック

データサイエンティストと呼ばれる職種が登場して、いまや10年以上が経過しようとしています。ビッグデータやディープラーニングなど技術的な流行も後押しして、AI・データ分析プロジェクトに取り組む企業も増えました。また、データサイエンス、データエンジニアリングに関する技術情報は次第に増え、データ分析コンペティションの盛り上がりもあって技術的な知識を持つ方が増えているのは事実です。ところが、実際にAI・データ分析プロジェクトに取り組んでみると、そううまくはいかないようです。プロジェクトを進めるには技術知識だけでなく「ビジネス力」が必要なのです。 そこで、本書はこれまでメインテーマとして語られることのなかった「ビジネス力」に焦点をあてて、データ分析プロジェクトを一通り解説していきます。プロジェクトの入口として「組織の立ち上げ方」から「案件獲得」にふれ、続く実際のデータ分析プロセスにおいては、課題とゴールを明確にして、分析結果は出して終わりではなく共有、評価のサイクルが必要であることを解説します。最後に出口となる「収益化」に関する情報をまとめます。 先を行くデータ分析者達は、これまでさまざまな罠にかかり、見えない落とし穴にはまっても奮闘してノウハウを蓄積してきたのがこの10年です。これからAI・データ分析プロジェクトに取り組む方／関わる方へ向けて、先人たちのノウハウをまとめたのが本書です。 第1部 プロジェクトの準備 第1章 AI・データ分析業界の概要 第2章 データサイエンティストのキャリアと雇用 第3章 AI・データサイエンティストの実務と情報収集 第2部 プロジェクトの入口 第4章 社内案件の獲得と外部リソースの検討 第5章 データのリスクマネジメントと契約 第3部 プロジェクトの実行 第6章 AI・データ分析プロジェクトの起ち上げと管理 第7章 データの種類と分析手法の検討 第8章 分析結果の評価と改善 第9章 レポーティングとBI 第10章 データ分析基盤の構築と運用 第4部 プロジェクトの出口 第11章 プロジェクトのバリューと継続性 第12章 業界事例

データサイエンスの認知の高まりとともに、データ分析に関するコンペティションが多数開催されるようになってきました。最も有名なコンペティションプラットフォームであるKaggleにおけるプレイヤー数は10万人を超え、多くのエンジニアが自分の腕を試すためにコンペティションに参加しています。分析コンペでは、実際のデータを扱うため、機械学習の解説書にはあまり載っていないような手法やテクニックが数多く活用されています。これらを理解し自身で使えるようにしておくことはコンペだけでなく、実務でのモデル構築において非常に役に立ちます。 そこでこれらのテクニックや事例を多くの人に知っていただくために、現時点で最新のものを整理して本書にまとめました。特徴量の作り方、バリデーション、パラメータチューニングなどについて、一般的な書籍ではあまり言及されない暗黙知やポイントについて記述しています。分析コンペにこれから参加してみたい方、あるいはもっと上を目指したい方だけでなく、実務で予測モデルの精度を上げたいという方にも参考になる情報が多いでしょう。 第1章　分析コンペとは? 1.1 分析コンペって何？ 1.1.1 何をするものか 1.1.2 予測結果の提出と順位表（Leaderboard） 1.1.3 チームでの参加 1.1.4 入賞賞金・特典 1.2 分析コンペのプラットフォーム 1.2.1 Kaggle 1.2.2 Rankings（ランキング・称号制度） 1.2.3 Kernel 1.2.4 Discussion 1.2.5 Datasets 1.2.6 API 1.2.7 Newsfeed 1.2.8 開催された分析コンペの種類と具体例 1.2.9 分析コンペのフォーマット 1.3 分析コンペに参加してから終わるまで 1.3.1 分析コンペに参加 1.3.2 規約に同意 1.3.3 データをダウンロード 1.3.4 予測値の作成 1.3.5 予測値の提出 1.3.6 Public Leaderboardをチェック 1.3.7 最終予測値を選ぶ 1.3.8 Private Leaderboardをチェック 1.4 分析コンペに参加する意義 1.4.1 賞金を得る 1.4.2 称号やランキングを得る 1.4.3 実データを用いた分析の経験・技術を得る 1.4.4 データサイエンティストとのつながりを得る 1.4.5 就業機会を得る 1.5 上位を目指すためのポイント 1.5.1 タスクと評価指標 1.5.2 特徴量の作成 1.5.3 モデルの作成 1.5.4 モデルの評価 1.5.5 モデルのチューニング 1.5.6 アンサンブル 1.5.7 分析コンペの流れ Column 　計算リソース 第2章　タスクと評価指標 2.1 分析コンペにおけるタスクの種類 2.1.1 回帰タスク 2.1.2 分類タスク 2.1.3 レコメンデーション 2.1.4 その他のタスク 2.2 分析コンペのデータセット 2.2.1 テーブルデータ 2.2.2 外部データ 2.2.3 時系列データ 2.2.4 画像や自然言語などのデータ 2.3 評価指標 2.3.1 評価指標（evaluation metrics）とは 2.3.2 回帰における評価指標 2.3.3 二値分類における評価指標?正例か負例かを予測値とする場合 2.3.4 二値分類における評価指標?正例である確率を予測値とする場合 2.3.5 多クラス分類における評価指標 2.3.6 レコメンデーションにおける評価指標 2.4 評価指標と目的関数 2.4.1 評価指標と目的関数の違い 2.4.2 カスタム評価指標とカスタム目的関数 2.5 評価指標の最適化 2.5.1 評価指標の最適化のアプローチ 2.5.2 閾値の最適化 2.5.3 閾値の最適化をout-of-foldで行うべきか？ Column out-of-foldとは？ 2.5.4 予測確率とその調整 2.6 評価指標の最適化の例 2.6.1 balanced accuracyの最適化 2.6.2 mean-F1における閾値の最適化 2.6.3 quadratic weighted kappaにおける閾値の最適化 2.6.4 カスタム目的関数での評価指標の近似によるMAEの最適化 2.6.5 MCCのPR-AUCによる近似とモデル選択 2.7 リーク（data leakage） 107 2.7.1 予測に有用な情報が想定外に漏れている意味でのリーク 2.7.2 バリデーションの枠組みの誤りという意味でのリーク 第3章　特徴量の作成 3.1 本章の構成 3.2 モデルと特徴量 3.2.1 モデルと特徴量 3.2.2 ベースラインとなる特徴量 3.2.3 決定木の気持ちになって考える 3.3 欠損値の扱い 3.3.1 欠損値のまま取り扱う 3.3.2 欠損値を代表値で埋める 3.3.3 欠損値を他の変数から予測する 3.3.4 欠損値から新たな特徴量を作成する 3.3.5 データ上の欠損の認識 3.4 数値変数の変換 3.4.1 標準化（standardization） Column データ全体の数値を利用して変換を行うときに、学習データのみを使うか、テストデータも使うか 3.4.2 Min-Maxスケーリング 3.4.3 非線形変換 3.4.4 clipping 3.4.5 binning 3.4.6 順位への変換 3.4.7 RankGauss 3.5 カテゴリ変数の変換 3.5.1 one-hot encoding 3.5.2 label encoding 3.5.3 feature hashing 3.5.4 frequency encoding 3.5.5 target encoding 3.5.6 embedding 3.5.7 順序変数の扱い 3.5.8 カテゴリ変数の値の意味を抽出する 3.6 日付・時刻を表す変数の変換 3.6.1 日付・時刻を表す変数の変換のポイント 3.6.2 日付・時刻を表す変数の変換による特徴量 3.7 変数の組み合わせ 3.8 他のテーブルの結合 3.9 集約して統計量をとる 3.9.1 単純な統計量をとる 3.9.2 時間的な統計量をとる 3.9.3 条件を絞る 3.9.4 集計する単位を変える 3.9.5 ユーザ側でなく、アイテム側に注目する 3.10 時系列データの扱い 3.10.1 時系列データとは？ 3.10.2 予測する時点より過去の情報のみを使う 3.10.3 ワイドフォーマットとロングフォーマット 3.10.4 ラグ特徴量 3.10.5 時点と紐付いた特徴量を作る 3.10.6 予測に使えるデータの期間 3.11 次元削減・教師なし学習による特徴量 3.11.1 主成分分析（PCA） 3.11.2 非負値行列因子分解（NMF） 3.11.3 Latent Dirichlet Allocation（LDA） 3.11.4 線形判別分析（LDA） 3.11.5 t-SNE、UMAP 3.11.6 オートエンコーダ 3.11.7 クラスタリング 3.12 その他のテクニック 3.12.1 背景にあるメカニズムから考える 3.12.2 レコード間の関係性に注目する 3.12.3 相対値に注目する 3.12.4 位置情報に注目する 3.12.5 自然言語処理の手法 3.12.6 自然言語処理の手法の応用 3.12.7 トピックモデルの応用によるカテゴリ変数の変換 3.12.8 画像特徴量を扱う手法 3.12.9 decision tree feature transformation 3.12.10 匿名化されたデータの変換前の値を推測する 3.12.11 データの誤りを修正する 3.13 分析コンペにおける特徴量の作成の例 3.13.1 Kaggleの「Recruit Restaurant Visitor Forecasting」 3.13.2 Kaggleの「Santander Product Recommendation」 3.13.3 Kaggleの「Instacart Market Basket Analysis」 3.13.4 KDD Cup 2015 3.13.5 分析コンペにおけるその他のテクニックの例 第4章　モデルの作成 4.1 モデルとは何か？ 4.1.1 モデルとは何か？ 4.1.2 モデル作成の流れ 4.1.3 モデルに関連する用語とポイント 4.2 分析コンペで使われるモデル 4.3 GBDT（勾配ブースティング木） 4.3.1 GBDTの概要 4.3.2 GBDTの特徴 4.3.3 GBDTの主なライブラリ 4.3.4 GBDTの実装 4.3.5 xgboostの使い方のポイント 4.3.6 lightgbm 4.3.7 catboost Column xgboostのアルゴリズムの解説 4.4 ニューラルネット 4.4.1 ニューラルネットの概要 4.4.2 ニューラルネットの特徴 4.4.3 ニューラルネットの主なライブラリ 4.4.4 ニューラルネットの実装 4.4.5 kerasの使い方のポイント 4.4.6 参考になるソリューション - 多層パーセプトロン 4.4.7 参考になるソリューション - 最近のニューラルネットの発展 4.5 線形モデル 4.5.1 線形モデルの概要 4.5.2 線形モデルの特徴 4.5.3 線形モデルの主なライブラリ 4.5.4 線形モデルの実装 4.5.5 線形モデルの使い方のポイント 4.6 その他のモデル 4.6.1 k近傍法（k-nearest neighbor algorithm、kNN） 4.6.2 ランダムフォレスト（Random Forest、RF） 4.6.3 Extremely Randomized Trees（ERT） 4.6.4 Regularized Greedy Forest（RGF） 4.6.5 Field-aware Factorization Machines（FFM） 4.7 モデルのその他のポイントとテクニック 4.7.1 欠損値がある場合 4.7.2 特徴量の数が多い場合 4.7.3 目的変数に1対1で対応するテーブルでない場合 4.7.4 pseudo labeling Column 分析コンペ用のクラスやフォルダの構成 第5章　モデルの評価 5.1 モデルの評価とは？ 5.2 バリデーションの手法 5.2.1 hold-out法 5.2.2 クロスバリデーション 5.2.3 stratified k-fold 5.2.4 group k-fold 5.2.5 leave-one-out 5.3 時系列データのバリデーション手法 5.3.1 時系列データのhold-out法 5.3.2 時系列データのクロスバリデーション（時系列に沿って行う方法） 5.3.3 時系列データのクロスバリデーション（単純に時間で分割する方法） 5.3.4 時系列データのバリデーションの注意点 5.3.5 Kaggleの「Recruit Restaurant Visitor Forecasting」 5.3.6 Kaggleの「Santander Product Recommendation」 5.4 バリデーションのポイントとテクニック 5.4.1 バリデーションを行う目的 5.4.2 学習データとテストデータの分割をまねる 5.4.3 学習データとテストデータの分布が違う場合 5.4.4 Leaderboardの情報を利用する 5.4.5 バリデーションデータやPublic Leaderboardへの過剰な適合 5.4.6 クロスバリデーションのfoldごとに特徴量を作り直す 5.4.7 使える学習データを増やす 第6章　モデルのチューニング 6.1 パラメータチューニング 6.1.1 ハイパーパラメータの探索手法 6.1.2 パラメータチューニングで設定すること 6.1.3 パラメータチューニングのポイント 6.1.4 ベイズ最適化でのパラメータ探索 6.1.5 GBDTのパラメータおよびそのチューニング Column xgboostの具体的なパラメータチューニングの方法 6.1.6 ニューラルネットのパラメータおよびそのチューニング Column 多層パーセプトロンの具体的なパラメータチューニングの方法 6.1.7 線形モデルのパラメータおよびそのチューニング 6.2 特徴選択および特徴量の重要度 6.2.1 単変量統計を用いる方法 6.2.2 特徴量の重要度を用いる方法 6.2.3 反復して探索する方法 6.3 クラスの分布が偏っている場合 Column ベイズ最適化およびTPEのアルゴリズム 第7章　アンサンブル 7.1 アンサンブルとは？ 7.2 シンプルなアンサンブル手法 7.2.1 平均、加重平均 7.2.2 多数決、重みづけ多数決 7.2.3 注意点とその他のテクニック 7.3 スタッキング 7.3.1 スタッキングの概要 7.3.2 特徴量作成の方法としてのスタッキング 7.3.3 スタッキングの実装 7.3.4 スタッキングのポイント 7.3.5 hold-outデータへの予測値を用いたアンサンブル 7.4 どんなモデルをアンサンブルすると良いか？ 7.4.1 多様なモデルを使う 7.4.2 ハイパーパラメータを変える 7.4.3 特徴量を変える 7.4.4 問題のとらえ方を変える 7.4.5 スタッキングに含めるモデルの選択 7.5 分析コンペにおけるアンサンブルの例 7.5.1 Kaggleの「Otto Group Product Classification Challenge」 7.5.2 Kaggleの「Home Depot Product Search Relevance」 7.5.3 Kaggleの「Home Credit Default Risk」 付　録 A.1 分析コンペの参考資料 A.2 参考文献 A.3 本書で参照した分析コンペ 索引 著者プロフィール

Pythonのデータサイエンス用のツールを使いこなし、効率よく仕事を進めるための、実用的な情報が詰め込まれたリファレンス。 Pythonでデータ分析や機械学習を行うためのリファレンス！ Pythonのデータサイエンス用のツールを使いこなし、効率よく仕事を進めるための、実用的な情報が詰め込まれたリファレンスです。IPythonとJupyter、NumPy、pandas、matplotlib、scikit-Learnをカバーします。それぞれのトピックについて、押さえておくべき基本、tips、便利なコマンドなどを紹介します。普段、Pythonで、データの操作、変換、可視化、統計的処理、データモデルの構築、科学計算を行う人にとって必須のリファレンスです。

「基本をより実践的に！」学べる新シリーズの第一弾は、「統計モデリングの世界」へのファーストブック。基礎から学べる超入門！ 「基本をより実践的に！」学べる新シリーズの第一弾は、「統計モデリングの世界」へのファーストブック。基礎から学べる超入門！ ・チュートリアル形式だから、すぐに実践できる！ ・統計、確率、ベイズ推論、MCMCの基本事項から、やさしくサポート！ ・brmsやbayesplotなどのパッケージの使い方も、しっかり身につく！ ・一般化線形モデル(GLM)→一般化線形混合モデル(GLMM)→動的線形モデル(DLM)→動的一般化線形モデル(DGLM)を体系的に学べる！ 【本書のサポートページ】 https://logics-of-blue.com/r-stan-bayesian-model-intro-book-support/ 【実践Data Scienceシリーズ】 　「基本をより実践的に！」を合言葉に、データサイエンスで用いられる各種手法の基本を、プログラミングの実装とともに解説していきます。はじめて学ぶ大学生、大学院生、ソフトウェアエンジニアに向けた注目の新シリーズです。 【主な内容】 1部　【理論編】ベイズ統計モデリングの基本 1　はじめよう！　ベイズ統計モデリング 2　統計学の基本 3　確率の基本 4　確率分布の基本 5　統計モデルの基本 6　ベイズ推論の基本 7　MCMCの基本 2部　【基礎編】RとStanによるデータ分析 1　Rの基本 2　データの要約 3　ggplot2によるデータの可視化 4　Stanの基本 5　MCMCの結果の評価 6　Stanコーディングの詳細 3部　【実践編】一般化線形モデル 1　一般化線形モデルの基本 2　単回帰モデル 3　モデルを用いた予測 4　デザイン行列を用いた一般化線形モデルの推定 5　brmsの使い方 6　ダミー変数と分散分析モデル 7　正規線形モデル 8　ポアソン回帰モデル 9　ロジスティック回帰モデル 10　交互作用 4部　【応用編】一般化線形混合モデル 1　階層ベイズモデルと一般化線形混合モデルの基本 2　ランダム切片モデル 3　ランダム係数モデル 5部　【応用編】状態空間モデル 1　時系列分析と状態空間モデルの基本 2　ローカルレベルモデル 3　状態空間モデルによる予測と補間 4　時変係数モデル 5　トレンドの構造 6　周期性のモデル化 7　自己回帰モデルとその周辺 8　動的一般化線形モデル：二項分布を仮定した例 9　動的一般化線形モデル：ポアソン分布を仮定した例 第1部　【理論編】ベイズ統計モデリングの基本 第1章 はじめよう！　ベイズ統計モデリング 第2章 統計学の基本 第3章 確率の基本 第4章 確率分布の基本 第5章 統計モデルの基本 第6章 ベイズ推論の基本 第7章 MCMCの基本 第2部　【基礎編】RとStanによるデータ分析 第1章 Rの基本 第2章 データの要約 第3章 ggplot2によるデータの可視化 第4章 Stanの基本 第5章 MCMCの結果の評価 第6章 Stanコーディングの詳細 第3部　【実践編】一般化線形モデル 第1章 一般化線形モデルの基本 第2章 単回帰モデル 第3章 モデルを用いた予測 第4章 デザイン行列を用いた一般化線形モデルの推定 第5章 brmsの使い方 第6章 ダミー変数と分散分析モデル 第7章 正規線形モデル 第8章 ポアソン回帰モデル 第9章 ロジスティック回帰モデル 第10章 交互作用 第4部　【応用編】一般化線形混合モデル 第1章 階層ベイズモデルと一般化線形混合モデルの基本 第2章 ランダム切片モデル 第3章 ランダム係数モデル 第5部　【応用編】状態空間モデル 第1章 時系列分析と状態空間モデルの基本 第2章 ローカルレベルモデル 第3章 状態空間モデルによる予測と補間 第4章 時変係数モデル 第5章 トレンドの構造 第6章 周期性のモデル化 第7章 自己回帰モデルとその周辺 第8章 動的一般化線形モデル：二項分布を仮定した例 第9章 動的一般化線形モデル：ポアソン分布を仮定した例

パターン認識にはじめて触れる読者に向け，基礎からわかりやすく解説した入門書です．パターン認識の概念がよく理解できるとともに，Rによる実行例など，実際に応用する際にも役立つ内容が盛り込まれています． 第1章 はじめに 第2章 識別規則と学習法の概要 第3章 ベイズの識別規則 第4章 確率モデルと識別関数 第5章 k最近傍法（kNN法） 第6章 線形識別関数 第7章 パーセプトロン型学習規則 第8章 サポートベクトルマシン 第9章 部分空間法 第10章 クラスタリング 第11章 識別器の組み合わせによる性能強化

複雑な機械学習アルゴリズムの違いがオールカラーの図で見てわかる！ 機械学習アルゴリズムの違いが見てわかる！ 「機械学習アルゴリズムは種類が多く、複雑で何をしているのかわかりにくい」と思ったこと、ありませんか？本書は、そのような機械学習アルゴリズムをオールカラーの図を用いて解説した機械学習の入門書です。 いままで複雑でわかりにくかった機械学習アルゴリズムを図解し、わかりやすく解説しています。アルゴリズムごとに項目を立てているので、どのアルゴリズムがどのような仕組みで動いているのか比較をしやすくしています。 これから機械学習を勉強する方だけでなく、実際に機械学習を業務で使用している方にも新しい気付きを得られるのでお勧めの1冊です。 【本書の特徴】 ・複雑な機械学習アルゴリズムの仕組みを1冊で学べる ・オールカラーの図をたくさん掲載 ・各アルゴリズム毎にScikit-Learnを使用したコードを記載しているので、見るだけでなく試すこともできる ・仕組みだけでなく、実際の使い方や注意点もわかる 【本書で紹介するアルゴリズム】 01 線形回帰 02 正則化 03 ロジスティック回帰 04 サポートベクトルマシン 05 サポートベクトルマシン（カーネル法） 06 ナイーブベイズ 07 ランダムフォレスト 08 ニューラルネットワーク 09 kNN 10 PCA 11 LSA 12 NMF 13 LDA 14 k-means 15 混合ガウス 16 LLE 17 t-SNE 第1章　機械学習の基礎 　1.1　機械学習の概要 　1.2　機械学習に必要なステップ 第2章　教師あり学習 　01　線形回帰 　02　正則化 　03　ロジスティック回帰 　04　サポートベクトルマシン 　05　サポートベクトルマシン（カーネル法） 　06　ナイーブベイズ 　07　ランダムフォレスト 　08　ニューラルネットワーク 　09　kNN 第3章　教師なし学習 　10　PCA 　11　LSA 　12　NMF 　13　LDA 　14　k-means法 　15　混合ガウス分布 　16 LLE 　17　t-SNE 第4章　評価方法および各種データの扱い 　4.1　評価方法 　4.2　文書データの変換処理 　4.3　画像データの変換処理 第5章　環境構築 　5.1　Python3 のインストール 　5.2　仮想環境 　5.3　パッケージインストール

R言語によるデータ解析の入門書．深層学習など，ますます充実するパッケージの解説を加えたロングセラーの第2版． ――進化を続ける「R」を使い倒す！ R言語によるデータ解析の入門書．データサイエンスブームに先駆けた初版の発行以来，網羅性と実用性の高さから，多くのRユーザーに支持を得てきたロングセラー．Rのバージョンアップへの対応に加え，深層学習やネットワーク分析など，ますます充実するパッケージの解説を加えた第2版． ～こんな方に～ ・因子分析・ネットワーク分析・深層学習などの分析手法をすぐに試したい ・Rを使うとどんなデータ解析ができるのか，一通り知っておきたい ・幅広いデータ解析手法・機械学習法を，Rで動かしながら体感的に学びたい 第1部　Rとデータマイニングの基礎 1．データマイニングとR言語 2．データの入出力と編集 3．データの演算と固有値，基本統計量 4．データの視覚化 第2部　Rによるデータ解析・データマイニング 5．主成分分析 6．因子分析 7．対応分析 8．多次元尺度法 9．クラスター分析 10．自己組織化マップ 11．線形回帰分析 12．非線形回帰分析 13．線形判別分析 14．非線形判別分析 15．ツリーモデル 16．集団学習 17．カーネル法とサポートベクターマシン 18．ニューラルネットワーク 19．ネットワーク分析 20．アソシエーション分析 21．時系列分析 22．生存分析

「数理モデル」とは、現実のデータを理解・活用するために生み出された様々な数理的な手段の総称である。これには、近年注目を浴びている機械学習だけでなく、物理学、生物学、生態学などの自然科学、また心理学、経済学、といった人文社会科学分野で用いられる諸手法が含まれている。 こうした極めて多様な方法論の間には、データの背後に存在するメカニズムをある種の数式で表現し、それを利用するという共通の目的・手続きが存在する。 データと目的が与えられたとして、どのモデリング手法に頼ればいいのだろうか？特に、現象の理解を目的とした分析には、機械学習の諸手法では太刀打ちできないこともある。 こういった場合には、統計モデリングだけでなく所謂計算論的モデルと呼ばれるボトムアップ型のモデリング手法が必要とされることもあるだろう。こうした俯瞰的な視点でモデルの「種類」を選択することはデータ分析において必須のステップであるが、そうした分野を跨いだ解説書は殆ど存在していないといっても良い。 そこで本書は、数理モデル全体が有機的に繋がって見えるような「横糸的な」理解を可能にする、全く新しい入門的な教科書を目指した。 本書では、さまざまなモデリング手法の基礎的な部分を解説するだけでなく、それらをどのように選択して使用すればよいか、そしてモデリングによって得られる結論について初学者が勘違いしやすい事項について丁寧に解説した。 主な読者としては、「これからデータ分析を始める」、或いは「ある種の分析で結果を出すことはできるが、それが何をやっていることになるのかがモヤモヤする」といった初学者・初級者を想定している。大学の一年次でも読み通せる程度の解説レベルを採用しているが、内容が淡泊になりすぎないように注意した。 また、通常データ分析の文脈では言及されない（しかし重要な）種々の数理手法についても解説することで、ある程度モデリングに慣れた読者が読んでも楽しめる内容を目指した。 第一部　数理モデルとは 第1章　データ分析と数理モデル 〔データを分析するということ／数理モデルの役割〕 第2章　数理モデルの構成要素・種類 〔理解志向型・応用志向型モデリング／数理モデルの適用限界〕 第二部　基礎的な数理モデル 第3章　少数の方程式によるモデル 〔線形モデル／実験式・カーブフィッティング／最適化問題〕 第4章　少数の微分方程式によるモデル 〔線形微分方程式／非線形微分方程式／安定性解析／制御理論〕 第5章　確率モデル 〔確率過程／マルコフ過程／待ち行列理論〕 第6章　統計モデル 〔正規分布／統計的検定／回帰分析〕 第三部　高度な数理モデル 第7章　時系列モデル 〔時系列データの構造／自己回帰モデル／状態空間モデル／非線形時系列解析〕 第8章　機械学習モデル 〔複雑なモデルと過学習／分類・回帰問題／クラスタリング／次元削減／深層学習〕 第9章　強化学習モデル 〔行動モデルとしての強化学習／機械学習モデルとしての強化学習〕 第10章　多体系モデル・エージェントベースモデル 〔ミクロからマクロへ／さまざまな集団現象モデル／相互作用のネットワーク分析〕 第四部　数理モデルを作る 第11章　モデルを決めるための要素 〔数理モデルの性質／理解志向型・応用志向型モデリングのポイント〕 第12章　モデルを設計する 〔変数の選択／データの取得・実験計画／数理構造・パラメータの選択／間違ったモデリングをしないために〕 第13章　パラメータを推定する 〔目的に応じたパラメータ推定／パラメータ推定における目的関数の最小化／ベイズ推定・ベイズモデリング〕 第14章　モデルを評価する 〔「いいモデル」とは／分類精度の指標／情報量基準／ヌルモデルとの比較・尤度比検定／交差検証〕

1990年代末、オークランド・アスレチックスは資金不足から戦力が低下し、成績も沈滞していた。新任ゼネラルマネジャーのビリー・ビーンは、かつて将来を嘱望されながら夢破れてグラウンドを去った元選手だ。彼は統計データを駆使した野球界の常識を覆す手法で球団を改革。チームを強豪へと変える-"奇跡"の勝利が感動を呼ぶ!ブラッド・ピット主演で映画化された傑作ノンフィクション、待望の全訳版。

巻頭企画 スキルセット、データ分析のプロセス、ビッグデータの扱い方 データサイエンティストの仕事術(データにストーリーを語らせられますか?-データサイエンティストに必要なスキル ビジネスの成果を意識した分析の方法-データサイエンスのプロセス ほか) 特集1 データサイエンティストへの第一歩 データ分析実践入門(データの把握、可視化と多変量解析-Rで統計解析をはじめよう Rをさらに便利に使える統合開発環境-RStudioでらくらくデータ分析 ほか) 特集2 スキルアップのためのマーケティング分析本格入門(データサイエンスを応用した広告戦略とサイト改善-Rによるマーケティング分析 ターゲティング広告リプレースのポイントを公開-mixiにおける大規模データマイニング事例 ほか) 特別記事 リアルタイムログ収集でログ解析をスマートに Fluentd入門 特別企画 超入門 データ分析のためにこれだけは覚えておきたい基礎知識(リレーショナルデータベース操作に必須の言語-SQL入門 Webサイトから情報を収集する技術-Webスクレイピング入門 ほか)

いまや「データをビジネスに生かす」のは当たり前の時代。一般のビジネスパーソンにも「データサイエンス」のリテラシーが求められています。本書は「そもそも、データサイエンスって何？」というところから始まり、よく聞くキーワードや押さえておきたいトピック、実際のビジネスシーンでデータサイエンスがどう生かされているか？　という実例まで、ポイントを絞って解説します。 文章だけだとわかりづらい内容も、豊富な図やイラストでフォロー。「なるほど、そういうことか！」とイメージをつかみやすいよう配慮しています。 また、データサイエンスは数学が深く関係しますが、本書では難しい数式や専門用語はナシ。初心者でもデータサイエンスの概要、肝が掴めるよう解説します。「データサイエンスについて知りたい、学んでみたい」けれど、「どこから学べばいいのか…？」という方に、まずは一冊目に読んで欲しい本です！　ビジネスパーソンだけでなく、学生さんにもオススメです。 第1章　データサイエンスとは？ 第2章　機械学習とは 第3章　データサイエンスの活用事例と手法 第4章　データ分析、活用プロセス 第5章　先端テクノロジー 第6章　学習ロードマップ

Pythonのデータ分析ツールpandasのメイン開発者による、Pythonでデータサイエンスを行うための情報をまとめた。 Pythonの豊富で強力なライブラリを使ってデータ分析を行うための情報を凝縮！ 2013年に発刊以来、高い人気を誇ってきたロングセラー待望の改訂版です。NumPy、SciPy、pandas、Matplotlib、IPython、Jupyterをはじめ、高機能で使いやすい数学・科学計算用ライブラリが充実しているPythonは、科学計算、統計解析、機械学習のみならず、金融や経済分野でも不動の地位を築きつつあります。本書はPythonの代表的なデータ分析ツール、pandasのメイン開発者による、Pythonでデータサイエンスを行うための情報をまとめた一冊です。

機械学習の原理を知るための、初めての入門書 本書は具体的なデータ分析の手法を説明する意図で書かれたものではありません。 実用的な目的ならscikit-learnやChainerなどの既存のフレームワークを使うべきですが、本書では機械学習のいくつかの有名なアルゴリズムを、自分でゼロから実装することを目標としています。こうすることにより、とかくブラックボックスになりがちな機械学習の仕組みを理解し、さらなる応用力と問題解決力を身につけることができるようになります。 また、処理系にはデファクトスタンダードであるPythonを使い、機械学習に必要な数学の知識もわかりやすく解説しています。 これから機械学習を始める学生さんや、いきなりプロジェクトに放り込まれていまいち理解できないままデータ分析の仕事をしているエンジニアの方にも最適です。 ●目次 はじめに 第01章　学習を始める前に 　01 本書の目的 　02 本書は何を含まないか 　03 機械学習の初歩 　04 実行環境の準備 第02章　Pythonの基本 　01 プログラムの実行方法 　02 基本的な文法 　03 数値と文字列 　04 複数行処理 　05 制御構造 　06 リスト、辞書、集合 　07 関数定義 　08 オブジェクト指向 　09 モジュール 　10 ファイル操作 　11 例外処理 第03章　機械学習に必要な数学 　01 基本事項の確認 　02 線形代数 　03 微積分 第04章　Pythonによる数値計算 　01 数値計算の基本 　02 NumPyの基本 　03 配列の基本計算 　04 疎行列 　05 NumPy/SciPyによる線形代数 　06 乱数 　07 データの可視化 　08 数理最適化 　09 統計 第05章　機械学習アルゴリズム 　01 準備 　02 回帰 　03 リッジ回帰 　04 汎化と過学習 　05 ラッソ回帰 　06 ロジスティック回帰 　07 サポートベクタマシン 　08 k-Means法 　09 主成分分析（PCA） INDEX はじめに 第01章　学習を始める前に 　01 本書の目的 　02 本書は何を含まないか 　03 機械学習の初歩 　04 実行環境の準備 第02章　Pythonの基本 　01 プログラムの実行方法 　02 基本的な文法 　03 数値と文字列 　04 複数行処理 　05 制御構造 　06 リスト、辞書、集合 　07 関数定義 　08 オブジェクト指向 　09 モジュール 　10 ファイル操作 　11 例外処理 第03章　機械学習に必要な数学 　01 基本事項の確認 　02 線形代数 　03 微積分 第04章　Pythonによる数値計算 　01 数値計算の基本 　02 NumPyの基本 　03 配列の基本計算 　04 疎行列 　05 NumPy/SciPyによる線形代数 　06 乱数 　07 データの可視化 　08 数理最適化 　09 統計 第05章　機械学習アルゴリズム 　01 準備 　02 回帰 　03 リッジ回帰 　04 汎化と過学習 　05 ラッソ回帰 　06 ロジスティック回帰 　07 サポートベクタマシン 　08 k-Means法 　09 主成分分析（PCA） INDEX

本書は、機械学習コンセプト全般をカバーし、理論的背景とPythonコーディングの実際を解説しています。初歩的な線形回帰から始め、ディープラーニング（CNN／RNN）、敵対的生成ネットワーク、強化学習などを取り上げ、scikit-learnやTensorFlowなどPythonライブラリの新版を使ってプログラミング。第3版では13～16章の内容をほとんど刷新したほか、敵対的生成ネットワークと強化学習の章を新たに追加。機械学習プログラミングの本格的な理解と実践に向けて大きく飛躍できる一冊です。

文科と理科両方の学生のために，統計的なものの考え方の基礎をやさしく解説するとともに，統計学の体系的な知識を与えるように，編集・執筆された．豊富な実際例を用いつつ，図表を多くとり入れ，視覚的にもわかりやすく親しみながら学べるよう配慮した． 第1章 統計学の基礎（中井検裕，縄田和満，松原 望） 第2章 1次元のデータ（中井検裕） 第3章 2次元のデータ（中井研裕，松原 望） 第4章 確率（縄田和満，松原 望） 第5章 確率変数（松原 望） 第6章 確率分布（松原 望） 第7章 多次元の確率分布（松原 望） 第8章 大数の法則と中心極限定理（中井検裕） 第9章 標本分布（縄田和満） 第10章 正規分布からの標本（縄田和満） 第11章 推定（縄田和満） 第12章 仮説検定（縄田和満，松原 望） 第13章 回帰分析（縄田和満） 統計数値表 練習問題の解答

科学計算，分析，可視化などPythonでのデータ処理の基本を約100のレシピを通して具体的に学ぶ GitHubに詳細なサポートデータ（Jupyter Notebook）有。すぐに試せる ・Pandas Cookbook: Recipes for Scientific Computing, Time Series Analysis and Data Visualization using Python, 2017Oct, Packt の翻訳。 ・pandas（Pythonによるデータ処理に必須のライブラリ）の活用例（レシピ）を約100紹介。 ・扱うデータ構造や使い方、可視化などを広く取り上げる。 ・各レシピは内容、手順、解説（補足、参照、注意など）という定形になっており読みやすい。 Pythonによるデータ解析を支援する機能を提供する必須のライブラリ pandas の使い方を解説する「レシピ本」。 ビッグデータを扱うデータサイエンスや科学計算に重要なツール、Pandasの実践的な使用方法＝”レシピ”を約100例紹介。分析の目的から探せるレシピ本として、特定の分野に依存せずデータサイエンスのツールにpythonを選んだすべての方が読者対象。 1　Pandas基礎 レシピ1　DataFrameの解剖学 レシピ2　DataFrame主要素へのアクセス レシピ3　データ型の理解 レシピ4　データのカラムをSeriesとして選択 レシピ5　Seriesのメソッド呼び出し レシピ6　Seriesの演算子の働き レシピ7　Seriesのメソッドチェイニング レシピ8　分かりやすいインデックスに置き換え レシピ9　行とカラムの名前変更 レシピ10　カラムの作成と削除 2　DataFrameの必須演算 レシピ11　DataFrameのカラムを複数選択 レシピ12　カラムをメソッドで選択 レシピ13　カラムを意味が分かるように順序付け レシピ14　DataFrame全体の操作 レシピ15　DataFrameのメソッドチェイニング レシピ16　DataFrameの演算子の働き レシピ17　欠損値の比較 レシピ18　DataFrame演算の方向を転置 レシピ19　大学のキャンパスのダイバーシティ指標の計算 3　データ分析開始 レシピ20　データ分析ルーチンの開発 レシピ21　データ型を変更してメモリ削減 レシピ22　最大の中の最小を選択 レシピ23　ソートして各グループでの最大を選択 レシピ24　sort_valuesでnlargestの代用 レシピ25　トレール注文の価格計算 4　データから部分抽出 レシピ26　Seriesデータの選択 レシピ27　DataFrameの行の選択 レシピ28　DataFrameの行とカラムの同時選択 レシピ29　整数とラベルの両方でデータ選択 レシピ30　スカラー選択の高速化 レシピ31　行の手軽なスライシング レシピ32　文字順にスライシング 5　booleanインデックス法 レシピ33　boolean統計量の計算 レシピ34　複数のboolean条件の構築 レシピ35　booleanインデックス法によるフィルタリング レシピ36　インデックス選択によるbooleanインデックス法の代用 レシピ37　重複のないインデックスとソートしたインデックスによる選択 レシピ38　株価見通しの計算 レシピ39　SQLのWHERE節の翻訳 レシピ40　株式収益率の正規度判定 レシピ41　queryメソッドによるbooleanインデックス法の読みやすさ改善 レシピ42　whereメソッドによるSeriesの保持 レシピ43　DataFrameの行のマスキング レシピ44　boolean，整数位置，ラベルによる選択 6　インデックスアラインメント レシピ45　インデックスオブジェクトの検査 レシピ46　デカルト積の作成 レシピ47　インデックス爆発 レシピ48　等しくないインデックスの値を埋める レシピ49　別のDataFrameからカラムを追加 レシピ50　各カラムの最大値をハイライトする レシピ51　メソッドチェイニングでidxmaxの代用 レシピ52　最多の最大値を求める 7　集約，フィルタ，変換のためのグループ分け レシピ53　集約の定義 レシピ54　複数のカラムと関数のグループ分けと集約 レシピ55　グループ分けの後でMultiIndex解消 レシピ56　集約関数のカスタマイズ レシピ57　集約関数の*argsと**kwargsをカスタマイズ レシピ58　groupbyオブジェクトの検討 レシピ59　マイノリティが多数派の(米国の)州をフィルタリング レシピ60　減量の勝負でtransform レシピ61　SATの加重平均点を州ごとにapplyで計算 レシピ62　連続変数でグループ分け レシピ63　都市間の航空便の総数 レシピ64　定時離着陸の最長ストリーク 8　整然形式にデータを再構成 レシピ65　変数値カラム名をstackで整然化 レシピ66　変数値カラム名をmeltで整然化 レシピ67　複数の変数グループを同時にスタック レシピ68　スタックしたデータを元に戻す レシピ69　groupby集約の後でunstack レシピ70　groupby集約でpivot_tableの代用 レシピ71　変形を容易にするレベル軸の名前変更 レシピ72　複数の変数がカラム名になっている場合の整然化 レシピ73　複数の変数がカラム値の場合の整然化 レシピ74　複数の値が同じセルにある場合の整然化 レシピ75　変数がカラム名とカラム値になっている場合の整然化 レシピ76　複数の観察が同じテーブルにある場合の整然化 9　pandasオブジェクトの結合 レシピ77　DataFrameに新たな行を追加 レシピ78　複数のDataFrameを接合 レシピ79　トランプとオバマの大統領としての信認レベル比較 レシピ80　concat, join, mergeの相違点を理解 レシピ81　SQLデータベースへの接続 10　時系列分析 レシピ82　Pythonとpandasの日付ツールの違いの理解 レシピ83　時系列を賢くスライシング レシピ84　DatetimeIndexでだけ働くメソッドを使う レシピ85　週ごとの犯罪件数 レシピ86　週ごとの犯罪と交通事故を別々に集約 レシピ87　曜日と年での犯罪件数の測定 レシピ88　DatetimeIndexで無名関数を使いグループ分け レシピ89　Timestampと別のカラムでグループ分け レシピ90　merge_asofで犯罪率が20％低かったのは最近ではいつかを見つける 11　matplotlib, pandas, seabornによる可視化 レシピ91　matplotlib入門 レシピ92　matplotlibでデータの可視化 レシピ93　pandasのプロットの基本 レシピ94　flightsデータセットの可視化 レシピ95　層グラフで今後の傾向を発見する レシピ96　seabornとpandasの違いを理解 レシピ97　seabornグリッドで多変量解析 レシピ98　diamondsデータセットのSimpsonパラドックスをseabornで明らかにする

ベストセラーの改訂版。最高最強のバイブルが大幅にパワーアップ！　深層学習のさまざまな課題とその対策についても詳しく解説。 ◆ベストセラーの改訂版。最高最強のバイブルが大幅にパワーアップ！！◆ ・トランスフォーマー、グラフニューラルネットワーク、生成モデルなどをはじめ、各手法を大幅に加筆。 ・深層学習のさまざまな課題と、その対策についても詳しく解説。 [本書まえがきより抜粋] ないもの（＝理論）ねだりをしても仕方がありません．それでも皆が研究を進めるのは，そうすることに意義があるからです．なぜうまく働くのか，なぜそうすべきか，数学的な証明はなくても，正しい説明は必ずあるはずです．それを手にできれば，目の前の課題を解決するのに，また次に進むべき道を知るうえで役に立つでしょう． そこで本書では，それぞれの方法について，今の時点で最も納得できる説明をきちんと与えることにこだわりました．名前の通った方法であっても，理屈が成り立たない，あるいは役に立たない方法や考え方については，はっきりそう書きました．著者の主観といわれても仕方がない場合もあるかもしれませんが，そのほうが有益であると信じています． また，現在の深層学習の広がりを把握できるように，定番となった問題・方法に加えて，重要だと思われる問題については，必ずしもそれほど有名でない方法も含めてなるべく網羅するようにしました．その取捨選択には，深層学習が実践的技術であることを踏まえ，実用性を最も重視しました．そこには，この間に著者が企業の実務家たちと行ってきた共同研究での経験が反映されています． [主な内容] 第1章　はじめに 第2章　ネットワークの基本構造 第3章　確率的勾配降下法 第4章　誤差逆伝播法 第5章　畳み込みニューラルネットワーク 第6章　系列データのためのネットワーク 第7章　集合・グラフのためのネットワークと注意機構 第8章　推論の信頼性 第9章　説明と可視化 第10章　いろいろな学習方法 第11章　データが少ない場合の学習 第12章　生成モデル 1章　はじめに 1.1 研究の歴史 1.2 本書の構成 2章　ネットワークの基本構造 2.1 ユニットと活性化関数 2.2 順伝播型ネットワーク 2.3 学習の概要 2.4 問題の定式化：出力層と損失関数の設計 3章　確率的勾配降下法 3.1 確率的勾配降下法 3.2 汎化性能と過剰適合 3.3 正則化 3.4 学習率の選定と制御 3.5 SGDの改良 3.6 層出力の正規化 3.7 重みの初期化 3.8 その他 4章　誤差逆伝播法 4.1 勾配計算の煩わしさ 4.2 誤差逆伝播法 4.3 自動微分 4.4 勾配消失問題 4.5 残差接続 5章　畳み込みニューラルネットワーク 5.1 単純型細胞と複雑型細胞 5.2 畳み込み 5.3 畳み込み層 5.4 プーリング層 5.5 畳み込み層の出力の正規化 5.6 推論のためのCNNの構造 5.7 入出力間の幾何学的関係 5.8 畳み込み層の一般化 5.9 アップサンプリングと畳み込み 5.10 物体カテゴリ認識への適用例 6章　系列データのためのネットワーク 6.1 系列データ 6.2 リカレントニューラルネットワーク 6.3 ゲート機構 6.4 自己回帰モデル 6.5 1次元畳み込みネットワーク 6.6 逆伝播の計算 7章　集合・グラフのためのネットワークと注意機構 7.1 集合データを扱うネットワーク 7.2 注意機構 7.3 トランスフォーマー 7.4 グラフニューラルネットワーク 8章　推論の信頼性 8.1 推論の不確かさ 8.2 不確かさの数理モデル 8.3 不確かさの予測 8.4 分布外入力の検出 8.5 敵対的事例 8.6 品質保証の試み 9章　説明と可視化 9.1 はじめに 9.2 入力による出力の微分 9.3 入力の遮蔽・挿入 9.4 中間層出力の表示 9.5 寄与度の分解 9.6 寄与度の逆伝播 9.7 可視化手法の評価 9.8 影響関数 9.9 学習内容の可視化 10章　いろいろな学習方法 10.1 距離計量学習 10.2 事例集合（マルチインスタンス）学習 10.3 クラスラベルの誤り 10.4 クラス間不均衡 10.5 継続・追加学習 10.6 知識蒸留 10.7 枝刈り 10.8 計算の量子化 10.9 ネットワーク構造探索 11章　データが少ない場合の学習 11.1 はじめに 11.2 データ拡張 11.3 転移学習 11.4 半教師あり学習 11.5 自己教師学習 11.6 マルチタスク学習 11.7 ドメイン適応・汎化 11.8 少数事例学習 11.9 能動学習 12章　生成モデル 12.1 データの生成モデル 12.2 自己符号化器 12.3 変分自己符号化器 12.4 敵対的生成ネットワーク 12.5 正規化フロー 12.6 ボルツマンマシン

各種の最適化手法の原理や計算法をやさしく解説 　最適化手法とは，利益，損失などの望ましい，あるいは望ましくない値を最大，または最小にするように設計する手法である。従来から経営学やオペレーションズリサーチ(OR)の中心テーマであったが，計算機技術の進歩によって過去には不可能と思われた複雑な問題が実際的な時間で解けるようになり，今日ではあらゆる工学分野，特に電子，情報，通信技術の設計のほとんどに浸透している。 　本書はこの立場から，最適化手法の入門書として書かれたもので，経営学やORのみならず，統計的最適化や機械学習に関する話題も扱っている。また，各手法を紹介するだけでなく，その数学的背景の解説に力点を置いている。 　本文中では最適化手法の要領を理解させることに重点を置き，例題を多く用いてやさしく解説している。中には独自の説明法を採用している箇所もある。また，内容の幅を広げ，読者により関心が高まるよう，本文を補足する，関連する話題や注意すべき事項を箇条書きの形で随所に挿入している。理解を促すために，各所で簡略化したり，直観的な説明を行ったが，そのような箇所にはより数学的に厳密な説明を補足している。 第1章 数学的準備 1.1 曲線と曲面 1.2 1次形式と2次形式 1.3 2次形式の標準形 第2章 関数の極値 2.1 1次関数と2次関数 2.2 関数の勾配と等高線 2.3 関数の極値 2.4 ラグランジュの未定乗数法 第3章 関数の最適化 3.1 勾配法 3.2 ニュートン法 3.3 共役勾配法 第4章 最小二乗法 4.1 式の当てはめ 4.2 連立1次方程式 4.3 非線形最小二乗法 第5章 統計的最適化 5.1 最尤推定 5.2 直線当てはめ 5.3 データの分類 5.4 不完全データからの最尤推定 第6章 線形計画法 6.1 線形計画の標準形 6.2 可能領域 6.3 線形計画の基本定理 6.4 スラック変数 6.5 シンプレックス法 6.6 退化 6.7 人工変数 6.8 双対原理 第7章 非線形計画法 7.1 非線形計画 7.2 ラグランジュ乗数 7.3 双対原理 第8章 動的計画法 8.1 多段階決定問題 8.2 動的計画法 8.3 最適経路問題 8.4 ストリングマッチング 8.5 制約のある多段階決定問題

第1部 確率そのものの話(確率とは 複数の確率変数のからみあい 離散値の確率分布 連続値の確率分布 共分散行列と多次元正規分布と楕円) 第2部 確率を役立てる話(推定と検定 擬似乱数 いろいろな応用) 付録A 本書で使う数学の基礎事項 付録B 近似式と不等式 付録C 確率論の補足

東大 松尾研究室が提供するあの人気講座が待望の書籍化！ 本書は、2017年と2018年に東京大学で実施された「グローバル消費インテリジェンス寄付 講座」の学生向けオフライン講義と、社会人向けオンライン講座で使われた教材がベースになっています。 約400名ほどの受講枠（2年間）に、のべ1,800人以上の応募があった人気の講義です。この本のベースとなるコンテンツはJupyter Notebook形式で公開されていますが、この内容をさらに精査、ブラッシュアップし、読みやすく整えたものが本書になります。 ●本書の内容 本書には、データサイエンティストになるための基礎をつめこんでいます。データサイエンティストは、Pythonや確率・統計、機械学習など、幅広くさまざまな分野の知識を必要とします。 すべての分野を1冊で学ぶことは無理ですので、各分野で深入りはせず基礎的な事項を取り扱っています。データサイエンティストになるための地図と羅針盤のような位置づけとなることをイメージしています。 この本は主にPython 3を使って、基本的なプログラムの書き方、データの取得、読み込み、そのデータ操作からはじまり、さまざまなPythonのライブラリの使い方、確率統計の手法、機械学習（教師あり学習、教師なし学習とチューニング）の使い方についても学びます。取り扱っているデータは、マーケティングに関するデータやログデータ、金融時系列データなどさまざまで、モデリングの前にそれらを加工する手法も紹介しています。データサイエンティストになるには、どれも必要なスキルです。 本書には、さらに以下の3つの特徴があります。 ・実際のデータを使って手を動かしながら、データサイエンスのスキルを身に付けることができる ・データ分析の現場で使える実践的な内容（データ前処理など）が含まれている ・練習問題や総合問題演習など実際に頭を使って考える内容がたくさんある この本に書いてあることを実践し、読み終えた後には、実際の現場でデータ分析ができるようになるはずです。 ●この本の対象読者 この本は、プログラミングの経験があり、理系の大学1～2年生程度の教養課程の数学（線形代数、微分積分学、確率統計の基礎など）を終えている方を対象にしています。具体的には、勉強熱心な大学3～4年生の理系の学生さんや大学院生の方、また社会人になってデータサイエンスを学ぼうという意欲の高い方たちが対象です。データサイエンスの入門レベルから中級レベルの手前までを考えている人に最適で、本書のゴールもデータサイエンス入門レベルを卒業できることを想定しています。 "Contents Chapter 1 本書の概要とPythonの基礎 1-1 データサイエンティストの仕事 　1-1-1 データサイエンティストの仕事 　1-1-2 データ分析のプロセス 　1-1-3 本書の構成 　1-1-4 本書を読み進めるのに役立つ文献 　1-1-5 手を動かして習得しよう 1-2 Pythonの基礎 　　1-2-1 Jupyter Notebookの使い方 　1-2-2 Pythonの基礎 　1-2-3 リストと辞書型 　1-2-4 条件分岐とループ 　Column　format記法と%記法 　1-2-5 関数 　Practice 練習問題1-1 　Practice 練習問題1-2 　1-2-6 クラスとインスタンス 　Practice 1章 総合問題 Chapter 2 科学計算、データ加工、グラフ描画ライブラリの使い方の基礎 2-1 データ分析で使うライブラリ 　2-1-1 ライブラリの読み込み 　2-1-2 マジックコマンド 　2-1-3 この章で使うライブラリのインポート 2-2 Numpyの基礎 　2-2-1 Numpyのインポート 　2-2-2 配列操作 　2-2-3 乱数 　Column　Numpyは高速 2-2-4 行列 　Practice 練習問題2-1 　練習問題2-2 　練習問題2-3 2-3 Scipyの基礎 　2-3-1 Scipyのライブラリのインポート 　2-3-2 行列計算 　2-3-3 ニュートン法 　Practice 練習問題2-4 　練習問題2-5 　練習問題2-6 2-4 Pandasの基礎 　2-4-1 Pandasのライブラリのインポート 　2-4-2 Seriesの使い方 　2-4-3 DataFrameの使い方 　2-4-4 行列操作 　2-4-5 データの抽出 　2-4-6 データの削除と結合 　2-4-7 集計 　2-4-8 値のソート 　2-4-9 nan（null）の判定 　Practice 練習問題2-7 　Practice 練習問題2-8 　Practice 練習問題2-9 2-5 Matplotlibの基礎 　2-5-1 Matplotlibを使うための準備 　2-5-2 散布図 　2-5-3 グラフの分割 　2-5-4 関数グラフの描画 　2-5-5 ヒストグラム 　Column　さまざまなデータのビジュアル化 　Practice 練習問題2-10 　Practice 練習問題2-11 　Practice 練習問題2-12 　Practice 2章 総合問題 Chapter 3 記述統計と単回帰分析 3-1 統計解析の種類 　3-3-1 記述統計と推論統計 　3-3-2 この章で使うライブラリのインポート 3-2 データの読み込みと対話 　3-2-1 インターネットなどで配布されている対象データの読み込み 　3-2-2 データの読み込みと確認 　3-2-3 データの性質を確認する 　Column 　｢変数」という用語について 　3-2-4 量的データと質的データ 3-3 記述統計 　3-3-1 ヒストグラム 　3-3-2 平均、中央値、最頻値 　3-3-3 分散と標準偏差 　3-3-4 要約統計量とパーセンタイル値 　3-3-5 箱ひげ図 　3-3-6 変動係数 　3-3-7 散布図と相関係数 　3-3-8 すべての変数のヒストグラムや散布図を描く 　Practice 練習問題3-1 　Practice 練習問題3-2 　Practice 練習問題3-3 3-4 単回帰分析 　3-4-1 線形単回帰分析 　3-4-2 決定係数 　Practice 練習問題3-4 　Practice 練習問題3-5 　Practice 練習問題3-6 　Practice 3章 総合問題 Chapter 4 確率と統計の基礎 4-1 確率と統計を学ぶ準備 　4-1-1 この章の前提知識 　4-1-2 この章で使うライブラリのインポート 4-2 確率 　4-2-1 数学的確率 　4-2-2 統計的確率 　4-2-3 条件付き確率と乗法定理 　4-2-4 独立と従属 　4-2-5 ベイズの定理 　Practice 練習問題4-1 　Practice 練習問題4-2 　Practice 練習問題4-3 4-3 確率変数と確率分布 　4-3-1 確率変数、確率関数、分布関数、期待値 　4-3-2 さまざまな分布関数 　4-3-3 カーネル密度関数 　Practice 練習問題4-4 　Practice 練習問題4-5 　Practice 練習問題4-6 4-4 応用：多次元確率分布 　4-4-1 同時確率関数と周辺確率関数 　4-4-2 条件付き確率関数と条件付き期待値 　4-4-3 独立の定義と連続分布 4-5 推計統計学 　4-5-1 大数の法則 　4-5-2 中心極限定理 　4-5-3 標本分布 　Practice 練習問題4-7 　Practice 練習問題4-8 　Practice 練習問題4-9 4-6 統計的推定 　4-6-1 推定量と点推定 　4-6-2 不偏性と一致性 　4-6-3 区間推定 　4-6-4 推定量を求める 　Practice 練習問題4-10 　Practice 練習問題4-11 　Practice 練習問題4-12 4-7 統計的検定 　4-7-1 検定 　4-7-2 第1種の過誤と第2種の過誤 　4-7-3 ビッグデータに対する検定の注意 　Practice 練習問題4-13 　Practice 4章 総合問題 Chapter 5 Pythonによる科学計算（NumpyとScipy） 5-1 概要と事前準備 　5-1-1 この章の概要 　5-1-2 この章で使うライブラリのインポート 5-2 Numpyを使った計算の応用 　5-2-1 インデックス参照 　Practice 練習問題5-1 　Practice 練習問題5-2 　Practice 練習問題5-3 5-2-2 Numpyの演算処理 　Practice 練習問題5-4 　Practice 練習問題5-5 　Practice 練習問題5-6 5-2-3 配列操作とブロードキャスト 　Practice 練習問題5-7 　Practice 練習問題5-8 　Practice 練習問題5-9 5-3 Scipyを使った計算の応用・ 　5-3-1 補間 　5-3-2 線形代数：行列の分解 　Practice 練習問題5-10 　Practice 練習問題5-11 　Practice 練習問題5-12 　Practice 練習問題5-13 　Practice 練習問題5-14 　5-3-3 積分と微分方程式 　Practice 練習問題5-15 　Practice 練習問題5-16 　5-3-4 最適化 　Practice 練習問題5-17 　Practice 練習問題5-18 　Practice 5章 総合問題 Chapter 6 Pandasを使ったデータ加工処理 6-1 概要と事前準備 　6-1-1 この章で使うライブラリのインポート 6-2 Pandasの基本的なデータ操作 　6-2-1 階層型インデックス 　Practice 練習問題6-1 　Practice 練習問題6-2 　Practice 練習問題6-3 6-2-2 データの結合 　Practice 練習問題6-4 　 練習問題6-5 　 練習問題6-6 6-2-3 データの操作と変換 　Practice 練習問題6-7 　Practice 練習問題6-8 　Practice 練習問題6-9 6-2-4 データの集約とグループ演算 　Practice 練習問題6-10 　Practice 練習問題6-11 　Practice 練習問題6-12 6-3 欠損データと異常値の取り扱いの基礎 　6-3-1 欠損データの扱い方 　Practice 練習問題6-13 　Practice 練習問題6-14 　Practice 練習問題6-15 　6-3-2 異常データの扱い方 6-4 時系列データの取り扱いの基礎 　6-4-1 時系列データの処理と変換 　Practice 練習問題6-16 　6-4-2 移動平均 　Practice 練習問題6-17 　Practice 6章 総合問題 Chapter 7 Matplotlibを使ったデータ可視化 7-1 データの可視化 　7-1-1 データの可視化について 　7-1-2 この章で使うライブラリのインポート 7-2 データ可視化の基礎 　7-2-1 棒グラフ 　7-2-2 円グラフ 　Practice 練習問題7-1 　Practice 練習問題7-2 　Practice 練習問題7-3 7-3 応用：金融データの可視化 　7-3-1 可視化する金融データ 　7-3-2 ローソクチャートを表示するライブラリ 7-4 応用：分析結果の見せ方を考えよう 　7-4-1 資料作成のポイントについて 　Practice 7章 総合問題 　Column　移動平均時系列データと対数時系列データ Chapter 8 機械学習の基礎（教師あり学習） 8-1 機械学習の全体像 　8-1-1 機械学習とは 　8-1-2 教師あり学習 　8-1-3 教師なし学習 　8-1-4 強化学習 　8-1-5 この章で使うライブラリのインポート 8-2 重回帰 　8-2-1 自動車価格データの取り込み 　8-2-2 データの整理 　8-2-3 モデル構築と評価 　8-2-4 モデル構築とモデル評価の流れのまとめ 　Practice 練習問題8-1 8-3 ロジスティック回帰 　8-3-1 ロジスティック回帰の例 　8-3-2 データの整理 　8-3-3 モデル構築と評価 　8-3-4 スケーリングによる予測精度の向上 　Practice 練習問題8-2 　Practice 練習問題8-3 8-4 正則化項のある回帰：ラッソ回帰、リッジ回帰 　8-4-1 ラッソ回帰、リッジ回帰の特徴 　8-4-2 重回帰とリッジ回帰の比較 　Practice 練習問題8-4 8-5 決定木 　8-5-1 キノコデータセット 　8-5-2 データの整理 　8-5-3 エントロピー：不純度の指標 　8-5-4 情報利得：分岐条件の有益さを測る 　8-5-5 決定木のモデル構築 　Practice 練習問題8-5 8-6 k-NN（k近傍法） 　8-6-1 k-NNのモデル構築 　Practice 練習問題8-6 　Practice 練習問題8-7 8-7 サポートベクターマシン 　8-7-1 サポートベクターマシンのモデル構築 　Practice 練習問題8-8 　Practice 8章 総合問題 Chapter 9 機械学習の基礎（教師なし学習） 9-1 教師なし学習 　9-1-1 教師なしモデルの種類 　9-1-2 この章で使うライブラリのインポート 9-2 クラスタリング 　9-2-1 k-means法 　9-2-2 k-means法でクラスタリングする 　9-2-3 金融マーケティングデータをクラスタリングする 　9-2-4 エルボー法によるクラスター数の推定 　9-2-5 クラスタリング結果の解釈 　9-2-6 k-means法以外の手法 　Practice 練習問題9-1 9-3 主成分分析 　9-3-1 主成分分析を試す 　9-3-2 主成分分析の実例 　Practice 練習問題9-2 9-4 マーケットバスケット分析とアソシエーションルール 　9-4-1 マーケットバスケット分析とは 　9-4-2 マーケットバスケット分析のためのサンプルデータを読み込む 　9-4-3 アソシエーションルール 　Practice 9章 総合問題 Chapter 10 モデルの検証方法とチューニング方法 10-1 モデルの評価と精度を上げる方法とは 　10-1-1 機械学習の課題とアプローチ 　10-1-2 この章で使うライブラリのインポート 10-2 モデルの評価とパフォーマンスチューニング 　10-2-1 ホールドアウト法と交差検証法 　10-2-2 パフォーマンスチューニング：ハイパーパラメータチューニング 　Practice 練習問題10-1 　Practice 練習問題10-2 　10-2-3 パフォーマンスチューニング：特徴量の扱い 　10-2-4 モデルの種類 　10-3 モデルの評価指標 　10-3-1 分類モデルの評価：混同行列と関連指標 　10-3-2 分類モデルの評価：ROC曲線とAUC 　Practice 練習問題10-3 　10-3-3 回帰モデルの評価指標 　Practice 練習問題10-4 10-4 アンサンブル学習 　10-4-1 バギング 　Practice 練習問題10-5 　10-4-2 ブースティング 　10-4-3 ランダムフォレスト、勾配ブースティング 　Practice 練習問題10-6 　10-4-4 今後の学習に向けて 　Practice 練習問題10-7 　Practice 10 章 総合問題 Chapter 11 総合演習問題 11-1 総合演習問題 　11-1-1 総合演習問題（1） 　11-1-2 総合演習問題（2） 　11-1-3 総合演習問題（3） 　11-1-4 総合演習問題（4） 　11-1-5 総合演習問題（5） 　11-1-6 総合演習問題（6） 　11-1-7 参考：今後のデータ分析に向けて Appendix A-1 本書の環境構築について 　A-1-1 Anacondaについて 　A-1-2 Anacondaのパッケージをダウンロードする 　A-1-3 Anacondaをインストールする 　A-1-4 pandas-datareaderおよびPlotlyのインストール A-2 練習問題解答 　A-2-1 Chapter1 練習問題 　A-2-2 Chapter2 練習問題 　A-2-3 Chapter3 練習問題 　A-2-4 Chapter4 練習問題 　A-2-5 Chapter5 練習問題 　A-2-6 Chapter6 練習問題 　A-2-7 Chapter7 練習問題 　A-2-8 Chapter8 練習問題 　A-2-9 Chapter9 練習問題 　A-2-10 Chapter10 練習問題 　A-2-11 Chapter11 総合演習問題 　Column　ダミー変数と多重共線性 A-3 参考文献・参考URL 　A-3-1 参考文献 　A-3-2 参考URL

現象を数理モデルで表現・説明するのに慣れていない人のために、章ごとに異なる例題を解決していく過程を通して、統計モデルの基本となる考えかたを紹介する。前半では、応用範囲のひろい統計モデルのひとつである一般化線形モデルの基礎を、後半では、実際のデータ解析に使えるように、階層ベイズモデル化する方法を、RとWinBUGSの具体例を用いて説明する。 第1章 データを理解するために統計モデルを作る 第2章 確率分布と統計モデルの最尤推定 第3章 一般化線形モデル(GLM)-ポアソン回帰 第4章 GLMのモデル選択-AICとモデルの予測の良さ 第5章 GLMの尤度比検定と検定の非対称性 第6章 GLMの応用範囲をひろげる-ロジスティック回帰など 第7章 一般化線形混合モデル(GLMM)-個体差のモデリング 第8章 マルコフ連鎖モンテカルロ(MCMC)法とベイズ統計モデル 第9章 GLMのベイズモデル化と事後分布の推定 第10章 階層ベイズモデル-GLMMのベイズモデル化 第11章 空間構造のある階層ベイズモデル

達人が教えるビジュアライゼーションの極意!! 達人が教えるビジュアライゼーションの極意!! 本書で言う「データ視覚化」（ビジュアライゼーション）とは、単に手元にあるデータをグラフにすることではありません。いくらデータを視覚化しても、その中から人間が重要な情報を読み取れないのなら、データ視覚化をする意味がないからです。 あくまで、そのデータが指し示す意味を明確にすること、そしてより多くの人たち（オーディエンス）に興味を持って見てももらえることがデータ視覚化の目的です。 本書では、日本人女性唯一のTableau ZEN MASTERである筆者が長年にわたって培ってきたデータ視覚化のノウハウ、ベストプラクティス、アンチパターン等を整理分類してエッセンスを抽出し、具体的な事例をあげながら、できるかぎり丁寧に解説しました。また、セミナーなどの現場でよくされる質問に対する答えをまとめたものでもあるので、ある意味、"FAQ"でもあります。 達人が教えるビジュアライゼーションの極意!! 第1章 データ視覚化「キモのキモ」 この章では、第2章、第3章を理解するために必要な基礎知識を解説しています。もし、あなたがデータ視覚化の基礎概念に精通していらっしゃる方であれば読み飛ばしていただいても結構ですが、第2章、第3章は、ここで解説する視覚属性やデータのタイプの知識が前提となっています。 第２章 これだけでグッとプロっぽくなるコツ この章では、少し気をつけるだけで素人っぽさから抜け出せるポイントに焦点を当てて解説しました。明日からすぐにあなたのデータ視覚化のクオリティを上げる具体的な方法を詰めています。 第3章 目的に応じたチャートの選択 この章では、表現したいものに対して適切なチャートを解説し、さらにいくつかの「やってはいけないこと」としてアンチパターンも記載しています。やってはいけないことの構造や理由を知ることで、グラフの目利き力がさらにアップするはずです。 第4章 事例で学ぶ -ダッシュボード作成思考のキャプション- 実際に私がコンサルティングで作ったダッシュボード、トレーニングやワークショップで使用したケースを題材に説明します。ビジネス領域での使用事例を具体的に丁寧に解説することで、ご自身のビジネスや状況に合わせて適切なデータ視覚化が自分の頭で考えられるようになることを目指しています。 第5章 本当に組織に根付かせるために データ視覚化は、「力の入れどころ」と「勇気を出してあえて力を抜くところ」を知り、さらにオーディエンスを意識すると誰でもご自身が伝えたいメッセージを効果的に届けることができます。この章では、さらにそれらを加速させるコツを書きました。これを知っていれば、あなたのデータ視覚化ライフはさらに楽しくなること間違いなしです。

基礎から、ＳＧＤ、自己符号化器、ＣＮＮ、ＲＮＮ、ボルツマンマシンまでと、盛りだくさん。軽快な語り口で、無理なく理解できる！ いま最も注目されている機械学習手法である深層学習（ディープラーニング）を、トップ研究者が解説した。基礎から、SGD、自己符号化器、CNN、RNN、ボルツマンマシンまでと、盛りだくさん。軽快な語り口なので、無理なく理解できる！ 【機械学習プロフェッショナルシリーズ】 本シリーズでは、発展著しい機械学習技術の数学的な基礎理論、実用的なアルゴリズム、それらの活用法を、全29巻にわたって刊行する。 ビッグデータ時代を牽引している若手・中堅の現役研究者が、入門的な内容から最先端の研究成果までをわかりやすく解説。 これからデータサイエンス分野で研究を始めようとしている大学生・大学院生、および、機械学習技術を基礎科学や産業に応用しようとしている研究者・技術者に向けた注目のシリーズである。 全29巻のうち第1期として、以下の4点を同時刊行！ 『機械学習のための確率と統計』杉山 将･著 『深層学習』岡谷 貴之･著 『オンライン機械学習』海野 裕也／岡野原 大輔／得居 誠也／徳永 拓之･著 『トピックモデル』岩田 具治･著 第2期の刊行は2015年8月、第3期の刊行は2015年12月の予定(＾o＾)/ 【シリーズ編者】 杉山 将　東京大学大学院新領域創成科学研究科 教授 第1章　はじめに 第2章　順伝播型ネットワーク 第3章　確率的勾配降下法 第4章　誤差逆伝播法 第5章　自己符号化器 第6章　畳込みニューラルネット 第7章　再帰型ニューラルネット 第8章　ボルツマンマシン

好評の旧版に加筆・アップデート．データを見る目を磨き，センスある研究を遂行するために。 好評の旧版に加筆・アップデート。データを見る目を磨き，センスある研究を遂行するために。〔内容〕randomness／統計学的推測の意味／研究デザイン／統計解析以前のデータを見る目／平均値の比較／頻度の比較／イベント発生までの時間の比較

ディープラーニングの本格的な入門書。外部のライブラリに頼らずPython 3によってゼロからディープラーニングを作成できる。 実際にシステムを作りながらディープラーニングを学ぶ！ ディープラーニングの本格的な入門書。外部のライブラリに頼らずに、Python 3によってゼロからディープラーニングを作ることで、ディープラーニングの原理を楽しく学びます。ディープラーニングやニューラルネットワークの基礎だけでなく、誤差逆伝播法や畳み込みニューラルネットワークなども実装レベルで理解できます。ハイパーパラメータの決め方や重みの初期値といった実践的なテクニック、Batch NormalizationやDropout、Adamといった最近のトレンド、自動運転や画像生成、強化学習などの応用例、さらには、なぜディープラーニングは優れているのか？ なぜ層を深くすると認識精度がよくなるのか？ といった“Why”に関する問題も取り上げます。

　一般的に調査・観測データには欠測が生じることが多く，適切な欠測データの処理をしなければ，解析結果に偏りが生じることがある。多重代入法は，尤度解析法と並んで最も汎用的な欠測データ解析法であるが，これまでの書籍では理論的な解説が主で，実際の応用事例や具体的な手順の記述が少なかった。そのため，実証分析を行う社会科学者や実務者が多重代入法を実際に活用することにはハードルがあった。 　本書は，ワンポイントとして代入法を中心に解説している。平均値のt検定，重回帰分析，ロジスティック回帰分析，時系列分析，パネルデータ分析といった社会科学において頻繁に使用される分析手法に関して，データに欠測が生じている場合に，多重代入法を用いてどのように欠測データを処理していけばよいかを具体的に示している。 　事例で扱ったデータとRコードが掲載されているので，読者は本書に示された手順を再現しながら，欠測データの解析法を学んでいくことができる。主に，ウェブ上で入手可能な実データで解説しているので，実践的な技能が身につく。本書は，座学として単に読むだけでなく，ぜひコンピュータ上で実際に処理を体験して欲しい。それが，欠測データの解析法を理解し，修得する近道である。 第1章　Rによるデータ解析 1.1　Rへのデータ読み込み 1.2　平均値と標準偏差 1.3　回帰分析 1.4　forループ 第2章　不完全データの統計解析 2.1　無回答とは 2.2　欠測パターン 2.3　欠測メカニズム 2.4　MARデータのシミュレーション 2.5　MARについての注意点 2.6　欠測の処理方法 2.7　代入法の目的 第3章　単一代入法 3.1　データ 3.2　確定的回帰代入法 3.3　比率代入法 3.4　平均値代入法 3.5　ホットデック法 3.6　確率的回帰代入法 第4章　多重代入法の概要 4.1　単一代入法の実態 4.2　ベイズ統計学概論 4.3　多重代入モデルの概要 4.4　多重代入法による代入結果の例 4.5　多重代入法による分析の流れ 4.6　多重代入法による分析結果の統合方法 4.7　多重代入法による分析結果の統合方法の数値例 4.8　多重代入法の諸条件 　　4.8.1　適切な多重代入法 　　4.8.2　適合性 　　4.8.3　多重代済みデータ数M 第5章　多重代入法のアルゴリズム 5.1　データ 5.2　DAアルゴリズムによる多重代入法 5.3　FCSアルゴリズムによる多重代入法 5.4　EMBアルゴリズムによる多重代入法 5.5　アルゴリズム間の長所と短所 5.6　MCMC系アルゴリズムにおける収束判定 5.7　多重代入法の性能比較 第6章　多重代入モデルの診断 6.1　診断の考え方 6.2　データ 6.3　Rパッケージ　Ameliaによる代入の診断 6.4　Rパッケージ　miceによる代入の診断 6.5　Rパッケージ　normによる代入の診断 6.6　対数正規分布データの代入法 第7章　量的データの多重代入法I：平均値のt検定 7.1　多重代入済みデータの平均値と分散の復習 7.2　t検定の概論 　　7.2.1　多重代入済みデータを用いたt検定 　　7.2.2　多重代入済みデータを用いた自由度の算出 7.3　データ 7.4　Rパッケージ　Ameliaによるt検定 7.5　Rパッケージ　miceによるt検定 7.6　Rパッケージ　normによるt検定 第8章　量的データの多重代入法II：重回帰分析 8.1　重回帰分析概論 8.2　データ 8.3　Rパッケージ　Ameliaによる重回帰分析 8.4　回帰診断 　　8.4.1　誤差項の正規性 　　8.4.2　不均一分散 　　8.4.3　多重共線性 　　8.4.4　外れ値 8.5　Rパッケージ　miceによる重回帰分析と診断 8.6　Rパッケージ　normによる重回帰分析と診断 第9章　質的データの多重代入法I：ダミー変数のある重回帰分析 9.1　質的データの代入法に関する議論 9.2　ダミー変数のある重回帰モデル概論 9.3　データ 9.4　Rパッケージ　miceによるダミー変数のある重回帰分析 9.5　Rパッケージ　hot.deckによるダミー変数のある重回帰分析 第10章　質的データの多重代入法II：ロジスティック回帰分析 10.1　ロジスティック回帰分析概論 10.2　データ 10.3　Rパッケージ　miceによるロジスティック回帰分析 10.4　Rパッケージ　hot.deckによるロジスティック回帰分析 10.5　順序変数と多項変数の多重代入法 第11章　時系列データの多重代入法：ARIMAモデル 11.1　時系列分析概論 11.2　データ 11.3　Rパッケージ　Ameliaによる時系列データ分析 　　11.3.1　ARIMAモデルの推定 　　11.3.2　モデルの診断 　　11.3.3　予測 第12章　パネルデータの多重代入法：固定効果と変量効果 12.1　パネルデータ分析概論 　　12.1.1　プール最小二乗法 　　12.1.2　固定効果モデル 　　12.1.3　変量効果モデル 　　12.1.4　不均一分散と系列相関 12.2　データと使用するRパッケージ 12.3　Rパッケージ　Ameliaによるパネルデータ分析 第13章　感度分析：NMARの統計解析 13.1　感度分析 13.2　NMARにおける解析手法 13.3　Rパッケージ　SensMiceとAmeliaによる感度分析 13.4　Rパッケージ　SensMiceとmiceによる感度分析 13.5　Rパッケージ　SensMiceとnormによる感度分析 第14章　事前分布の導入 14.1　Rパッケージ　Ameliaによる事前分布の活用 　　14.1.1　観測値に関する事前分布 　　14.1.2　変数の値に関する事前分布 　　14.1.3　リッジ事前分布 　　14.1.4　複数の事前分布 14.2　Rパッケージ　normによる事前分布の活用 14.3　Rパッケージ　miceによる事前分布の活用 参考文献 索　　引

仕事で機械学習に携わる際に知っておきたい事を伝えるというコンセプトで、機械学習を使った実務に初めて関わる読者のための1冊。 大好評の機械学習実務者向け書籍が最新情報にアップデート！ 2018年に発行された初版から3年ぶりの改訂となる本書は、「仕事で機械学習に携わる際に知っておきたい事」を伝えるというコンセプトはそのままに、3年の間に登場した新たな考え方、手法など最新の情報を踏まえて内容を全面的に見直しました。これまで同様、機械学習を使った実務に初めて関わる読者にとって頼りになる1冊となるでしょう。「バンディットアルゴリズム」を紹介する新章など、追加原稿も多数。 仕事で機械学習に携わる際に知っておきたい事を伝えるというコンセプトで、機械学習を使った実務に初めて関わる読者のための1冊。

『scikit-learnとTensorFlowによる実践機械学習』の改訂。教師なし学習、言語、強化学習などを追加。 『scikit-learnとTensorFlowによる実践機械学習』待望の改訂版！ 初版でカバーできなかった教師なし学習、ディープラーニングに関する画像、言語、強化学習などについて詳述。またTensorFlow上で動くニューラルネットワークライブラリのKerasの解説が加わり、各章でKerasを使った解説がなされています。TensorFlowのコンポーネントに関する記述が追加されています。Githubにjupyter notebookで試せるコードを掲載しており、試しながら学べます。

ビジネスで利用されるデータの多くは、その施策の意思決定を行う人物や組織の目的にそった活動の延長上で作られています。具体的には、DM送付などの広告施策であれば、担当者はユーザの反応率を上げるために、反応しやすいであろうユーザに対してのみDMを発送します。ここで発生したデータでDMの効果を計る場合、単純にDMを受け取っているか否かで結果を比較することは、DMの効果以外にも意図的にリストされたユーザの興味や関心を含んでしまうことになります。 データが生まれるプロセスに人の意思が関わる場合、単純な集計では判断ミスとなる可能性があります。わずかな計算の狂いでも後々のビジネスにおいて大きな影響を及ぼすことになるため、バイアスのない状態で効果検証できることが望まれるのです。 本書では「単純に比較すると間違った結論に導くデータ」から、より正しい結果を導くための分析手法と考え方を提供します。計量経済学における効果とは何か？ を提示し、RCT（ランダム化比較試験）がいかに理想的な方法かを説明し、RCTができない場合でも因果推論を用いてRCTの再現が可能だということを説明していきます。 嘘っぱちの効果とそれを見抜けないデータ分析 思い込みによる意思決定の蔓延 「バイアス」によって見誤る効果 因果推論と計量経済学のビジネス適用 本書の構成 想定する読者 サンプルコードとサポート 1 章 セレクションバイアスとRCT 1.1 セレクションバイアスとは 1.1.1 効果 1.1.2 潜在的な購買量の差 1.1.3 誤った施策の検証 1.2 RCT（Randomized Controlled Trial） 1.2.1 本当の「効果」と理想的な検証方法 1.2.2 RCTによる検証 1.3 効果を測る理想的な方法 1.3.1 母集団と推定 1.3.2 ポテンシャルアウトカムフレームワーク 1.3.3 ポテンシャルアウトカムフレームワークによる介入効果の推定 1.3.4 平均的な効果 1.3.5 平均的な効果の比較とセレクションバイアス 1.3.6 介入の決まり方がセレクションバイアスの有無を決める 1.3.7 RCTを行った疑似データでの比較 1.3.8 有意差検定の概要と限界 1.4 R によるメールマーケティングの効果の検証 1.4.1 RCTを行ったデータの準備 1.4.2 RCTデータの集計と有意差検定 1.4.3 バイアスのあるデータによる効果の検証 1.5 ビジネスにおける因果推論の必要性 1.5.1 RCTの実行にはコストがかかる 1.5.2 セレクションバイアスが起きる理由 1.5.3 ビジネスにおけるバイアスのループ 参考文献 2 章 介入効果を測るための回帰分析 2.1 回帰分析の導入 2.1.1 単回帰分析 2.1.2 効果分析のための回帰分析 2.1.3 回帰分析による効果の推定 2.1.4 回帰分析における有意差検定 2.1.5 Rによるメールマーケティングデータの分析（回帰編） 2.1.6 効果検証のための回帰分析で行わないこと 2.2 回帰分析におけるバイアス 2.2.1 共変量の追加による効果への作用 2.2.2 脱落変数バイアス（OVB） 2.2.3 R によるOVBの確認 2.2.4 OVB が与えてくれる情報 2.2.5 Conditional Independence Assumption 2.2.6 変数の選び方とモデルの評価 2.2.7 Post treatment bias 2.3 回帰分析を利用した探索的な効果検証 2.3.1 PACESによる学費の割引券配布の概要 2.3.2 R による回帰分析の実行 2.3.3 私立学校への通学と割引券の利用についての分析 2.3.4 割引券は留年を減らしているか？ 2.3.5 性別による効果差 2.3.6 分析のまとめ 2.4 回帰分析に関するさまざまな議論 2.4.1 予測と効果推定 2.4.2 制限被説明変数（Limited Dependent Variable） 2.4.3 対数を利用した回帰分析 2.4.4 多重共線性 2.4.5 パラメータの計算 参考文献 3 章 傾向スコアを用いた分析 3.1 傾向スコアのしくみ 3.1.1 傾向スコアのアイデア 3.1.2 傾向スコアの推定 3.2 傾向スコアを利用した効果の推定 3.2.1 傾向スコアマッチング 3.2.2 逆確率重み付き推定 3.2.3 より良い傾向スコアとは 3.2.4 傾向スコアと回帰分析の比較 3.2.5 マッチングとIPW の差 3.3 機械学習を利用したメールマーケティング施策の効果推定 3.3.1 データの作成 3.3.2 RCTと平均の比較 3.3.3 傾向スコアを用いた分析 3.4 LaLonde データセットの分析 3.4.1 NSW の概要とデータの準備 3.4.2 RCTによる結果の確認 3.4.3 回帰分析による効果の推定 3.4.4 傾向スコアによる効果の推定 参考文献 4 章 差分の差分法（DID）とCausalImpact 4.1 DID（差分の差分法） 4.1.1 DID が必要になる状況 4.1.2 集計による効果検証とその欠点 4.1.3 DID のアイデアを用いた集計分析 4.1.4 回帰分析を利用したDID 4.1.5 DID における標準誤差 4.1.6 平行トレンド仮定（Common Trend Assumption）と共変量 4.2 CausalImpact 4.2.1 DID の欠点 4.2.2 CausalImpactのアイデア 4.3 大規模禁煙キャンペーンがもたらすタバコの売上への影響 4.3.1 データの準備 4.3.2 DID の実装 4.3.3 CausalImpactの実装 4.3.4 分析結果の比較 4.4 不完全な実験を補佐する 4.4.1 DID のアイデアを用いた分析が使えないとき 参考文献 5 章 回帰不連続デザイン（RDD） 5.1 ルールが生み出すセレクションバイアス 5.1.1 回帰不連続デザインのしくみ 5.1.2 集計によるセレクションバイアスの確認 5.2 回帰不連続デザイン（RDD） 5.2.1 線形回帰による分析 5.2.2 非線形回帰による分析 5.2.3 メールによる来訪率の増加効果を分析する 5.3 nonparametric RDD 5.3.1 nonparametric RDD のしくみ 5.3.2 R によるnonparametric RDD の実装 5.4 回帰不連続デザインの仮定 5.4.1 Continuity of Conditional Regression Functions 5.4.2 non-manipulation 5.4.3 LATEの妥当性 5.5 ビジネスにおける介入割り当てルール 5.5.1 ユーザセグメントへの介入 5.5.2 Uber による価格変更の分析 参考文献 付録 RとRStudioの基礎 A.1 R およびRStudio のダウンロード Rのインストール Rの起動と終了 RStudio のインストール A.2 RStudio の基本 パネルの役割 プロジェクトと作業ディレクトリ A.3 R プログラミングの初歩 オブジェクト ベクトル 関数 データフレーム 行列 パッケージの利用 ■ 作業（ワーク）スペース 因果推論をビジネスにするために 因果推論を活用できる環境とは より正しい意思決定をするために 高次元の共変量を扱うためのR パッケージ より強い因果効果を得るために 参考文献 索引

基礎的な考え方を丁寧に説明し，時系列モデルを実際のデータに応用する際に必要な知識を紹介 基礎的な考え方を丁寧に説明すると共に，時系列モデルを実際のデータに応用する際に必要な知識を紹介。〔内容〕基礎概念／ARMA過程／予測／VARモデル／単位根過程／見せかけの回帰と共和分／GARCHモデル／状態変化を伴うモデル 1.　時系列分析の基礎概念 1.1　時系列分析の基礎 1.2　定常性 1.3　ホワイトノイズ 1.4　自己相関の検定 2.　ARMA過程 2.1　ARMA過程の性質 2.2　ARMA過程の定常性と反転可能性 2.3　ARMAモデルの推定 2.4　ARMAモデルの選択 3.　予測 3.1　予測の基礎　 3.2　AR過程の予測 3.3　区間予測 3.4　MA過程の予測 3.5　ARMA過程の予測 4.　VARモデル 4.1　弱定常ベクトル過程 4.2　VARモデル 4.3　グレンジャー因果性 4.4　インパルス応答関数 4.5　分散分解 4.6　構造VARモデル 5.　単位根過程 5.1　単位根過程の性質 5.2　単位根検定 5.3　単位根AR過程における統計的推測 6.　見せかけの回帰と共和分 6.1　見せかけの回帰 6.2　共和分 6.3　Granger表現定理 6.4　共和分関係の推定 6.5　共和分の検定 7.　GARCHモデル 7.1　ボラティリティのモデル化の重要性 7.2　GARCHモデル 7.3　GARCHモデルの統計的推測 7.4　多変量GARCHモデル 7.5　相関変動モデル 8.　状態変化を伴うモデル 8.1　閾値モデル 8.2　平滑推移モデル 8.3　マルコフ転換モデル

ウェブサイトのUX改善を題材に、メタヒューリスティクスなど機械学習のアプローチでパラメーターの抽出やモデルの選択などを学ぶ。 「ｂウェブサイトのUX改善」を題材に、現実の問題をモデルに落とし込む過程を詳解！ 「機械学習の手法をどうやって現実の問題に適用するか？」について悩んでいるエンジニアは数多くいると思います。本書はウェブサイトのUX改善を題材に、A/Bテストやメタヒューリスティクス、バンディッドアルゴリズムなど機械学習のアプローチを適用し、パラメーターの抽出やモデルの選択などを学べる書籍です。モデルや数式の表現をPythonのコードやビジュアルなグラフでも表現し、理解の助けとしています。

深層学習の世界的名著、ついに刊行 AI研究の一分野として注目を集める深層学習（ディープラーニング）に関する教科書として世界的な評価を受けている解説書。深層学習の理解に必要な数学、ニューラルネットワークの基礎から、CNN（畳み込みニューラルネットワーク）やRNN（回帰結合型ニューラルネットワーク）などのすでに確立した手法、さらに深層学習の研究まで、深層学習の基礎を理論を含めてしっかり学習したい人に最適な内容になっている。近年の深層学習研究をリードする著名な研究者たちが執筆した入門者必読の書である。 本書は、深層学習に関する数学的バックグラウンドやコンセプトから産業への応用まで、包括的に解説した唯一の書籍です。 第1章 はじめに 第I部 応用数学と機械学習の基礎 第2章 線形代数 第3章 確率と情報理論 第4章 数値計算 第5章 機械学習の基礎 第II部 深層ネットワーク：現代的な実践 第6章 深層順伝播型ネットワーク 第7章 深層学習のための正則化 第8章 深層モデルの訓練のための最適化 第9章 畳み込みネットワーク 第10章 系列モデリング：回帰結合型ニューラルネットワークと再帰型ネットワーク 第11章 実用的な方法論 第12章 アプリケーション 第III部 深層学習の研究 第13章 線形因子モデル 第14章 自己符号化器 第15章 表現学習 第16章 深層学習のための構造化確率モデル 第17章 モンテカルロ法 第18章 分配関数との対峙 第19章 近似推論 第20章 深層生成モデル

大学の数学がこんなに分かる!単位なんて楽に取れる!モーメント母関数?中心極限定理?大丈夫!マセマならスグ分かる。 講義1 離散型確率分布(1変数確率関数)(確率編) 講義2 連続型確率分布(1変数確率密度)(確率編) 講義3 2変数の確率分布(確率編) 講義4 ポアソン分布と正規分布(確率編) 講義5 χ2分布、t分布、F分布(確率編) 講義6 データの整理(記述統計)(統計編) 講義7 推定(統計編) 講義8 検定(統計編)

動植物の個体数推移を、行列と統計推論を使って予測する「個体群行列モデル」を分かりやすく解説。 【線形代数で、希少動物の生存可否を見極める！】 　統計スポットライト・シリーズ第5巻となる本書は、個体群（ある同種の動物もしくは植物の集団）の生息数の推移を「個体群行列モデル」で予測する方法を解説する。このモデルにより、野外調査で得られる個体数データから希少動物の生存の可否などが予測可能になる。 　このモデルで使う数学は線形代数の基礎に限られ、その都度丁寧に説明するため数学が苦手な読者でも挫折しにくい。また、現実的な個体数推移を保証するために仮定する、生態学を基にした統計推論についても適宜解説する。統計ソフトRによる計算結果も一部掲載。 統計スポットライト・シリーズ第5巻。動植物の個体数推移を、行列と統計推論を使って予測する「個体群行列モデル」を丁寧にわかりやすく解説。野外調査の個体数データから希少動物の生存の可否などが予測可能になる。 第1章　シミュレーションで数式を用いる恩恵を知る 第2章　生物集団の野外調査データと生活史の図式化 第3章　個体群行列と3 つの基本統計量 第4章　行列要素の推定法1：統計モデルと最尤法 第5章　環境条件の効果を見る1――感度分析の基礎 第6章　行列要素の推定法2：ベイズ統計とランダムなサンプル 第7章　環境条件の効果を見る2――感度分析の発展（生命表反応解析（LTRE解析））

大好評！デジタル時代の必携リテラシー、G検定の「公式テキスト」の改訂版！ 【本書の特徴】 ・大ベストセラー、ディープラーニング G検定 公式テキストの改訂版。 ・改訂された新シラバスに完全準拠。 ・試験運営団体である「日本ディープラーニング協会」が監修。 ・章末問題を大増量。分かりやすい解説付き。 ・ディープラーニングに関する入門書としても最適。 【対象読者】 ・ G検定を受験しようと思っている人 ・ディープラーニングについて概要を学びたい人 ・ディープラーニングを事業活用しようと思っている人・DX推進を検討している人 【G検定とは】 ・内容：ディープラーニングを事業に活かすための知識を有しているかを検定する ・試験方式：知識問題（多肢選択式）、オンライン実施（自宅受験） ・日程：年3回（詳細は公式サイトにて公表） 【目次】 試験の概要 第1章 人工知能（AI）とは 第2章 人工知能をめぐる動向 第3章 人工知能分野の問題 第4章 機械学習の具体的手法 第5章 ディープラーニングの概要 第6章 ディープラーニングの手法 第7章 ディープラーニングの社会実装に向けて Appendix　事例集 産業への応用 第1章　人工知能（AI）とは 1-1.人工知能（AI）とは 1-2.人工知能研究の歴史 第2章　人工知能をめぐる動向 2-1.探索・推論 2-2.知識表現 2-3.機械学習・深層学習 第3章　人工知能分野の問題 3-1.人工知能分野の問題 第4章　機械学習の具体的手法 4-1.代表的な手法 4-2.モデルの評価 第5章　ディープラーニングの概要 5-1.ニューラルネットワークとディープラーニング 5-2.ディープラーニングのアプローチ 5-3.ディープラーニングを実現するには 5-4.活性化関数 第6章　ディープラーニングの手法 6-1.畳み込みニューラルネットワーク 6-2.深層生成モデル 6-3.画像認識分野での応用 6-4.音声処理と自然言語処理分野 6-5.深層強化学習 6-6.モデルの解釈性の問題とその対応 第7章　ディープラーニングの社会実装に向けて 7-1.AIと社会 7-2.AIプロジェクトを計画する 7-3.データを集める 7-4.データを加工・分析・学習させる 7-5.実装・運用・評価する 7-6.クライシス・マネジメントをする Appendix　事例集 産業への応用 A-1.製造業領域における応用事例 A-2.モビリティ領域における応用事例 A-3.医療領域における応用事例 A-4.介護領域における応用事例 A-5.インフラ領域における応用事例 A-6.サービス・小売・物流領域における応用事例 A-7.農林水産業領域における応用事例 A-8.その他領域における応用事例

コードは理解しやすくなければならない。本書はこの原則を日々のコーディングの様々な場面に当てはめる方法を紹介する。名前の付け方、コメントの書き方など表面上の改善について。コードを動かすための制御フロー、論理式、変数などループとロジックについて。またコードを再構成するための方法。さらにテストの書き方などについて、楽しいイラストと共に説明する。日本語版ではRubyやgroongaのコミッタとしても著名な須藤功平氏による解説を収録。 理解しやすいコード 第1部 表面上の改善(名前に情報を詰め込む 誤解されない名前 美しさ コメントすべきことを知る コメントは正確で簡潔に) 第2部 ループとロジックの単純化(制御フローを読みやすくする 巨大な式を分割する 変数と読みやすさ) 第3部 コードの再構成(無関係の下位問題を抽出する 一度に1つのことを コードに思いを込める 短いコードを書く) 第4部 選抜テーマ(テストと読みやすさ 「分/時間カウンタ」を設計・実装する) 付録 あわせて読みたい

最先端のデータ分析の手法を基礎から応用までざっと学べる１冊！ 【本書の内容】 次代の花形職種である「データサイエンティスト」はどのような知識を身につけているのか？ データサイエンスとは？という基礎から、実際にデータ分析するために必要なパソコンの知識、プログラミングの基礎、機械学習、画像解析まで。 気鋭の若手研究者による、データサイエンス入門の一冊。 【本書の目次】 第１部　データサイエンスの基本●(1)データサイエンスとは？ 第２部　データサイエンスの基礎技術●(2)計算機の仕組み／(3)プログラミングの基礎（１）／(4)プログラミングの基礎（２）／(5)アルゴリズム（１）／(6)アルゴリズム（２）／(7)データベース／(8)最適化の方法 第３部　統計学・機械学習の基礎●(9)機械学習の基本／(10)過学習とモデル選択／(11)回帰問題と住宅価格／(12)アンサンブル学習と住宅価格／(13)分類問題／(14)教師なし学習 第４部　コーパスとネットワークの分析●(15)トピックモデル／(16)ネットワーク分析 第５部　ディープラーニング●(17)ニューラルネットワークの基礎／(18)ディープラーニング／(19)ディープラーニングによる系列データ分析／(20)ディープラーニングによる画像分析 世界最先端の企業が喉から手が出るほど欲しい人材のひとつ、「データサイエンティスト」。この職につく人々が身につけるべき知識とはいったい何なのか。最先端のデータ分析の手法を基礎からざっと学べる１冊！ 第１部　データサイエンスの基本●(1)データサイエンスとは？ 第２部　データサイエンスの基礎技術●(2)計算機の仕組み／(3)プログラミングの基礎（１）／(4)プログラミングの基礎（２）／(5)アルゴリズム（１）／(6)アルゴリズム（２）／(7)データベース／(8)最適化の方法 第３部　統計学・機械学習の基礎●(9)機械学習の基本／(10)過学習とモデル選択／(11)回帰問題と住宅価格／(12)アンサンブル学習と住宅価格／(13)分類問題／(14)教師なし学習 第４部　コーパスとネットワークの分析●(15)トピックモデル／(16)ネットワーク分析 第５部　ディープラーニング●(17)ニューラルネットワークの基礎／(18)ディープラーニング／(19)ディープラーニングによる系列データ分析／(20)ディープラーニングによる画像分析

ＲとＰｙｔｈｏｎ両方学べる。コスパ最強の一冊！「データサイエンスの準備」にページを割いたから、プログラミング経験ゼロで大丈夫 ◆RとPython両方学べる。コスパ最強の一冊！◆ ・コードが理解の試金石！ ・「データサイエンスの準備」にページを割いているから、プログラミング経験ゼロで大丈夫！　 ・自分に合った言語を見つけたい、言語を乗り換えたいという方にもおすすめ！ [サポートサイト] https://github.com/taroyabuki/fromzero [主な内容] 第1部　データサイエンスのための準備 1章　コンピュータとネットワーク 2章　データサイエンスのための環境 3章　RとPython 4章　統計入門 5章　前処理 第2部　機械学習 6章　機械学習の目的・データ・手法 7章　回帰1（単回帰） 8章　回帰2（重回帰） 9章　分類1（多値分類） 10章　分類2（2値分類） 11章　深層学習とAutoML 12章　時系列予測 13章　教師なし学習 付録A　環境構築 第1部　データサイエンスのための準備 1章　コンピュータとネットワーク 1.1　コンピュータの基本操作 1.2　ネットワークのしくみ 2章　データサイエンスのための環境 2.1　実行環境の選択 2.2　クラウド 2.3　Docker 2.4　ターミナルの使い方 2.5　RとPython 2.6　サンプルコードの利用 3章　RとPython 3.1　入門 3.2　関数 3.3　コレクション 3.4　データフレーム 3.5　1次元データの（非）類似度 3.6　Rのパッケージ，Pythonのモジュール 3.7　反復処理 3.8　その他 4章　統計入門 4.1　記述統計 4.2　データの可視化 4.3　乱数 4.4　統計的推測 5章　前処理 5.1　データの読み込み 5.2　データの変換 第2部　機械学習 6章　機械学習の目的・データ・手法 6.1　機械学習の目的（本書の場合） 6.2　機械学習のためのデータ 6.3　機械学習の手法 7章　回帰1（単回帰） 7.1　自動車の停止距離 7.2　データの確認 7.3　回帰分析 7.4　当てはまりの良さの指標 7.5　K最近傍法 7.6　検証 7.7　パラメータチューニング 8章　回帰2（重回帰） 8.1　ブドウの生育条件とワインの価格 8.2　重回帰分析 8.3　標準化 8.4　入力変数の数とモデルの良さ 8.5　変数選択 8.6　補足：正則化 8.7　ニューラルネットワーク 9章　分類1（多値分類） 9.1　アヤメのデータ 9.2　木による分類 9.3　正解率 9.4　複数の木を使う方法 9.5　欠損のあるデータでの学習 9.6　他の分類手法 10章　分類2（2値分類） 10.1　2値分類の性能指標 10.2　トレードオフ 10.3　2値分類の実践 10.4　ロジスティック回帰 11章　深層学習とAutoML 11.1　Kerasによる回帰 11.2　Kerasによる分類 11.3　MNIST：手書き数字の分類 11.4　AutoML 12章　時系列予測 12.1　日時と日時の列 12.2　時系列データの予測 13章　教師なし学習 13.1　主成分分析 13.2　クラスタ分析 付録A　環境構築

こんどはデータ分析に挑戦！「数式一切なし」で理解できちゃう！データ分析のきほんとしくみ Pythonでデータ分析を体験してみよう！ 【データ分析を一緒に体験しよう】 スクレイピングなどで集めた大量のデータ。 どうやって分析してたらよいか、困っていませんか？ 「数式があって難しそう」 「プログラムも大変そう」 と思っている方も多いはず。 本書は、そうした方に向けて、サンプルを元にやさしく データ分析の方法を解説しています。 【Python2年生について】 「Python2年生」は、「Python1年生」を読み終えた方を対象とした入門書です。 ある程度、技術的なことを盛り込み、本書で扱う技術について身に着けてもらいます。 『Python2年生 スクレイピングのしくみ』（ISBN：9784798161914）も刊行されています。 【対象読者】 ・データの分析方法を知りたい初心者 【本書のポイント】 ヤギ博士＆フタバちゃんと一緒に、データ分析の考え方から丁寧に解説。 データを分析する時に必要な前処理の方法や、データの集まりの見方、 データを見やすいグラフにする方法、データの分布の見方、予測の立て方を 解説する書籍です。 【著者プロフィール】 森 巧尚（もり・よしなお） アプリの開発や、技術書や電子工作マガジンなどでの執筆活動。関西学院大学非常勤講師、 関西学院高等部非常勤講師、成安造形大学非常勤講師、プログラミングスクールコプリ講師など、 プログラミングに関する幅広い活動を行っている。 近著に『Python1年生』、『Python2年生 スクレイピングのしくみ』、 『Java1年生』、『動かして学ぶ！Vue.js開発入門』（いずれも翔泳社）、 『楽しく学ぶ アルゴリズムとプログラミングの図鑑』（マイナビ出版）などがある。 第1章　データ分析って何？ LESSON 01　データ分析って何 LESSON 02　データ分析の手順：PPDACサイクル LESSON 03　Jupyter Notebookをインストールしよう LESSON 04　Jupyter Notebookの使い方 第2章　集めたデータは前処理が必要 LESSON 05　表データを読み込もう LESSON 06　データをざっくりと眺める LESSON 07　データのどこを使う？ LESSON 08　データのミスをチェックする 第3章　データの集まりをひとことでいうと？：代表値 LESSON 09　データを平らに均（なら）す LESSON 10　平均値を代表といっていいの？ LESSON 11　平均値が同じなら、同じといっていいの？ 第4章　図で特徴をイメージしよう：グラフ LESSON 12　データのばらつきがわかる LESSON 13　基本的なグラフを作ろう LESSON 14　ばらつきのわかるグラフ LESSON 15　グラフをわかりやすく調整する 第5章　これって普通なこと？珍しいこと？：正規分布 LESSON 16　データのばらつきを数値で表す LESSON 17　自然なばらつき LESSON 18　この値は普通なこと？珍しいこと？ LESSON 19　このデータは自然なばらつき？ LESSON 20　違うばらつきのデータでの比較ができる 第6章　関係から予測しよう：回帰分析 LESSON 21　2種類のデータの関係性の強さ：相関係数 LESSON 22　散布図の上に線を引いて予測 LESSON 23　総当たりで表示させる散布図 LESSON 24　アヤメのデータを見てみよう

急速に広がるディープラーニング活用の今と未来がわかる！国内の事例を体系的に取り上げ先駆者が解説 AIは研究から実用フェーズへ―― 急速に広がるディープラーニング活用の今と未来がわかる！ 国内35社の事例を体系的に取り上げ、先駆者が苦労したポイントを解説 ＜日本ディープラーニング協会監修＞ 活用を検討する企業でよく生じる疑問にも答えます。 次世代の新規事業や業務改善の企画に欠かせない1冊！ インターネットに遅れること20年、ディープラーニングは、 「汎用目的技術」の1つとして、あらゆる産業を変えていくとみられています。 汎用目的技術とは、古くは動物の家畜化、車輪、印刷の発明から、鉄道、電気、 自動車、インターネットまで「原理は単純で汎用的でさまざまなことに利用できる」 技術のことをいいます。 本書は、ディープラーニングが与えるインパクトを事例を基に解説します。 第1章では、東京大学大学院工学系研究科 特任准教授の松尾豊氏が描く「ディープラーニングをベースにしたAIの技術的発展」（ロードマップ）を解説。 第2～5章ではこのロードマップを基に国内の先進事例を分類して紹介していきます。 カツ丼の盛り付けを判定、泳ぐマグロの数を数える、クリーニング衣類を判別、文章の校閲、河川の護岸の傷判定、送電線の異常検知、道路下の空洞を探る、タクシーの乗客数予測、テレビCMの効果を予測、お弁当の盛り付け、重機で自動掘削、白黒映像の色付け、仮想アイドル画像の生成、プロ並みアナウンサー、人の話し方をまねる……続々登場する、こうしたディープラーニングの驚異の活用法が分かります。 第1章　ディープラーニングの発展予測 第2章　[Step1] 人の「眼」となり単純作業から解放する 第3章　[Step2] 「五感」を担い行動予測や異常検知を実現 第4章　[Step3] 現実社会に柔軟に対応 「ロボット」「自動運転」の時代 第5章　「創作」業務へも広がる活用範囲 第6章　ビジネス活用Ｑ＆Ａ 　　　　──向く分野/向かない分野、データ、人材、投資などの悩みに回答

『数学大百科事典』に続くシリーズ第2弾。実務や試験で統計分析を行う人のためにその手法から理論まで網羅的に解説する。 実は身近な統計学の理論が効率的に学べる 【本書の特徴】 ●さまざまな分野で登場する可能性の高い統計学の公式・定理を解説しています ●統計学を必要としている人が効率的に・要領よく学ぶことができます ●充実した索引を活用し、リファレンスとしても利用できます ●各項目に「難易度」「実用」「試験」それぞれの重要性を星5段階で示しています ●「Business」という項目で、その統計学の知識を利用した身近な例を紹介しています ●項目ごとに想定される読者の統計学のレベル・数式リテラシーに 　合わせて記述しているので、学習時間と内容にムダがありません。 現代において統計学の知識は、 あらゆる分野で必要不可欠なものになっています。 最近では理系・文系の垣根も崩れ、 「経営学」や「経済学」、「医学」など、さまざまな分野で 統計学の素養が求められています。 しかし統計手法を普段実務で使っている方でも、 どの手法を選んだらよいか迷ったり、 場面が異なると手順がわからなかったりと、 応用が利かないものになっているのではないでしょうか。 そして、いざ学ぼうと思っても、 統計学の参考書は厳密に解説し過ぎていて学習に時間がかかってしまったり、 個別の例に沿いすぎていて応用が利かなかったりします。 そのため本書では、統計学の知識を効率的に学びたい人のために、 重要な公式・定理などに絞って、その手法の理論や特徴を解説しています。 巻末にAppendixとして付けている統計学の数値表もご参照ください。 【こんな方におすすめ】 ・実務や試験で統計分析を行う方。 ・統計検定の受験を考えている方。 ・高校や大学で学んだ数学の知識を活用したいと考えている方。 （各節ごとのレベル感は、★で示しています） ＜本書の構成＞ Chapter 01 記述統計 Chapter 02 相関関係 Chapter 03 確率 Chapter 04 確率分布 Chapter 05 推定 Chapter 06 検定 Chapter 07 ノンパラメトリック検定 Chapter 08 回帰分析 Chapter 09 分散分析と多重比較法 Chapter 10 多変量解析 Chapter 11 ベイズ統計 Appendix Chapter 01　記述統計 Introduction 01　データの尺度 02　度数分布表とヒストグラム 03　パレート図 04　添え字とシグマ記号 05　平均・分散・標準偏差 06　度数分布表と平均・分散 07　代表値 08　変量の標準化 09　歪度・尖度 10　四分位数・箱ひげ図 11　クロス表 12　円グラフ・帯グラフ・折れ線グラフ 13　散布図 14　ローレンツ曲線 15　Q-Qプロット Column｜幹葉図からデータの代表値を読み取る Chapter 02　相関関係 Introduction 01　ピアソンの相関係数 02　スピアマンの順位相関係数 03　ケンドールの順位相関係数 04　クラメールの連関係数 05　相関係数の推定・検定 06　自己相関係数 Column｜疑わしい相関はいくらでもある Chapter 03　確率 Introduction 01　事象と確率 02　包含と排除の原理 03　離散型確率変数 04　連続型確率変数 05　累積分布関数 06　期待値・分散 07　事象の独立・確率変数の独立 08　確率変数の和・積 09　2次元の確率変数（離散型） 10　2次元の確率変数（連続型） 11　期待値・分散の公式 12　大数の法則・中心極限定理 13　チェビシェフの不等式 Column｜クラスの中に誕生日が同じ2人がいる確率を求める Chapter 04　確率分布 Introduction 01　ベルヌーイ分布・二項分布 02　幾何分布・負の二項分布 03　ポアソン分布 04　超幾何分布 05　一様分布・指数分布 06　正規分布 07　c2分布・t分布・F分布（概説） 08　c2分布・t分布・F分布（詳説） 09　ワイブル分布・パレート分布・対数正規分布 10　多項分布 11　多次元正規分布 Column｜確率分布の値をソフトで求める Chapter 05　推定 Introduction 01　復元抽出・非復元抽出 02　標本の抽出法 03　最尤法 04　区間推定の仕組み 05　正規母集団の母平均の区間推定 06　母比率の区間推定 07　推定量の評価基準 08　不偏推定量 Column｜紛らわしい標準偏差と標準誤差の違い Chapter 06　検定 Introduction 01　検定の原理と手順 02　検定統計量 03　検定の誤り 04　正規母集団の母平均の検定 05　正規母集団の母分散の検定 06　母平均の差の検定（1） 07　母平均の差の検定（2） 08　母比率の差の検定 09　等分散検定 Column｜医療現場で行われる検定 Chapter 07　ノンパラメトリック検定 Introduction 01　適合度検定 02　独立性の検定（2×2のクロス集計表） 03　独立性の検定（k×lのクロス集計表） 04　フィッシャーの正確確率検定 05　マクネマー検定 06　コクランのQ検定 07　マン―ホイットニーのU検定 08　符号検定 09　ウィルコクソンの符号付き順位検定 10　クラスカル―ウォリス検定 11　フリードマン検定 Column｜統計学　紛らわしい用語集 Chapter 08　回帰分析 Introduction 01　単回帰分析 02　重回帰分析 03　重相関係数・偏相関係数 04　多重共線性（マルチコ） 05　単回帰分析での区間推定 06　ロジスティック回帰分析・プロビット回帰分析 07　一般線形モデルと一般化線形モデル（GLM） Column｜ワインの値段を重回帰分析する Chapter 09　分散分析と多群比較法 Introduction 01　分散分析（概説） 02　一元配置の分散分析 03　二元配置の分散分析（繰り返しなし） 04　二元配置の分散分析（繰り返しあり） 05　フィッシャーの3原則 06　直交配列表 07　ボンフェローニ法・ホルム法 08　シェフェ法 09　テューキー―クレーマー法 Column｜現代の推測統計学の祖・フィッシャー Chapter 10　多変量解析 Introduction 01　主成分分析（概説） 02　主成分分析（詳説） 03　判別分析（概説） 04　判別分析（詳説） 05　マハラノビス距離 06　数量化Ⅰ類・Ⅱ類 07　数量化Ⅲ類・コレスポンデンス分析 08　因子分析 09　共分散構造分析 10　階層的クラスター分析 11　多次元尺度構成法（MDS） Column｜ポジショニングマップを作るには Chapter 11　ベイズ統計 Introduction 01　条件付き確率 02　ナイーブベイズ分類 03　ベイズの定理 04　ベイズ更新（離散版） 05　モンティ・ホール問題 06　ベイズ更新（連続版） 07　共役事前分布 08　カルバック―ライブラー情報量 09　AIC（赤池情報量規準） 10　モンテカルロ積分 11　ギブスサンプリング 12　メトロポリス―ヘイスティングス法 13　ベイジアンネットワーク Column｜機械翻訳の仕組み Appendix 1　標準正規分布表（上側確率） 2　t分布表（上側2.5％点、5％点） 3　x2分布表（上側97.5％点、5％点、25％点） 4　F分布表（上側5％点） 5　F分布表（上側2.5％点） 6　マン―ホイットニーのU検定表（片側確率2.5％点） 7　ウィルコクソンの符号付き順位検定表（片側2.5％点、5％点） 8　フリードマン検定表（片側5％点） 9　クラスカル―ウォリス検定表（片側5％点） 10　スチューデント化された範囲の分布の表（上側5％点）

ディープラーニング活用なくしてビジネスの飛躍的成長なし ◆日本ディープラーニング協会推薦図書◆ 日本ディープラーニング協会　監修 ディープラーニングをビジネスに生かす知識を問われる 同協会のG検定(ジェネラリスト)　推薦図書 松尾豊・同協会理事長による「ディープラーニング技術年表」収録 ディープラーニングは確かに実際のビジネスに溶け込み、商品やサービスでの活用が始まっています。 それによって業績を向上させた企業もあれば、社会課題の解決に結びつけている会社も実在します。 その最先端の実践的な事例を紹介しました。本書に「実践編」と付したのはこうした理由からです。 本書の最大の特徴の1つが、「ディープラーニングビジネス活用アワード」の受賞6プロジェクト全てを子細なケーススタディで紹介していることです。 日本ディープラーニング協会と一緒に、2019年春から準備を進めてきたものです。 エントリーはやや大手企業に偏重したきらいはありましたが、まさに腕自慢の実力派ぞろいでした。 大賞のキユーピーの食品加工で原料を検査する「AI食品原料検査装置」に始まって、楽天の自動翻訳プロジェクトである「Rakuten Translate」、 荏原環境プラントが進める「ごみ焼却プラント運転自動化プロジェクト」、水処理など流体向けAI分析のAnyTechの「水質判定AI『DeepLiquid』」、 保育園向けITサービスのユニファの「写真自動判定システムによる保育士の業務負荷軽減」、パッケージデザインのプラグの「パッケージデザインの好意度スコアを予測するAIサービス」の6事例を本書にまとめました。 できるだけ載せないようにしたケースもあります。 ディープラーニングといえば画像認識とばかりに、熟練工の目の代替として活用する事例は少なくない。 ただその点だけを極めても、効果の最大値は当該人件費の削減分にしかなりません。 結果として幼稚園児の笑顔が増える、あるいは静脈産業の支えになる、 といった大きな社会的意義をディープラーニングには持たせたい。そんな思いで作りました。 受賞6事例を含めた計26事例を、本書ではディープラーニング活用の効果で4つに分けました。 まず「商品開発・業界構造を変える」。 次が「消費者のデマンドに応える」。 そして「働き方を改革する」。 最後が「不正・異常を検知、社会課題を解決する」。 また資料的価値が高い、日本ディープラーニング協会理事長の松尾豊氏がまとめた「ディープラーニング技術年表」そして「インターネットでいうと1998年」も収録。 全編にわたって同協会の理事が一文字ずつ、とりわけ技術的な側面からアドバイスしてくれた貴重な書である。ぜひご覧になっていただきたい。 ディープラーニング活用なくしてビジネスの飛躍的成長なし ◆日本ディープラーニング協会推薦図書◆ はじめに 【第1章】　ディープラーニングで付加価値高め　こうして稼ぐ 　　　　　 ―日本ディープラーニング協会 松尾豊理事長に聞く― 【第2章】　商品開発・業界構造を変える 　●キューピー 　　食品原料の異物を画像認識で検査　食の安全守るため装置は同業に外販も 　●プラグ 　　パッケージデザインの消費者調査をAIで代替　商品開発のやり方 ガラリ変わる可能性 　●AnyTech 　　水処理施設からチョコレートまで　「流体」の品質・状態を簡単チェック 　●NTTドコモ 　　店頭の商品を自動で認識　来店客の属性把握しPOSデータと連動で棚割り提案へ 　●フジクラ 　　半導体部品をディープラーニングで検査　AIプラットフォーム構築し全社のIoT基盤に 　●日本たばこ産業 　　コンビニのたばこ陳列を精度99％で認識　1013人超参加のコンテストで実現 　●トレタ 　　飲食店で売れ筋メニューが分析可能に　ディープラーニングによるラベリング技術とは 　●Sports Technology Lab 　　スポーツ選手の動きをディープラーニングで分析　チーム強化から選手移籍まで 　●ソフトバンク 　　5G×ディープラーニング　高品質画像でもリアルタイムぼかし加工 【第3章】　消費者のデマンドに応える 　●楽天 　　ストレスなく外国語を話したい　海外動画配信サービスで培った翻訳技術を活用 　●ヤフー 　　安いガソリン、空いてる駐車場を近くで探したい　ディープラーニングとドラレコで 　●SMBC日興証券 　　株式ポートフォリオの組み替え方を知りたい　資産総額13倍になるカラクリ 【第4章】　働き方を改革する 　●荏原環境プラント 　　ごみ焼却施設で「熟練運転員の目」を代替　5倍の効率化を実現 静脈産業を途絶えさせない 　●ユニファ 　　子供の「NG写真」をディープラーニングで自動排除　保育園の課題解決を支援 　●NTTデータジェトロニクス 　　社食食堂のレジで自動精算　人件費の削減、そして社員の満足度を高めて社内活性化へ 　●モノフル 　　トラックの人手不足問題に一石　ナンバーをAIで読み取り効率化 　●三菱総合研究所 　　財務諸表の数字を読み取り自動でリポート作成　シンクタンクの“夢”に一歩近づく 　●ディー・エヌ・エー（DeNA） 　　交通事故の削減支援をサービス化　AIとデータサイエンスのタッグで 　●イシダ 　　ディープラーニングでパスタをつかむ　AIと機械の“せめぎ合い”から生まれた新技術 　●AVILEN 　　鉄加工の図面を自動で読み解く　各種フォーマットの図面に対応 【第5章】　不正・異常を検知、社会課題を解決する 　●リコー 　　カメラ＋AIで路面の老朽化診断　事務機器からの多角化で数千万円の受注 　●日本気象協会 　　降雨予測のメッシュと時間を詳細化　スパコンを使わず実現、ダム管理などに活用 　●日本取引所自主規制法人 　　株の不正取引“見せ玉”に待った　証券取引所の不正検知にAI導入世界初 　●misosil 　　SNS広告でインフルエンサーの不正を暴く　フォロワー水増しをAIで発見 　●トプコン 　　眼底画像から健康状態を読み解く　デバイスのデータを加工する「センシングAI」とは？ 　●Ollo 　　月額3万円で顔認証システムが導入可能　エッジデバイスでの高速・高精度化を実現 【第6章】　先端技術の動向を知る おわりに

フリーソフトjs-STAR_XRが拡張され，ベイズ仮説検定にも新たに対応。データ分析から結果の書き方まで懇切にガイド。 「できる」から「わかる」へと読者の理解を体験的に導く，好評〈全自動〉シリーズ第2弾！　フリーソフトjs-STAR_XRが拡張され，帰無仮説検定の代替案として近年関心が高まるベイズ仮説検定に新たに対応。巻末には半期や全7回の授業用シラバスを収載。データ分析からレポートの書き方まで，前著同様懇切にガイドする。 はじめに1：ベイズファクタと統計分析の学習法 はじめに2：シミュレーションによる主体的で深い学び Chapter0　事前準備 　0.1　フリーウェア及び関連ファイルの準備 　0.2　R画面の設定 Chapter1　1×2表のベイズファクタ分析 　【演習1a】　みんなが好きなもの 　1.1　データ入力・分析 　1.2　『結果の書き方』 　　　レポート例01-1 　1.3　統計的概念・手法の解説1 　　　●ベイズファクタとは何か　●確率分布の尺度設定　●95％確信区間推定　●真の比率の範囲検定 　【演習1b】　統計的仮説検定のシミュレーション 　1.4　シミュレーションの操作手順 　　　●シミュレーションの基本操作　●シミュレーションの応用操作 　1.5　統計的概念・手法の解説2 　　　●ベイズファクタ分析のメリット　●二項検定のp値とBF値の比較 Chapter2　1×2表・母比率不等のベイズファクタ分析 　【演習2a】　鶏肉は低温調理がおいしい 　2.1　シミュレーションの操作手順 　2.2　統計的概念・手法の解説1 　　　●p値とBF値の検定の仕組み 　【演習2b】　新型ウイルスは従来型よりも危険か 　2.3　データ入力・分析 　2.4　『結果の書き方』 　　　レポート例02-1 　2.5　統計的概念・手法の解説2 　　　●ベイズファクタの事前設定問題 Chapter3　1×Ｊ表のベイズファクタ分析と対応のある度数の検定 　【演習3a】　お昼に食べたいメニューは何か 　3.1　データ入力・分析 　3.2　『結果の書き方』 　　　レポート例03-1 　3.3　統計的概念・手法の解説1 　　　●多項分布によるBF値の計算　●確信区間を用いた多重比較 　3.4　自動評価判定1×2：統計的グレード付与 　【演習3b】　道徳性に評価グレードを与える 　3.5　純肯定率とグレードの付け方 　3.6　自動集計検定2×2：連関の探索 　【演習3c】　道徳性の項目間の関連を探索する 　3.7　対応のある度数の検定：Ｑ検定とMcNemar検定 　【演習3d】　不支持の理由は集計するとダメ？ 　　　レポート例03-2 　3.7　統計的概念・手法の解説2 　　　●CochranのQ検定　●McNemar検定 Chapter4　ｉ×Ｊ表のベイズファクタ分析 　【演習4a】　感受性が低い人は感情知能が働かない？ 　4.1　データ入力・分析 　4.2　『結果の書き方』 　4.3　標本タイプの選択 　　　●ポアソンタイプ：N ＝無作為，行・列＝無作為　●同時多項タイプ：N ＝固定，行・列＝無作為　●独立多項タイプ：行＝固定，列＝無作為　●独立多項タイプの列組み：行＝無作為，列＝固定　●超幾何タイプ：行・列＝固定（2×2表のみ） 　　　レポート例04-1 　4.4　統計的概念・手法の解説1 　　　●ｉ×Ｊ表の事前確率分布 　4.5　データセットraceDollsの分析：BF値の警報は誤報か 　【演習4b】　黒人・白人の子どもは同人種の人形を好むか 　　　レポート例04-2 　4.6　統計的概念・手法の解説2 　　　●Fisherの正確検定とBF値の検定　●2×2表のp値とBF値の比較 　4.7　ステレオタイプ効果と学習意欲 　【演習4c】　ステレオタイプ効果で学習時間を延ばす 　　　レポート例04-3 Chapter5　t検定のベイズファクタ分析 　【演習5a】　トレーニング法は分散法がよいか集中法がよいか 　5.1　データ入力・分析 　5.2　『結果の書き方』 　5.3　統計的概念・手法の解説1 　　　●t値と効果量δ（delta）　●t検定のベイズファクタ分析の仕組み　●p値とBF値の検定結果の不一致　●BF値を用いたノンパラメトリック検定　●t検定のp値とBF値の比較 　5.4　シミュレーション学習①：正規分布をつくる 　【課題1〉正規分布をつくる 　5.5　シミュレーション学習②：データを再現する 　【課題2〉データを再現する 　5.6　時間データの対数変換による分析 　【演習5b】　トレーニングは伸び盛りに！ 　　　レポート例05-1 　5.7　統計的概念・手法の解説2 　　　●効果量δの範囲検定 Chapter6　1要因分散分析デザインのベイズファクタ分析 　【演習6a】　SD法で創造性を高める 　6.1　データ入力・分析 　6.2　『結果の書き方』 　　　レポート例06-1 　6.3　統計的概念・手法の解説1 　　　●多重比較の早見表の利用　●ベイズファクタ分析の仕組み：分散分析デザイン　●平均の95％確信区間　●分散分析Ａ sデザインのp値とBF値の比較 　6.4　小学校英語指導に必要な技能は何か 　【演習6b】　英語指導にどんな技能が必要か 　6.5　『結果の書き方』 　　　レポート例06-2 　6.6　統計的概念・手法の解説2 　　　●参加者内デザインのベイズファクタ分析 Chapter7　2要因・3要因分散分析デザインのベイズファクタ分析 　【演習7a】　協同経験はルール意識を高めるか 　7.1　データ入力・分析 　7.2　『結果の書き方』 　　　レポート例07-1 　7.3　統計的概念・手法の解説1 　　　●Inclusion BF：BF値のモデル平均化　●全体モデル平均化 　7.4　アイディア・プロダクション法 　【演習7b】　アイディアの発想に“ 書き送り法”を用いる 　7.5　『結果の書き方』　3要因デザイン 　　　レポート例07-2 　7.6　統計的概念・手法の解説2 　　　●3要因デザインのBF値の平均化 　7.7　シミュレーション学習①：2要因データを再現する 　【課題1】　データの再現 　7.8　シミュレーション学習②：交互作用を判別する 　【課題2】　交互作用の判別 　　　●シミュレーションによる交互作用問題の解答要領 　7.9　シミュレーション学習③：N，SDを変えてみる 　【課題3】　N，SDを変える Chapter8　相関係数のベイズファクタ分析 　【演習8a】　気温とアイスクリーム，ホットコーヒーの売り上げは相関するか 　8.1　データ入力・分析 　8.2　『結果の書き方』 　8.3　統計的概念・手法の解説1 　　　●p値有意・BF値有効となる最小相関係数の比較　●相関係数の差の検定 　8.4　相関係数のシミュレーション学習 　【演習8b】　シミュレーション課題①：散布図をつくる 　【演習8c】　シミュレーション課題②：相関係数を予想する 　　　●散布図問題の解答例 　【演習8d】　シミュレーション課題③：外れ値のある散布図をつくる 　8.5　統計的概念・手法の解説2 　　　●相関係数と説明率 Chapter9　回帰モデルのベイズファクタ分析 　【演習9a】　革新性を高める職場風土とは？ 　9.1　データ入力・分析 　9.2　『結果の書き方』 　9.3　統計的概念・手法の解説1 　　　●初期モデルの選び方と独立変数の上限数　●交互作用モデルの探索：ベイズ ファクタ回帰分析　●BF値による回帰モデルの選出率 　9.4　交互作用の単純傾斜分析 　【演習9b】　明るさ×温かさの交互作用を分析する 　9.5　『結果の書き方』　ステップワイズ回帰分析 　　　レポート例09-1：単純傾斜分析の結果 　9.6　統計的概念・手法の解説2 　　　●交互作用モデルの探索：ステップワイズ回帰分析　●ベイズ情報量規準とベイズファクタ Chapter10　各種ユーティリティ 　10.1　乱数発生ユーティリティ＆乱数コマンド 　　　●一様乱数コマンド unif（ユニフ）　●正規乱数コマンド norm（ノゥム） 　10.2　階級化集計ユーティリティ 　10.3　数値変換ユーティリティ 　【練習問題1】　困難度の異なるテスト得点を標準化する 　【練習問題2】　2ポイント尺度を4ポイント尺度に変換 　【練習問題3】　3ポイント尺度を5ポイント尺度に変換 　10.4　逆転項目処理ユーティリティ 　10.5　欠損値処理ユーティリティ 付録　統計分析の授業用シラバス（参考例） 　　　シラバス参考例1　統計分析入門 　　　シラバス参考例2　統計分析演習 索引 Column 1　セルへの数値入力の基本と小技 Column 2　分析結果の保存 Column 3　ダイアグラムで連関・相関を視覚的に表示 Column 4　スタック形式によるデータ入力 Column 5　平均のグラフとボックスプロットの利用 Column 6　シミュレーションボタンの使い方

最新のライブラリに対応！機械学習の基本を数式とプログラムを紐づけてしっかり学べる！ Pythonプログラムを動かしながら機械学習の基礎をしっかり学べる！ 【本書の目的】 人工知能関連サービスや商品開発において 機械学習の基礎知識が必要となります。 本書では数式とPythonプログラムをつなげて 機械学習の基礎をしっかり学ぶことができます。 【本書の特徴】 本書は、機械学習の原理を数式でしっかり理解し、 Pythonプログラムによってその理解を深めていくことができる書籍です。 ・数式とコードを連携して解説 ・学習内容を「要点整理」で復習 ・TensorFlow 2.7に対応 ・Python 3.9に対応 【読者が得られること】 機械学習のしくみとPythonプログラムを つなげて理解できます。 【対象読者】 機械学習の基礎を数学的な原理からプログラム実装までしっかり学びたい理工学生・エンジニア 【目次】 第 1 章　機械学習の準備 第 2 章　Pythonの基本 第 3 章　グラフの描画 第 4 章　機械学習に必要な数学の基本 第 5 章　教師あり学習：回帰 第 6 章　教師あり学習：分類 第 7 章　ニューラルネットワーク・ディープラーニング 第 8 章　ニューラルネットワーク・ディープラーニングの応用（手書き数字の認識） 第 9 章　教師なし学習 第10章　要点のまとめ 第1章　機械学習の準備 第2章　Pythonの基本 第3章　グラフの描画 第4章　機械学習に必要な数学の基本 第5章　教師あり学習：回帰 第6章　教師あり学習：分類 第7章　ニューラルネットワーク・ディープラーニング 第8章　ニューラルネットワーク・ディープラーニングの応用（手書き数字の認識） 第9章　教師なし学習 第10章　要点のまとめ

「統計を使わずに、Rを純粋にプログラミング言語として学ぼう」というコンセプトに基づいて書かれた本書は、統計学の難しい知識がなくてもプログラミングの経験があまりなくても、プログラミングを学んでみようという意欲さえあれば読める、画期的な書籍です。サイコロを作る、ゲームで遊べるトランプを作る、スロットマシンを作る、という3つの簡単なプロジェクトに取り組む過程で、Rのプログラミング統合環境、RStudioを活用して、楽しみながら効率的にRのプログラミングスキルを身に付けていきます。統計だけに使うのはもったいない、Rのプログラミング言語としての隠れた魅力と可能性と、さらにはデータサイエンスの基礎としてのデータ分析を紹介します。 1部 プロジェクト1:ウェイトをかけたサイコロ(基本中の基本 パッケージとヘルプページ) 2部 プロジェクト2:トランプ(Rのオブジェクト Rの記法 値の書き換え 環境) 3部 プロジェクト3:スロットマシン(プログラム S3 ループ スピード) 付録

Python業界の第一線で活躍する執筆陣によるデータ分析エンジニアに求められる技術が最速で身に付く入門書 データ分析エンジニアに求められる技術の基礎が最短で身に付く ビッグデータの時代といわれ始めて数年が経過しました。 デバイスの進化により多くの情報がデジタル化され、 それらのデータを活用しようとデータ分析エンジニアに注目が集まっています。 この書籍では、データ分析において、 デファクトスタンダードになりつつあるプログラミング言語Pythonを活用し、 データ分析エンジニアになるための基礎を身に付けることができます。 書籍ではデータ分析エンジニアになるために必須となる技術を身につけていきます。 ・データの入手や加工などのハンドリング ・データの可視化 ・プログラミング ・基礎的な数学の知識 ・機械学習の流れや実行方法 本書で学べること ・Pythonの基本的な文法 ・データフォーマットについて ・データの前処理技術 ・データの可視化技術 ・既存アルゴリズムでの機械学習の実装 対象読者 データ分析エンジニアを目指す方 目次（抜粋） 第1章 データ分析とは 第2章 Pythonと環境 第3章 数学の基礎 第4章 ツールの基礎 第5章 応用：データ収集と加工 はじめに 謝辞 本書の対象読者と構成について Chapter1　データ分析エンジニアの役割 1.1　データ分析の世界 1.2　機械学習の位置づけと流れ 1.3　データ分析に使う主なパッケージ Chapter2　Pythonと環境 2.1　実行環境構築 2.2　Pythonの基礎 2.3　Jupyter Notebook Chapter3　数学の基礎 3.1　数式を読むための基礎知識 3.2　線形代数 3.3　基礎解析 3.4　確率と統計 Chapter4　ライブラリによる分析の実践 4.1　NumPy 4.2　pandas 4.3　Matplotlib 4.4　scikit-learn Chapter5　応用：データ収集と加工 5.1　スクレイピング 5.2　自然言語の処理 5.3　画像データの処理 INDEX 奥付

第1部 基礎編(Rと統計学 1つの変数の記述統計 2つの変数の記述統計 母集団と標本 統計的仮説検定 ほか) 第2部 応用編(ベクトル・行列の基礎 データフレーム 外れ値が相関係数に及ぼす影響 統計解析で分かること・分からないこと 二項検定 ほか) 付録

さまざまな業界で導入が進められているAIについて、どのような分野で活用されているのかが鳥瞰図で一目でわかる AIの導入事例が一目でわかる！ 金融、流通、製造、インフラなど全8業界36業種のAIの導入について、どのような分野で活用されているのか、 どのような事項との親和性が高いかといったことについて鳥瞰図で解説。豊富な実例も掲載しており、ビジネスのアイデア創出にも応用できます。 また、「こんな応用可能性があります」にとどめず、実際に実装したりトライアルをするときのノウハウも掲載しています。 本書掲載の鳥瞰図はご購入者特典としてDLして活用できます。 【本書に掲載されている業種】 〈流通〉 コンビニ・スーパーマーケット 百貨店業 郵便・運送業 〈製造〉 自動車製造業 食品・飲料製造業 化粧品・日用品製造業 金属製造業・化学工業 重工業 建設業 繊維工業（アパレル） 電機製造業 〈金融〉 銀行業 保険業 証券業 〈サービス〉 ホテル業 旅行代理業 外食業 テーマパーク 放送局 〈インフラ〉 通信業 鉄道業 航空業 空港 道路・交通インフラ管理業 エネルギー業（ガス・電気） 石油および天然ガス生産・販売業 〈公共〉 学校・学習塾 警察・警備 消防・防災 〈ヘルスケア〉 病院 介護サービス業 製薬業 〈その他〉 農業 水産業 スタジアム・（プロ／アマ）スポーツ ゲーム業 Chapter 1　流通 　コンビニ・スーパーマーケット 　百貨店業 　郵便・運送業 　詳細解説：商品需要予測に基づく在庫管理 Chapter 2　製造 　自動車製造業 　食品・飲料製造業 　化粧品・日用品製造業 　金属製造業・化学工業 　重工業 　建設業 　繊維工業（アパレル） 　電機製造業 　詳細解説：査定自動化・見積り自動化 Chapter 3　金融 　銀行業 　保険業 　証券業 　詳細解説：不正検知 Chapter 4　サービス 　ホテル業 　旅行代理業 　外食業 　テーマパーク 　放送局 　詳細解説：キャンペーン企画・価格設定 Chapter 5　インフラ 　通信業 　鉄道業 　航空業 　空港 　道路・交通インフラ管理業 　エネルギー業（ガス・電気） 　石油および天然ガス生産・販売業 　詳細解説：劣化予測・メンテナンス計画作成 Chapter 6　公共 　学校・学習塾 　警察・警備 　消防・防災 　詳細解説：画像データによる異常検知・品質評価 Chapter 7　ヘルスケア 　病院 　介護サービス業 　製薬業 　詳細解説：センサーデータによる異常検知 Chapter 8　その他 　農業 　水産業 　スタジアム・（プロ／アマ）スポーツ 　ゲーム業 　詳細解説：見込み顧客分析・離反分析

測度論に真正面から取り組み、確率論を深く理解することができます。 「測度論に真正面から取り組み、確率論を最大限理解する」 本書は、測度論に基づいた確率論を、深く、深く理解するための本です。 ・ルベーグ積分を用いて分布や期待値の計算ができる。 ・フビニの定理やディンキン族定理を証明の中で正しく使える。 これらができるようになって初めて、測度論に基づく確率論を深く理解できたといえます。そしてそのためには、具体的な計算に取り組み、定理の証明の1行1行を理解していく必要があります。 本書では、他書では割愛されがちな測度論の議論の細部に切り込みながら、確率論の基礎である「確率空間」「分布と期待値」「フビニの定理」「独立性」「特性関数」「独立性と極限の関係」「ブラウン運動の構成」を解説していきます。 確率微分方程式など、確率論の先にある理論を学習するための基礎固めとして、確かな地力を養うことができる一冊です。 第1章　プロローグ 第2章　確率空間 第3章　分布と期待値 第4章　フビニの定理 第5章　独立性 第6章　特性関数 第7章　独立性と極限 第8章　ブラウン運動の構成

　本書は，データを分析して背後にあるメカニズムを解釈したり，データに基づいた意思決定や問題解決を行う際に，分析者が知っておかなければならない知識をわかりやすく網羅的に解説した教科書です。データ分析が上手くいくかどうかは，分析手法の技術だけでなく，データの質や扱い方，解釈の方法にも大きく影響を受けます。しかし，実践的にデータや分析の質を高く保ち，間違った解釈をしないための知識について，わかりやすくまとまった入門書はまだまだ少ないのが現状です。 　本書では，各種分析手法をただ網羅するだけでなく，データのばらつきやバイアスに関する基礎知識，データにさまざまな偏りを生じさせる行動心理学，サンプリングの方法と理論，データハンドリングのノウハウ，各種分析の考え方，データの解釈における認知バイアスや数理モデリングのポイント，システム運用時に発生する問題など，非常に幅広い視点でデータ分析者が知っておかなければならない知識を整理し，平易に解説することを目指しました。 　記述については，本質的な考え方の部分に特に重点を置き，数学に自信のない読者の方でも読み通せるように工夫しました。興味深い事例もふんだんに紹介することで，読み物としての面白さも追求しています。データサイエンティストを目指す方はもちろん，（任意の分野の）研究でデータを分析したい学生の方，データ分析について深く知りたいビジネスマンの方にも楽しんでいただけると思います。

理系学生伝説の参考書『物理数学の直観的方法』著者が、文系向けに難解な経済数学の要諦を斬新な切り口で分かりやすく解説する。 高度に発展した経済数学の本質を、70点に及ぶ図・グラフを中心に、直観的に理解していきます。本書では、「確率・統計編」として、正規分布曲線ができるメカニズムを学び、確率統計論で最も重要な原理とされる、中心極限定理の不思議に触れ、教養としてのブラック・ショールズ理論を身につけていきます。 現代社会を浮き彫りにする経済学。この経済学を表す経済数学は高度に発展してきました。なかでも、マクロ経済学の「動的マクロ均衡理論」と、金融工学の「ブラック・ショールズ理論」は「二大難解理論」として、その頂上をなしています。 この『経済数学の直観的方法』の2冊では、目標をこの「二大難解理論」にしぼっています。これらを直観的に理解してしまえば、そのツートップの頂上から経済数学全体を見渡す格好になり、今までのミクロ経済学などのたくさんの数学的メソッドを、余裕をもって見ることができるという狙いです。 本書では、「確率・統計編」として、現代の金融工学の礎となる「ブラック・ショールズ理論」を身につけます。70点に及ぶ図・グラフを中心に、「正規分布曲線が生まれるメカニズム」「標準偏差、分散の意味」「最小2乗法の基本思想」「中心極限理論の不思議」「確率過程とランダム・ウォーク」「ブラウン運動とブラック・ショールズ理論」「伊藤のレンマと確率微分方程式」「測度とルベーグ積分」など、重要テーマの本質的理解を試み、教養としてのブラック・ショールズ理論を身につけていきます。 第1章　初級編 １．確率統計を理解するための根本思想 ２．われわれの世界の確率統計はどう成立したか ３．補足的な基礎知識 第2章　中級編 １．最小2乗法の本質 ２．中心極限定理の不思議 ３．ブラウン運動とブラック・ショールズ理論 ４．教養としてのブラック・ショールズ理論 第3章　上級編 １．伊藤のレンマと確率微分方程式 ２．実際のブラック・ショールズ理論 第4章　測度とルベーグ積分

本書は、入門書でありながら統計解析の基礎手法を幅広い視野から解説してあるので、統計解析の全容がつかめます。 データの整理 分布と期待値 検定と推定の考え方 計量値に関する検定と推定 分散分析 相関分析 回帰分析 計数値に関する検定と推定

データサイエンティストがどのようにデータと向き合っているのか、プログラミング言語を使わずにその思考過程を体験できます。 データサイエンティストはどのように考えるのか？ 本書は、紙と鉛筆で学ぶというコンセプトのもと、 PythonやRなどのプログラミング言語を使わずに データサイエンティストの思考過程を体験できます。 データサイエンティストがどのような思考回路でデータと向き合っているのか、 本書掲載の40問のクイズを解きながら体験してみてください。 本書掲載のクイズは複雑な計算やExcelなども不要で、 紙と鉛筆さえあれば解くことができますので、ぜひチャレンジしてみてください。 【こんな方におすすめ！】 ・デジタル時代を生き抜くためにデータを読み解くスキルを身につけたい人 ・「データを使って論理的に考えろ」と言われるが、 データのどこを見ればよいのかわからない人 ・大学時代に政府が提唱するデータリテラシーを学ぶことができなかった人 ・大学でデータリテラシーを身につけた新入社員を受け入れる部署の管理職 ・社会でデータリテラシーがどう活用されているか知りたい人 ・データサイエンティストと仕事をすることになったが、 どのような思考回路の専門家なのか知りたい人 【本書を読むことで得られる知識／できるようになること】 ・データを活用するプロであるデータサイエンティストが どのような思考回路でデータに向き合っているかわかる ・データサイエンティストの思考過程を知る（なぞる）ことによって、 自分自身でデータを正しく読み解くことができるようになる ・データを読み解く際の勘所（着眼点）がわかる ・与えられたデータの意味を適切に読み解き、 他者に対して正しくデータを説明できるようになる ・恣意的に誇張されたグラフや不適切に切り取られたデータに騙されなくなる ・データ分析の考え方、留意事項がわかる ・データを分類する方法、データから法則を見つけ出す方法、予測する方法がわかる ・データを基に論理的に意思決定できるようになる 【目次】 第1章　デジタル時代に必要なデータリテラシー 第2章　データを読む力を身につける 第3章　データを説明する力を身につける 第4章　データを分類する力を身につける 第5章　データから法則を見つける力を身につける 第6章　データから予測する力を身につける 第7章　仕事でデータリテラシーを活用する 第1章　デジタル時代に必要なデータリテラシー 1-1　 デジタル時代の到来 1-2　データリテラシーはこれからのビジネスパーソンに必須のスキル 1-3　データリテラシーを身につけよう 第2章　データを読む力を身につける 2-1　考えながらデータを読もう！ クイズ1：目的に即したデータの見方について学ぶ クイズ2：データの特徴や傾向の見方について学ぶ クイズ3：データの着眼点について学ぶ 2-2　全体の傾向をつかもう！ クイズ4：平均値・最頻値・中央値の算出方法について学ぶ クイズ5：代表値とデータ分布の関係について学ぶ 2-3　データの細部を確認しよう！ クイズ6：外れ値・異常値について学ぶ 2-4　データの関係性を読み解こう！ クイズ7：2つのデータの関係性について学ぶ クイズ8：相関と因果について学ぶ 第3章：データを説明する力を身につける 3-1　データを可視化してみよう！ クイズ1：適切なグラフ表現について学ぶ クイズ2：不適切なグラフ表現について学ぶ 3-2　データを比較するとは？ クイズ3：適切な比較対象の設定について学ぶ クイズ4：ある時点との比較について学ぶ クイズ5：他者との比較について学ぶ 3-3　データから課題を見つけ出す！ クイズ6 〜9：データから課題を見つけ出す手順について学ぶ　 第4章：データを分類する力を身につける 4-1　特徴の似たデータでグループを作ろう！ クイズ1：データをグループに分ける意義について学ぶ クイズ2：データ間の距離について学ぶ クイズ3：距離計算する際の注意事項について学ぶ 4-2　目的に応じてデータを分類しよう！ クイズ4：データを分類するための観点について学ぶ 4-3　データを機械的に分類しよう！ クイズ5：グループの重心について学ぶ 4-4　データの分類を体験しよう！ クイズ6 〜8：データを分類する手順について学ぶ 第5章：データから法則を見つける力を身につける 5-1　データから法則を見つけ出す！ クイズ1：データから法則を見つけ出す方法について学ぶ クイズ2：見つけ出した法則を適用する方法について学ぶ 5-2　判別問題を解く決定木モデル クイズ3：決定木モデルの作り方について学ぶ クイズ4：決定木モデルを用いて結果を推測する方法について学ぶ 5-3　判別問題の精度を評価してみよう！ クイズ5：判別問題の評価方法について学ぶ 5-4　決定木モデルを活用してみよう！ クイズ6：データから法則を見つけ出し判別問題を解く手順について学ぶ　 第6章：データから予測する力を身につける 6-1　数値データの関係性を確認しよう！ クイズ1：数値データの関係性を確認する方法について学ぶ クイズ2：数値データの関係性を絞り込めない場合について学ぶ クイズ3：数値以外のデータとの関係性を確認する方法について学ぶ 6-2　内挿と外挿に注意しよう！ クイズ4：データから予測する際に注意すべき内挿と外挿について学ぶ 6-3　データの偏りに注意しよう！ クイズ5：データに偏りがある場合の注意事項について学ぶ 6-4　時間の変化に着目しよう！ クイズ6：時系列データのトレンドと周期性について学ぶ 6-5　データから予測しよう！ クイズ7 〜9：データから予測する手順について学ぶ 第7章　仕事でデータリテラシーを活用する 7-1　データを読む力を活用する 7-2　データを説明する力を活用する 7-3　データを分類する力を活用する 7-4　データから法則を見つける力を活用する 7-5　データから予測する力を活用する

超基本を理解するだけで、マーケティング調査のデータ分析、金融商品のリスクとリターン、株・為替相場のボラティリティ、選挙の出口調査までわかる。 第1部 速習!標準偏差から検定・区間推定まで(度数分布表とヒストグラムで、データの特徴を浮き彫りにする 平均値とはやじろべえの支点である-平均値の役割と捉え方 データの散らばり具合を見積る統計量-分散と標準偏差 そのデータは「月並み」か「特殊」か?標準偏差(S.D.)で評価する ほか) 第2部 観測データから背後に広がる巨大な世界を推測する(「部分」によって「全体」を推論する-母集団と統計的推定 母集団のデータの散らばり具合を表す統計量-母分散と母標準偏差 複数データの平均値は、1個のデータより母平均に近くなる-標本平均の考え方 観測データが増えるほど、予言区間は狭くなる-正規母集団の便利グッズ、標本平均 ほか)

これからAIを学ぶ人に向けた入門書。ビジネスへの活用法から最新技術までをカバーした、「最初に手にすべきAI本」 本書は、これから人工知能（AI）を学びたいと考える人に向けたAIの入門書です。エンジニアではない人、すなわち中高生や文系学部の大学生、文系出身のビジネスパーソンや経営者などでも理解できるように、分かりやすくAIの本質や基礎知識を解説しました。AIのビジネスへの活用法からAIの最新技術までをカバーした、「最初に手にすべきAI本」です。 著者は、日本経済新聞社や日経BPのセミナーでAIやIoTの講座を教える人気講師。フジテレビの「ホンマでっか！？TV」に評論家として出演もしています。語り口が初心者にも分かりやすいと定評のある著者が、必要最低限のポイントに絞り、できる限り専門用語を使わないように配慮しながら書き上げました。 初心者でも人工知能の本質を短時間で理解できるようにするために、それぞれの状況や理解度に応じて学習できるように3部に分けて構成しています。 第1部（第1章）は「基礎編」です。ここでは、今後、人工知能が中心となる社会で生きていくために必要最低限の知識についてまとめました。人工知能は何が得意で、何が不得意なのか、そして社会をどう変えていくのかについて解説しています。 第2部（第2～4章）は「ビジネス編」です。ここでは、ビジネスに人工知能を活用するに当たり、各業界の活用事例や今後どのような使われ方をするのかについて書いています。 また、人工知能を活用する際の注意事項を中心に、プロジェクト推進方法や国などの支援状況についても解説しています。 第3部は「技術編」です。ここでは、人工知能の仕組みについて解説しています。今後、データサイエンスや人工知能に関する知識は、エンジニアや人工知能のプロジェクトに関わる人にとっては必須の知識です。 本書を読めば、AIに関する一般向けの本にありがちな曖昧すぎてよく分からない、なぜそこにAIを使う必要があるのか理解できないといった疑問を解消できると思います。 第1章【基礎編】人工知能(AI)の世界 第2章【ビジネス編】産業別に見た人工知能事例と未来予想図 第3章【ビジネス編】人工知能活用に関する国の施策 第4章【ビジネス編】人工知能プロジェクトの進め方と注意点 第5章【技術編】機械学習 ～これまでの人工知能と歴史～ 第6章【技術編】ディープラーニング ～現在の人工知能～ 第7章【技術編】人工知能開発と運用管理 第8章【技術編】人工知能の最新技術 ～これからの人工知能～ 第9章　人工知能開発に関するいろいろなFAQ

TensorFlowの機能を組み合わせて実践的な深層学習モデルを構築しよう!ニューラルネットワークの基礎、CNNやRNNはもちろん、転移学習を用いたキャプション生成までを1冊に凝縮。データ整形からモデル構築までをステップ・バイ・ステップで解説。 第1章 ニューラルネットワークと深層学習(機械学習 教師あり学習・教師なし学習 ほか) 第2章 TensorFlow入門-計算グラフと手書き数字認識(TensorFlowとは? 計算グラフとDefine and Run ほか) 第3章 TensorFlowをもう少し入門-TensorBoard、CNN、モデルの保存(可視化ツールTensorBoard TensorBoardの見方 ほか) 第4章 TensorFlowでRNN-時系列情報および自然言語の扱い(Recurrent Neural Network TensorFlowにおけるRNN実装 ほか) 第5章 TensorFlowでニューラルイメージキャプショニング(画像キャプショニング 画像キャプショニングのためのデータセット ほか)

入門的な統計的方法を習得した方々を対象とした多変量解析法の入門書。できるだけ簡単な例を用いて理論的な説明を2次程度の行列を用いて解説する。 多変量解析法とは 統計的方法の基礎知識 線形代数のまとめ 単回帰分析 重回帰分析 数量化1類 判別分析 数量化2類 主成分分析 数量化3類 多次元尺度構成法 クラスター分析 その他の方法

もう数式はコワくない！　身近で面白い題材を使って，統計学の基礎知識・手法をていねいに伝授する．社会の「姿」はこうして暴け． データ集め（社会調査），データの整理，分析，……．社会調査に携わるすべての人が知っておくべき統計学の基礎を，懇切ていねいに解説する．親しみやすい題材に触れながら，調査研究に必要となる知識・手法を身につけよう．一見難しい数式も，その意味を言葉で説明しているので，数式アレルギーを克服できる！ 【主な内容】 第０章　イントロダクション 第I部　コア 第１章　データを集める 第２章　データをまとめる 第３章　関連を捉える 第４章　関連を疑う 第５章　データから推測する 第６章　データから確かめる 第II部　理論 第７章　コイントスで社会を見る 第８章　集まったデータを表現する 第９章　推定が満たすべき条件 第III部　手法 第10章　社会の下流化は起こっているか 第11章　継承される格差を検討する 第12章　世界の男性の家事事情 第13章　年収と年齢の関係 第14章　ワイン評論家を出し抜く方法 第IV部　終わりに 第15章　統計学の応用とこれから

第1部 基礎と1変数関数の微積分(基礎事項ア・ラ・カルト 和と積 順列・組合せと2項定理・多項定理 ほか) 第2部 線形代数(ベクトルと行列の加減 ベクトルと行列の積 いろいろな行列 ほか) 第3部 多変数関数の微積分(偏微分と微分 テイラーの公式と極値問題 ベクトル微分と条件付き極値問題 ほか)

実データ分析に特化したPythonライブラリであるscikit-learnの解説書 実データに合わせて最適な予測モデルを作ることのできるPythonライブラリのscikit-learn解説書です。本書は他の実装本とは異なり、アルゴリズムの解説に敢えて数式を採用し、実装で指定するハイパーパラメータと数式の関係が分かるよう工夫しました。また、ハイパーパラメータの値を増減し、そのときの予測の変化も紙面が許す限り記載しました。本書は不動産価格の予測やワイン品種の分類で使用する典型的なデータセットだけでなく、より実践的なデータ分析が学べるよう、タイタニック、気温、MovieLensのデータセットを採用しています。これらのデータセットを用いて、前処理から予測モデル作成までの分析例を実例で紹介します。 第1章 機械学習とは何か 1.1 機械学習とは何か 1.2 機械学習の種類 第2章 scikit-learnと開発環境 2.1 scikit-learnとは 2.2 scikit-learnのセットアップ 2.3 scikit-learnによる機械学習の基本的な実装 2.4 アルゴリズムチートシート 第3章 回帰 3.1 回帰のアルゴリズム 3.2 線形回帰 3.3 線形回帰の正則化 3.4 線形回帰の確率的勾配降下法 3.5 線形サポートベクトル回帰 3.6 ガウスカーネルのサポートベクトル回帰 3.7 ランダムフォレスト回帰 第4章 分類 4.1 分類のアルゴリズム 4.2 ロジスティック回帰 4.3 線形サポートベクトル分類 4.4 ガウスカーネルのサポートベクトル分類 4.5 ランダムフォレスト 第5章 クラスタリング 5.1 クラスタリングのアルゴリズム 5.2 K-means 5.3 混合ガウス分布（GMM）、変分混合ガウス分布（VBGMM） 第6章 次元削減 6.1 次元削減のアルゴリズム 6.2 主成分分析（PCA） 6.3 カーネルPCA 第7章 モデルの評価 7.1 モデルの評価 第8章 Preprocessing、実データ分析 8.1 はじめに 8.2 ロジスティック回帰を活用したタイタニックの予測モデルの作成 8.3 ランダムフォレストを活用した気温分析と消費の予測モデルの作成 8.4 Collaborative filteringを活用したレコメンデーションモデル 8.5 MovieLensを使ったモデル作り 第9章 scikit-learn API 9.1 regression（回帰） 9.2 classification（分類） 9.3 clustering（クラスタリング） 9.4 dimensionality reduction（次元削減）

名著をリニューアル！　あなたの課題に適したモデルをつくる、評価する、改良する、すべての段階に必要なことがこの１冊に。 ◆◆ロングセラー、10年ぶりの改訂◆◆ ・全ページをフルカラー化したので、図表もさらにわかりやすく！ ・非定常時系列データ解析の基本を加筆（第8章を新設） データの見方や考え方から述べられた本当にほしかった入門書。 それぞれがもつ「予測したい」課題に自ら取り組むための基本を１冊にまとめた。 「モデリングが使えるということはわかった、これからは使いたい！」という人は必読。 統計のプロ中のプロが伝授する「匠の技」「匠の知恵」コラムも多数収録。 【推薦の言葉】 本書は予測のための統計的モデリングの方法を，基礎から具体的実践例に亘るまで明快に解説している特色ある著作である． 平易な記述でベイズの定理などの基礎から粒子フィルタやデータ同化などの先端的な内容までをカバーしている． 便利なブラックボックス型のAI予測では飽き足らず，自分が抱える具体的な課題に対して自らのアイデアを投入し，説明可能な予測をしてみようと思い立った人には必読の書である． ――北川 源四郎先生(東京大学特任教授、数理・データサイエンス教育強化拠点コンソーシアム　議長) 【まえがき（抜粋）】 統計学の強みは，生成モデルの構築に関する，さまざまな知見とノウハウの蓄積，またモデルに基づく意思決定の綿密な評価にある．ある種，モデリングに関する匠の技とも言える暗黙知に，統計学の存在感が増していくであろう．読者が本書を通じてこの暗黙知を習得されることを期待したい． 【目次】 〈基礎編〉 第1章　予測とは何かを考える 第2章　確率による記述：基礎体力をつける 第3章　統計モデル：予測機能を構造化する 第4章　計算アルゴリズム1：予測計算理論を学ぶ 〈展開編〉 第5章　計算アルゴリズム2：モデルを進化させる 第6章　粒子フィルタ：予測計算を実装する 第7章　乱数生成：不確実性をつくる 〈実践編〉 第8章　時系列解析の基本：傾向をつかむ 第9章　経験知の総結集：売上予測の精度を上げる 第10章　データ同化：シミュレーションの予測性能を向上させる 第11章　確率ロボティクス：お掃除ロボをつくる 〈基礎編〉 第1章　予測とは何かを考える 　1.1　居酒屋の売上高の予測 　1.2　期待感を数式で表す 　1.3　パターンの表現 第2章　確率による記述：基礎体力をつける 　2.1　確率の基礎 　2.2　最適化問題から統計モデルへ 第3章　統計モデル：予測機能を構造化する 　3.1　状態空間モデル 　3.2　鎖状構造グラフィカルモデル 　3.3　多次元ノイズの分布モデル 第4章　計算アルゴリズム1：予測計算理論を学ぶ 　4.1　事後周辺分布 　4.2　非線形フィルタリング 　4.3　平滑化アルゴリズム 　4.4　状態ベクトルの推定と予測誤差 〈展開編〉 第5章　計算アルゴリズム2：モデルを進化させる 　5.1　状態ベクトルの拡大 　5.2　学習によるモデルの改良 第6章　粒子フィルタ：予測計算を実装する 　6.1　分布の近似 　6.2　アルゴリズム 　6.3　粒子フィルタの図説 第7章　乱数生成：不確実性をつくる 　7.1　リサンプリングの実装 　7.2　システムノイズの生成法 　7.3　賢いリサンプリング 　7.4　粒子フィルタの実装例 〈実践編〉 第8章　時系列解析の基本：傾向をつかむ 　8.1　定常と非定常：非定常の特徴を目で確認する 　8.2　定常化：原データにいろいろな操作を加える 　8.3　非定常成分の抽出：シンプルな状態空間モデルを非定常データに適用する 第9章　経験知の総結集：売上予測の精度を上げる 　9.1　観測モデル：データを徹底的に要素に分解する 　9.2　勘と経験をとり込む 　9.3　外生変数の影響を柔軟に表現する 　9.4　状態空間モデルにまとめる 　9.5　結果 第10章　データ同化：シミュレーションの予測性能を向上させる 　10.1　シミュレーション計算 　10.2　データ同化の状態空間モデルへの埋め込み 　10.3　逐次データ同化 第11章　確率ロボティクス：お掃除ロボをつくる 　11.1　自己位置推定問題 　11.2　一般状態空間モデル表現 　11.3　実際の適用

数理統計学とRの使い方を同時にマスター．既に刊行している「一変量統計編」の続刊．数理統計学とRをより実践的に活用できるよう工夫を凝らした書． 目　次： 第1章　分割表の検定(1) 1.1　統計で用いられるデータの種類 質的データ／量的データ 1.2　適合度検定 1.3　適合度検定をやってみる 1.4　カイ二乗統計量 1.5　尤度比検定 1.6　カイ二乗検定の数学的仕組み 1.7　章末問題 第2章　分割表の検定(2) 2.1　分割表の独立性の検定 2.2　2×2分割表 イエーツの補正／一般的な2×2分割表のカイ二乗値 2.3　母比率の差の検定 2標本の比率の検定の数学的原理 2.4　フィッシャーの正確検定 フィッシャーの正確検定の計算原理 2.5　独立性の検定が役に立つ場合 2.6　残差分析 2.7　章末問題 第3章　単回帰分析 3.1　散布図を近似する直線を求める 回帰直線の当てはまりのよさ／最小二乗法と最尤推定との関係 3.2　Rにおける決定係数 定数項(切片)を0とした場合 3.3　説明変数と被説明変数の取り方で回帰直線が変わること 3.4　外れ値の影響 3.5　章末問題 第4章　赤池情報量基準によるモデル選択 4.1　cars再考 4.2　AIC (赤池情報量基準) 4.3　AICについて カルバック＝ライブラー情報量／正規分布に対する KL情報量 4.4　AICの導出の概略 4.5　KL情報量の性質についての補足 4.6　章末問題 第5章　線形モデル 5.1　線形モデルの定式化 5.2　最小二乗推定パラメータの性質 5.3　分散σ2の不偏推定量 5.4　母数の検定 5.5　 ^α, ^β の分布を見る 5.6　章末問題 第6章　曲線の当てはめ 6.1　lmを用いた曲線当てはめがうまくいく場合 6.2　lmによる当てはめが使えない場合-非線形最小二乗法 6.3　nls関数に関するいくつかの注意 6.4　変数変換と直線回帰を組み合わせる方法 両対数グラフが直線的な場合／より複雑な変換を必要とする場合 6.5　章末問題 第7章　重回帰分析 (1) 7.1　ワインの価格を予想する 7.2　重回帰分析の原理 7.3　分析例 7.4　Excelファイルのデータを読み込む 7.5　章末問題 第8章　重回帰分析 (2) 8.1　多重共線性とは何か 8.2　多重共線性の数学的仕組み 8.3　多重共線性のシミュレーション例 8.4　正しく推定できる場合 8.5　交互作用 交互作用の例 8.6　ダミー変数 8.7　章末問題 第9章　一般化線形モデルの基礎 9.1　一般化線形モデルの定義 条件付き期待値／一般化線形モデルの概要 9.2　指数型分布族 指数型分布族の期待値と分散 9.3　フィッシャー情報行列 9.4　一般化線形モデルのパラメータ最尤推定 9.5　スコア関数の具体的な形 9.6　残差逸脱度 9.7　章末問題 第10章　二項選択モデル 10.1　二項選択モデルの考え方 10.2　ロジスティックモデルとプロビットモデル 10.3　ロジスティックおよびプロビット回帰分析の例 ロジットモデルとプロビットモデルの母数の推定値 10.4　より複雑なモデルへの適用 10.5　章末問題 第11章　計数データへの一般化線形モデルの適用 11.1　ポアソンモデル 11.2　ポアソンモデルの適用例 11.3　負の二項分布モデル 負の二項分布／warpbreaks 11.4　章末問題 第12章　多変量正規分布とその応用 12.1　多変量の正規分布 12.2　集中楕円 集中楕円を描いてみる 12.3　集中楕円と分散共分散行列の固有値の関係を確認する 相関係数の区間推定／二次元正規乱数の応用 12.4　相関のない二次元正規分布に対する t0の分布 相関係数の区間推定の数学的原理 12.5　章末問題 第13章　主成分分析 13.1　主成分分析の考え方 13.2　Rによる主成分分析 13.3　USArrestsを用いた分析例 13.4　章末問題 第14章　分散分析と多重比較入門 14.1　三群以上の比較問題 平均点に差があるか?／データの様子を調べる／Rによる一元配置分散分析 14.2　一元配置分散分析の数学的原理 全変動の分解公式／F分布 14.3　多重比較 ボンフェローニの方法／ホルムの方法／チューキーの方法 14.4　二元配置分散分析 14.5　章末問題

最適化、確率・統計などの基本的な計算から、ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までを丁寧に解説！ ◆◆数式とコードの距離が近いJuliaで一生モノの考え方を身につけよう！◆◆ 線形代数、微積分、最適化、確率・統計の基本的な計算から、 ハミルトニアンモンテカルロ法、階層ベイズ、状態空間モデルの原理までをていねいに解説！ [サポートページ] https://github.com/sammy-suyama/JuliaBayesBook [主な内容] 第1章　Juliaの基礎 1.1　Juliaとは 1.2　基本文法 1.3　パッケージの利用 1.4　グラフの描画 第2章　数値計算の基礎 2.1　ベクトル・行列計算 2.2　統計量の計算 2.3　統計量と確率分布のパラメータ 2.4　微分計算 2.5　関数の最適化 2.6　最適化によるカーブフィッティング 2.7　積分計算 第3章　確率計算の基礎 3.1　表を使った確率計算 3.2　式を使った確率計算 3.3　連続値における周辺分布と条件付き分布 3.4　確率的試行のシミュレーション 第4章　確率分布の基礎 4.1　確率分布とは 4.2　Juliaでの確率分布の扱い（Distributions.jl） 4.3　離散型確率分布 4.4　連続型確率分布 4.5　統計モデルの設計 第5章　統計モデリングと推論 5.1　ベルヌーイモデル 5.2　線形回帰 5.3　ロジスティック回帰モデル 第6章　勾配を利用した近似推論手法 6.1　なぜ勾配を利用するのか 6.2　ラプラス近似 6.3　ハミルトニアンモンテカルロ法 第7章　発展的な統計モデル 7.1　ポアソン回帰 7.2　階層ベイズモデル 7.3　状態空間モデル 第1章　Juliaの基礎 1.1　Juliaとは 1.2　基本文法 1.3　パッケージの利用 1.4　グラフの描画 第2章　数値計算の基礎 2.1　ベクトル・行列計算 2.2　統計量の計算 2.3　統計量と確率分布のパラメータ 2.4　微分計算 2.5　関数の最適化 2.6　最適化によるカーブフィッティング 2.7　積分計算 第3章　確率計算の基礎 3.1　表を使った確率計算 3.2　式を使った確率計算 3.3　連続値における周辺分布と条件付き分布 3.4　確率的試行のシミュレーション 第4章　確率分布の基礎 4.1　確率分布とは 4.2　Juliaでの確率分布の扱い（Distributions.jl） 4.3　離散型確率分布 4.4　連続型確率分布 4.5　統計モデルの設計 第5章　統計モデリングと推論 5.1　ベルヌーイモデル 5.2　線形回帰 5.3　ロジスティック回帰モデル 第6章　勾配を利用した近似推論手法 6.1　なぜ勾配を利用するのか 6.2　ラプラス近似 6.3　ハミルトニアンモンテカルロ法 第7章　発展的な統計モデル 7.1　ポアソン回帰 7.2　階層ベイズモデル 7.3　状態空間モデル

プログラミングをはじめるならPythonで決まり！ やさしい説明で確かな力がしっかり身につく！トコトン親切な入門書 プログラミングを最初に学ぶなら、シンプルでわかりやすいPython(パイソン)が最適！ Pythonは簡潔な文法で、話題のAIやデータ分析、仕事の自動化まで高度なことが実現できるプログラミング言語です。 本書は、初心者の方へ画面に打ち込む最初の1文字から丁寧に解説したPythonの入門書を、さらに分かりやすく改訂しました。 つまずきやすい点も丁寧に、一歩ずつ説明しているので挫折させません。 楽しいサンプルでプログラムの基本をやさしく学びながら、Webスクレイピングや、アプリ作成まで習得できます。 対象読者 ・はじめてプログラミングを学ぶ方 ・Pythonの基礎知識を身につけたい方 Chapter1 イントロダクション Chapter2 Pythonプログラミングをはじめよう Chapter3 プログラミングの基本編 仕組みを使おう Chapter4 プログラミングの応用編 効率的に作ろう Chapter5 プログラムからファイルを読み書き Chapter6 さまざまな機能を取り込もう Chapter7 アプリケーションを作ろう 付録 Appendix1 トラブルシューティング エラー Appendix2 本書の次のステップ

最短経路で平易に理解できる、今までにない入門書！「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。 最短経路で平易に理解できる、今までにない入門書！ ベイズ主義機械学習（ベイズ学習）の基本原理にのっとり、「モデルの構築→推論の導出」という一貫した手順でアルゴリズムの作り方を解説。どこまでも分かりやすい！ 【主な内容】 1　機械学習とベイズ学習 2　基本的な確率分布 3　ベイズ推論による学習と予測 4　混合モデルと近似推論 5　応用モデルの構築と推論 【機械学習スタートアップシリーズ】 本シリーズは、「機械学習ブーム」の先駆けとして2015年から刊行されている『機械学習プロフェッショナルシリーズ』の弟分的な存在を目指す、注目の新シリーズです。 「機械学習をもっと身近に、機械学習をもっとわかりやすく！」を合言葉に、より丁寧な記述で、基本的なテーマを解説していきます。 まず、以下の2点を同時に刊行いたします(^o^)/ 『これならわかる深層学習入門』瀧 雅人･著 『ベイズ推論による機械学習入門』須山 敦志･著/杉山 将･監修 第1章　機械学習とベイズ学習 機械学習とは/機械学習の代表的なタスク/機械学習の 2 つのアプローチ/確率の基本計算/グラフィカルモデル/ベイズ学習のアプローチ 第2章　基本的な確率分布 期待値/離散確率分布/連続確率分布 第3章　ベイズ推論による学習と予測 学習と予測/離散確率分布の学習と予測/1次元ガウス分布の学習と予測/多次元ガウス分布の学習と予測/線形回帰の例 第4章　混合モデルと近似推論 混合モデルと事後分布の推論/確率分布の近似手法/ポアソン混合モデルにおける推論/ガウス混合モデルにおける推論 第5章　応用モデルの構築と推論 線形次元削減/非負値行列因子分解/隠れマルコフモデル/トピックモデル/テンソル分解/ロジスティック回帰/ニューラルネットワーク

広がるAI化格差と5年先を見据えた企業戦略 ▼技術から利用動向、制度政策に至るまで、国内と海外の人工知能の最新動向がすべてわかるAI白書の2020年版 DX（デジタルトランスフォーメーション）のための重要な技術であるＡＩの社会実装が進む一方、そのAI化で格差が広がっています。また、5Ｇのサービス開始、EU一般データ保護規則、米中間の対立など、ＡＩを取り巻く環境は目まぐるしく変化しています。 第1章では、石角友愛氏（パロアルトインサイトCEO）と中島秀之 AI白書編集委員長（札幌市立大学理事長・学長）の対談、北野宏明 AI白書編集委員(ソニーコンピュータサイエンス研究所代表取締役社長・所長)と片岡 晃 IPA社会基盤センター長の対談を通じて、ＡＩをめぐる日本の課題とビジネス戦略について解説。第2章「技術動向」では、ＡＩに関する技術の概要と最新動向を整理し、第3章「利用動向」では国内外でのＡＩ活用事例を紹介。さらに、AIの社会実装を支える環境として、第4章で「制度政策」、第5章で社会実装に係る課題解決の方向性（AI人材育成及びスタートアップエコシステム）について記載しています。 『ＡＩ白書2019』に最新情報を加え、大幅にアップデートしています。AIの基礎的な技術解説から、国内外の多様な導入事例、制度・政策面での取り組み、中国のAI動向データ、企業経営者の意識調査結果まで、AIにまつわる幅広い話題を網羅して収録。AIを実装し、DXを推進するにあたってのひとつの指針として、本書をご活用いただけます。 DX（デジタルトランスフォーメーション）のための重要な技術であるAIの社会実装。そのAI化で格差が広がっている。AIの技術や利用動向、制度政策、スタートアップエコシステムに至るまで、AIのすべてを解説 □第1章「2020年のＡＩとビジネス」　生産性やDXといった日本の課題、AI時代のビジネス戦略をテーマにした対談、など □第2章「技術動向」　ＡＩを支える技術と最新動向、ディープラーニング、開発基盤、標準化・オープンプラットフォーム・信頼性、各国の研究開発の現状、など □第3章「利用動向」　日本と世界の分野別の利用動向、ＡＩ利用動向アンケート調査、AI導入予算・AI市場規模、中国のＡＩ最新動向、など □第4章「制度政策動向」　ＡＩに関する原則・ガイドライン、制度改革（モビリティ、データ流通、知的財産）、各国の政策動向、など □第5章「AI実装を推進するAI人材育成と地域スタートアップエコシステム」　スタートアップエコシステム、ＡＩ人材の育成、社会実装の課題と現状、など

「図解まるわかり」シリーズ新刊。ビジネスパーソンの新たな基礎教養として注目される「データサイエンス」の基本が1冊でわかる。 分析手法からAIの基本まで、 知っておきたい知識を全部図解 【本書のポイント】 ・解説とイラストがセットで理解しやすい！ ・グラフや値の種類、データ構造など、基礎知識から解説！ ・技術関連の項目も図解。初心者にもわかりやすい！ ・統計学やAIの基本などの周辺知識もしっかりカバー！ ・情報社会におけるデータ活用の問題点や課題まで網羅！ 【こんな方におすすめ】 ・データサイエンスの基本を知りたい人 ・業務でデータ分析に関わる人 ・AIの基礎や今後の課題など周辺知識まで知りたい人 ・現場の実態や出来事など、最新動向についても知りたい人 【内容紹介】 データを活用して、自社のビジネスやサービスに 生かそうという動きが活発化しています。 しかし、データの分析には幅広い知識が求められます。 本書では、データやグラフの種類、統計学の基本など、 基礎から周辺知識まで、データサイエンスを学ぶ際に 知っておきたいことを一通り解説しています。 見開きで1つのテーマを取り上げているので、 最初から順に読んで体系的な知識を得るのはもちろん、 気になるテーマやキーワードに注目しながら読むなど、 状況に合わせて活用してください。 【目次】 第1章 データサイエンスを支える技術～需要が高まる未来の必修科目～ 第2章 データの基本～データの表現方法と読み方～ 第3章 データの処理と活用〜データを分類し、予測する〜 第4章 知っておきたい統計学の知識～データから答えを導き出す～ 第5章 知っておきたいAIの知識〜よく使われる手法とそのしくみ〜 第6章 セキュリティとプライバシーの問題点～データ社会はどこに向かうのか？～ 第1章　データサイエンスを支える技術〜需要が高まる未来の必修科目〜 1-1　21世紀の資源 1-2　データが増えている理由 1-3　さまざまな知識を組み合わせて分析する 1-4　データから価値を見いだす職種 1-5　データはそのまま使えない 1-6　大量のデータは宝の山 1-7　人とコンピュータでは扱いやすいデータが異なる 1-8　データのためのデータを知る 1-9　データを1カ所にまとめる 1-10　効率のよい処理手順を考える 1-11　導き出したルールを使えるようにする 1-12　データを扱うプログラミング言語 1-13　誰でも無料で使えるデータ 1-14　楽しみながら分析手法を学ぶ 1-15　ITを中心に考える 1-16　分析されたデータの活用例 1-17　この商品を買っている人はこんな商品も買っています 1-18　データで値づけが変わる 1-19　小さいサイズから実際に試してみる 1-20　継続的に改善を進める 1-21　目標を決め、戦略的に進める 1-22　データに関わる人を把握する やってみよう　データが使われている事例を調べてみよう 第2章　データの基本〜データの表現方法と読み方〜 2-1　データの種類 2-2　データを範囲で分ける 2-3　グラフを使い分ける 2-4　割合を表すグラフ 2-5　複数のデータを1つのグラフで表現する 2-6　データの基準を作る値 2-7　データの散らばり具合を把握する 2-8　1つの基準で判断する 2-9　不適切なデータを取り扱う 2-10　売上の8割は2割の商品で構成されている？ 2-11　視覚的に表現する 2-12　誰でもデータを分析できる便利ツール 2-13　データを一元管理する 2-14　データの連携を考える 2-15　データの構造を可視化する 2-16　データベースを設計する 2-17　紙に印刷されたデータを取り込む 2-18　高い精度でデータを高速に取り込む やってみよう　伝えたい内容に合ったグラフを選んでみよう 第3章　データの処理と活用～データを分類し、予測する～ 3-1　取得するタイミングによって変わるデータ 3-2　プログラムが自動的に出力するデータ 3-3　長期間での変化を捉える 3-4　2つの軸の関係を把握する 3-5　見せかけの関係に騙されない 3-6　複数の軸で集計する 3-7　軸の数を減らして特徴を把握する 3-8　2点間の距離の考え方を知る 3-9　似たような角度を調べる 3-10　データ分析はかっこいい面だけではない 3-11　複数の軸の関係を明らかにする 3-12　高度な回帰分析を知る 3-13　分類を予測する 3-14　知っている知識から値を推定する 3-15　サイコロを振る操作を実現する 3-16　繰り返し予測して精度を高める 3-17　さまざまな分析手法を知る やってみよう　アンケート結果を集計してみよう 第4章　知っておきたい統計学の知識〜データから答えを導き出す〜 4-1　統計学の種類 4-2　データを取り出す 4-3　起こりやすさを数値で表す 4-4　複数のことが同時に起きる確率を考える 4-5　結果から原因を考える 4-6　データの分布を知る 4-7　たくさんのデータを集めれば本来の値に近づく 4-8　関数で分布を表現する 4-9　取り出したデータから元の集団を推測する 4-10　分散がわからない状態で推定する 4-11　統計的に検証する 4-12　正しいと判断する基準を決める 4-13　検定結果を判断する 4-14　平均を検定する 4-15　分散を検定する やってみよう　身近な食品を使って検定してみよう 第5章　知っておきたいAIの知識〜よく使われる手法とそのしくみ〜 5-1　人のように賢いコンピュータを作る 5-2　人工知能を実現する手法 5-3　人工知能を評価する指標 5-4　学習の進行状況を把握する 5-5　脳を模倣した学習方法 5-6　少しずつ最適解に近づける 5-7　階層を深くし、大量のデータから学習 5-8　誤差を数値化する 5-9　精度を向上させる 5-10　複数のグループに分割する 5-11　任意の個数に分割する 5-12　木構造で学習する 5-13　複数のAIで多数決を取る 5-14　ルールを評価する指標 5-15　境界線からのマージンを最大化する 5-16　自動的に機械学習を実行する 5-17　さまざまな手法を組み合わせて解決法を見つける やってみよう　最新の論文を探してみよう 第6章　セキュリティとプライバシーの問題点〜データ社会はどこに向かうのか？ 6-1　データを扱う上でのモラルを持つ 6-2　揺らぐデータの信頼性 6-3　誤った認識で揺らぐ精度 6-4　日本における個人情報の扱い 6-5　海外における個人情報の扱い 6-6　個人情報の活用を考える 6-7　データ流通と利活用を考える 6-8　データを扱うときのルールを決める 6-9　何のためにデータを集めるかを明示する 6-10　データが持つ権利を知る 6-11　外部のデータを自動的に取得する 6-12　保有するデータへのアクセスを管理する 6-13　内部からのデータの持ち出しを防ぐ 6-14　何度でも同じ結果が得られる やってみよう　使っているサービスのプライバシーポリシーを読んでみよう

流行のデータサイエンス、何を知っていたらいいのか？　いざという時のビジネスパーソン必携書。 本書では、４種の科学的論理思考法である演繹推論、帰納推論、アブダクション、データ科学推論について紹介。いざという時のためのビジネスパーソン必携書。（発行＝ＢＯＷ＆ＰＡＲＴＮＥＲＳ）

超柔軟なベイズ的回帰モデルであるガウス過程の日本初の入門書。基礎の線形回帰から始め、ガウス過程の原理をゼロからていねいに解説 圧倒的に柔軟なベイズ的回帰モデルであるガウス過程の日本初の入門書。基礎の線形回帰から始め、ガウス過程の原理をゼロからていねいに解説。教師なし学習、実応用など最近の話題まで紹介した。さあ、はじめよう！ 圧倒的に柔軟なベイズ的回帰モデルであるガウス過程の日本初の入門書。 基礎の線形回帰から始め、ガウス過程の原理をゼロからていねいに解説。 教師なし学習、実応用など最近の話題まで紹介した。　さあ、はじめよう！ 【おもな内容】 第0章　たった5分でガウス過程法が分かってしまう 　第1ステップ：機械学習って何？ 　第2ステップ：回帰と最小二乗法 　第3ステップ：確率モデリングとベイズ推定 　第4ステップ：ガウス分布と共分散 　第5ステップ：ガウス過程とガウス過程回帰 　コラム：関数の雲とガウス過程 第1章　線形回帰モデル 　単回帰 　重回帰とベクトル表現 　線形回帰モデル 　リッジ回帰 　コラム：相関係数と回帰モデル 第2章　ガウス分布 　ガウス分布とは 　重みの事前分布とリッジ回帰 　多変量ガウス分布 第3章　ガウス過程 　線形回帰モデルと次元の呪い 　ガウス過程 　ガウス過程とカーネル 　ガウス過程回帰モデル 　ガウス過程回帰のハイパーパラメータ推定 　ガウス過程回帰の一般化 第4章　確率的生成モデルとガウス過程 　確率変数と確率的生成モデル 　最尤推定とベイズ推定 　確率分布の表現 　コラム：ブラウン運動とガウス過程 第5章　ガウス過程の計算法 　ガウス過程回帰の計算コスト 　補助変数法 　変分ベイズ法と確率的勾配法 　格子状補助入力点配置に基づくガウス過程法計算 第6章　ガウス過程の適用 　クリギングと空間統計学 　ベイズ最適化 第7章　ガウス過程による教師なし学習 　ガウス過程潜在変数モデル (GPLVM) 　ガウス過程潜在変数モデルの性質 　ガウス過程潜在変数モデルの拡張 　潜在的ガウス過程のサンプリング 第0章　たった5分でガウス過程法が分かってしまう 第1章　線形回帰モデル 第2章　ガウス分布 第3章　ガウス過程 第4章　確率的生成モデルとガウス過程 第5章　ガウス過程の計算法 第6章　ガウス過程の適用 第7章　ガウス過程による教師なし学習

人工知能は人間を超えるのか、その日は、いつやってくるのか？ グーグルやフェイスブックが開発にしのぎを削る人工知能。日本トップクラスの研究者の一人である著者が、最新技術「ディープラーニング」とこれまでの知的格闘を解きほぐし、知能とは何か、人間とは何かを問い直す。 グーグルやフェイスブックが開発にしのぎを削る人工知能。日本トップクラスの研究者の一人である著者が、最新技術「ディープラーニング」とこれまでの知的格闘を解きほぐし、知能とは何か、人間とは何かを問い直す。

ＡＩに仕事を奪われる前に、ＡＩを使って自分の仕事をつくるための一冊。文系ビジネスマンに生き抜く自信をつけさせる一冊。 AI社会になって、ボクは職を失わないだろうか？ 文系のワタシが、AIでキャリアアップするには？ そんな不安や疑問を解消するのが本書です。 英数国理社×ＡＩ時代に対応した、ＡＩ活用の現場から生まれた実践トレーニング本。 ・専門用語は必要最低限に ・豊富な業種別事例は「自社での活用」を考えるヒントに。 ・ＡＩとの「共働きスキル」を身につける。 ＡＩを活用したビジネスプランを豊富に紹介。本書は、AIを、機能別に４分類、役割別に２分類し、合計４×２＝８分類にわけている。その分類を用いて、事例を解説しているので、非常に理解しやすく、自分の仕事への適用・応用を検討しやすい。AIとお共働きスキルを身につけよう。 はじめに　文系ＡＩ人材になろう！ 第１章　ＡＩ社会で職を失わないために 「ＡＩ失職」を恐れず「ＡＩ職」に就く準備を　 「ＡＩとの共働き」スキルを身につけよう　 ５つの「共働きスタイル」 第２章　文系のための　ＡＩキャリア　 ＡＩは「作る」から「使う」へ 上手に活用する「文系　ＡＩ人材」が重要に 「文系ＡＩ人材」の仕事内容とは？　 「文系ＡＩ人材」になるための４つのステップ 第３章　ＡＩのキホンは丸暗記で済ます　 ＡＩ／機械学習／ディープラーニングの違い 学習方式の３分類－－教師あり／教師なし／強化学習 活用タイプ別ＡＩは４×２＝８分類 「識別系ＡＩ」はこう使う 「予測系ＡＩ」はこう使う 「会話系ＡＩ」はこう使う 「実行系ＡＩ」はこう使う 出る順でＡＩ基礎用語を丸暗記する 第４章　ＡＩの作り方をザックリ理解する　 ＡＩは特徴づかみの名人 「予測系ＡＩ」の作り方を理解する　 「識別系ＡＩ」の作り方を理解する 「会話系ＡＩ」の作り方を理解する　 「実行系ＡＩ」の作り方を理解する 第５章　ＡＩ企画力を磨く　 ＡＩ企画の「１００本ノック」 「変化量と実現性」を担保する　 ＡＩ企画の「解像度を上げる５Ｗ１Ｈ」　 第６章　ＡＩ事例をトコトン知る――業種別×活用タイプ別の４５事例集　 第７章　文系ＡＩ人材が社会を変える　 ＡＩによる「消費者、会社、働き手」への変化 ＡＩ社会を牽引するアマゾン ＡＩ×各業界で変革を作るソフトバンク 日本の銀行で起きているＡＩによる変化 文系ＡＩ人材が社会をリードする おわりに

経済学向けの入門書にはない「心理学」のための具体例を紹介！　コードも豊富ですぐ試せる。次世代の心理学研究者、必携の入門書！ リアルタイムで変化する、状況・思考・感情を捉える！ 経済学向けの入門書にはない「心理学」のための具体例を紹介！ ●人々のSNS投稿から睡眠時間の周期を調べる ●気分と活動量の経時的な変化を捉える ●行動が変化する瞬間を見つけ出す もちろん、Rの基礎からサポート。 サンプルコードも豊富ですぐに試せる！ 心理学研究者、必携の入門書！ （まえがきより抜粋） 本書は、「心理学の研究テーマで時系列データの分析をしてみたい」と考えている方に向けた入門書です。人間の行動や認知を時系列的に捉えたデータを収集・分析してみたいものの、どんな分析方法があるのか見当がつかなかったり、時系列データ分析にはどのような注意点があるのかがわからなかったりする方々への、最初のガイドになるよう心がけました。 心理学の研究をしていれば，ある瞬間だけを切り出したデータではなく、日常生活の中で刻一刻と変化し続ける人間の行動や認知を捉えてみたい、と考えることがあると思います。私自身も、人の一生分の行動データをすべて集めることができたらどんなに楽しいだろう、と夢想することがあります。現在では、スマートフォンなどのデバイスを使えば、人間のその時々の状況や思考、感情、行動などをリアルタイムで記録することも難しくはなくなってきました。時系列データを収集するハードルは、かつてないほど下がっているといえるでしょう。 一方で、時系列データを分析するための方法論は、どこから手を付けていいのかわかりにくいものです。がんばってコツコツとデータを集めてみたものの、時系列のリッチな情報をうまく活用できず、そのままお蔵入りになってしまうこともしばしばです。 本書の目標は、せっかく測定した貴重な時系列データをお蔵入りにしてしまわないことです。そのために、本書では移動軌跡や体の動き、SNS の書き込みのように、できるだけ人間の具体的な行動のデータを取り上げました。 （目次） 第1章　心理学と時系列データ分析 第2章　時系列分析の基本操作 第3章　時系列の回帰分析 第4章　RStanによる状態空間モデル 第5章　時系列データ同士の関係の評価 第6章　多変量時系列データの要約 第1章　心理学と時系列データ分析 第2章　時系列分析の基本操作 第3章　時系列の回帰分析 第4章　RStanによる状態空間モデル 第5章　時系列データ同士の関係の評価 第6章　多変量時系列データの要約

本書は、これからデータ分析を行う人が知っておくべきことを全部学べる解説書です。本当に役立つ、使えるスキルが身につくように、「統計学の基礎からしっかり学ぶ」「学んだことをExcelを使って実践する」という構成になっています。そのため、これまでまったく統計学に触れたことのない人でも理解しやすく、また、Excelの操作も1つ1つ画面を見せながら解説しているため、分析が初めてでも迷わず実践できます。

　機械学習とは，コンピュータに学習能力を持たせるための方法論を研究する学問の名称であり，もともとは人工知能分野の一部として研究されていた。その後，機械学習は統計学と密接な関わりを持つようになり，「統計的学習」として独自の発展の道を歩み始めた。そして，1990年代から現在に至るまでの計算機やインターネットの爆発的な普及と相まって統計的学習の技術は目覚ましい発展を遂げ，いまや情報検索，オンラインショッピングなど，われわれの日常生活とは切り離すことのできない情報通信技術の根幹を支える重要な要素技術の一つとなった。 　本書は，このような発展著しい統計的学習分野の世界的に著名な教科書である“The Elements of Statistical Learning” の全訳である。回帰や分類などの教師あり学習の入門的な話題から，ニューラルネットワーク，サポートベクトルマシンなどのより洗練された学習器，ブースティングやアンサンブル学習などの学習手法の高度化技術，さらにはグラフィカルモデルや高次元学習問題に対するスパース学習法などの最新の話題までを幅広く網羅しており，計算機科学などの情報技術を専門とする大学生・大学院生，および，機械学習技術を基礎科学や産業に応用しようとしている大学院生・研究者・技術者にとって最適な教科書である。 第1章　序章 第2章　教師あり学習の概要 2.1 導入 2.2 変数の種類と用語 2.3 予測のための二つの簡単なアプローチ：最小2乗法と最近傍法 　　2.3.1 線形モデルと最小2乗法 　　2.3.2 最近傍法 　　2.3.3 最小2 乗法から最近傍法へ 2.4 統計的決定理論 2.5 高次元での局所的手法 2.6 統計モデル，教師あり学習，関数近似 　　2.6.1 同時分布Pr(X,Y) のための統計モデル 　　2.6.2 教師あり学習 　　2.6.3 関数近似 2.7 構造化回帰モデル 　　2.7.1 なぜ問題が困難なのか 2.8 制限付き推定法 　　2.8.1 粗度に対する罰則とベイズ法 　　2.8.2 カーネル法と局所回帰 　　2.8.3 基底関数と辞書による方法 2.9 モデル選択と，バイアスと分散のトレードオフ 第3章　回帰のための線形手法 3.1 導入 3.2 線形回帰モデルと最小2乗法 　　3.2.1 例：前立腺癌 　　3.2.2 ガウス＝マルコフ定理 　　3.2.3 単純な単回帰から重回帰へ 　　3.2.4 複数の目的変数 3.3 変数選択 　　3.3.1 最良変数組み合わせ選択 　　3.3.2 前向き/後向き漸次的選択法 　　3.3.3 前向き段階的回帰 　　3.3.4 例：前立腺癌（続き） 3.4 縮小推定 　　3.4.1 リッジ回帰 　　3.4.2 lasso 　　3.4.3 考察：部分集合選択，リッジ回帰，lasso 　　3.4.4 最小角回帰 3.5 入力に対して線形変換を行う方法 　　3.5.1 主成分回帰 　　3.5.2 部分最小2乗法 3.6 考察：選択法と縮小法の比較 3.7 複数の目的変数の縮小推定と変数選択 3.8 lasso と関連する解追跡アルゴリズムに関する詳細 　　3.8.1 逐次前向き段階的回帰 　　3.8.2 区分的線形解追跡アルゴリズム 　　3.8.3 ダンツィク選択器 　　3.8.4 グループlasso 　　3.8.5 lasso の性質について 　　3.8.6 総当たり座標最適化 3.9 計算上考慮すべき事柄 第4章　分類のための線形手法 4.1 導入 4.2 指示行列の線形回帰 4.3 線形判別分析 　　4.3.1 正則化判別分析 　　4.3.2 線形判別分析の計算 　　4.3.3 階数低減型線形判別分析 4.4 ロジスティック回帰 　　4.4.1 ロジスティック回帰モデルの当てはめ 　　4.4.2 例：南アフリカの心臓疾患データ 　　4.4.3 2 次近似と2 次推測 　　4.4.4 L1 正則化付きロジスティック回帰 　　4.4.5 ロジスティック回帰か線形判別分析か 4.5 分離超平面 　　4.5.1 ローゼンブラットのパーセプトロン学習アルゴリズム 　　4.5.2 最適分離超平面 第5章　基底展開と正則化 5.1 導入 5.2 区分的多項式とスプライン 　　5.2.1 3次自然スプライン 　　5.2.2 例：南アフリカの心臓疾患データ 　　5.2.3 例：音素認識 5.3 フィルタリングと特徴抽出 5.4 平滑化スプライン 　　5.4.1 自由度と平滑化行列 5.5 平滑化パラメータの自動選択 　　5.5.1 固定自由度 　　5.5.2 バイアスと分散のトレードオフ 5.6 ノンパラメトリックロジスティック回帰 5.7 多次元スプライン 5.8 正則化と再生核ヒルベルト空間 　　5.8.1 カーネルにより生成される関数空間 　　5.8.2 再生核ヒルベルト空間の例 5.9 ウェーブレット平滑化 　　5.9.1 ウェーブレット基底とウェーブレット変換 　　5.9.2 適応的ウェーブレットフィルタリング 第6章　カーネル平滑化法 6.1 1次元カーネル平滑化手法 　　6.1.1 局所線形回帰 　　6.1.2 局所多項式回帰 6.2 カーネル幅の選択 6.3 R^p における局所回帰 6.4 R^p における構造化局所回帰モデル 　　6.4.1 構造化カーネル 　　6.4.2 構造化回帰関数 6.5 局所尤度およびその他の手法 6.6 カーネル密度推定と識別 　　6.6.1 カーネル密度推定 　　6.6.2 カーネル密度分類器 　　6.6.3 単純ベイズ分類器 6.7 動径基底関数とカーネル 6.8 密度推定と識別のための混合モデル 6.9 計算上考慮すべき事柄 第7章　モデルの評価と選択 7.1 導入 7.2 バイアス，分散，モデルの複雑度 7.3 バイアス－分散分解 　　7.3.1 例：バイアスと分散のトレードオフ 7.4 訓練誤差の最善度 7.5 訓練標本外誤差の推定 7.6 有効パラメータ数 7.7 ベイズ法とベイズ情報量規準 7.8 最小記述長 7.9 バプニック＝チェルボネンキス次元 　　7.9.1 例（続き） 7.10 交差確認 　　7.10.1 K分割交差確認 　　7.10.2 交差確認を実行する正しい方法と間違った方法 　　7.10.3 交差確認は本当に有効か 7.11 ブートストラップ法 　　7.11.1 例（続き） 7.12 条件付きテスト誤差か期待テスト誤差か 第8章　モデル推論と平均化 8.1 導入 8.2 ブートストラップと最尤推定法 　　8.2.1 平滑化の例 　　8.2.2 最尤推定による推論 　　8.2.3 ブートストラップ法vs.最尤推定 8.3 ベイズ法 8.4 ブートストラップ法とベイズ推論の関係 8.5 EM アルゴリズム 　　8.5.1 要素が二つの混合モデル 　　8.5.2 一般の場合のEM アルゴリズム 　　8.5.3 最大化－最大化手法としてのEM 8.6 事後確率分布から標本抽出するためのMCMC 8.7 バギング 　　8.7.1 例：模擬データによる木 8.8 モデルの平均と統合 8.9 確率的探索：バンピング 第9章　加法的モデル，木，および関連手法 9.1 一般化加法的モデル 　　9.1.1 加法的モデルの当てはめ 　　9.1.2 例：加法的ロジスティック回帰 　　9.1.3 まとめ 9.2 木に基づく方法 　　9.2.1 背景 　　9.2.2 回帰木 　　9.2.3 分類木 　　9.2.4 他の問題 　　9.2.5 例：スパムメール（続き） 9.3 抑制的規則導出法 　　9.3.1 例：スパムメール（続き） 9.4 多変量適応的回帰スプライン 　　9.4.1 例：スパムメール（続き） 　　9.4.2 例：試行データ 　　9.4.3 その他の話題 9.5 階層的エキスパート混合モデル 9.6 欠損データ 9.7 計算上考慮すべき事柄 第10章　ブースティングと加法的木 10.1 ブースティング法 　　10.1.1 本章の概要 10.2 ブースティングの加法的モデル当てはめ 10.3 前向き段階的加法的モデリング 10.4 指数損失とアダブースト 10.5 なぜ指数損失関数か 10.6 損失関数とロバスト性 10.7 データマイニングの「万能」手法 10.8 例：スパムデータ 10.9 ブースティング木 10.10 勾配ブースティングによる数値最適化 　　10.10.1 最急降下法 　　10.10.2 勾配ブースティング 　　10.10.3 勾配ブースティングの実装 10.11 ブースティングのための木の適切な大きさ 10.12 正則化 　　10.12.1 縮小法 　　10.12.2 部分標本化 10.13 説明性 　　10.13.1 予測変数の相対的重要性 　　10.13.2 部分依存図 10.14 具体例 　　10.14.1 カリフォルニアの住宅 　　10.14.2 ニュージーランドの魚 　　10.14.3 個人属性情報データ 第11章　ニューラルネットワーク 11.1 導入 11.2 射影追跡回帰 11.3 ニューラルネットワーク 11.4 ニューラルネットワークの当てはめ 11.5 ニューラルネットワークを訓練するときのいくつかの問題 　　11.5.1 初期値 　　11.5.2 過学習 　　11.5.3 入力のスケーリング 　　11.5.4 隠れユニットと隠れ層の数 　　11.5.5 複数の極小解 11.6 例：試行データ 11.7 例：郵便番号データ 11.8 考察 11.9 ベイズニューラルネットワークとNIPS 2003 チャレンジ 　　11.9.1 ベイズ，ブースティング，バギング 　　11.9.2 性能比較 11.10 計算上考慮すべき事柄 第12章　サポートベクトルマシンと適応型判別 12.1 導入 12.2 サポートベクトル分類器 　　12.2.1 サポートベクトル分類器の計算 　　12.2.2 例：混合分布（続き） 12.3 サポートベクトルマシンとカーネル 　　12.3.1 分類のためのSVM の計算 　　12.3.2 罰則化手法としてのSVM 　　12.3.3 関数推定と再生核 　　12.3.4 SVM と次元の呪い 　　12.3.5 SVM 分類器のための解追跡アルゴリズム 　　12.3.6 回帰のためのSVM 　　12.3.7 回帰とカーネル 　　12.3.8 考察 12.4 線形判別分析の一般化 12.5 適応型判別分析 　　12.5.1 FDA 推定値の計算 12.6 罰則付き判別分析 12.7 混合判別分析 　　12.7.1 例：波形データ 12.8 計算上考慮すべき事柄 第13章　プロトタイプ法と最近傍探索 13.1 導入 13.2 プロトタイプ法 　　13.2.1 K 平均クラスタリング 　　13.2.2 学習ベクトル量子化 　　13.2.3 混合ガウス分布 13.3 k 最近傍分類器 　　13.3.1 例：比較研究 　　13.3.2 例：k 最近傍法と画像シーンの分類 　　13.3.3 不変計量と接距離 13.4 適応的最近傍法 　　13.4.1 例 　　13.4.2 最近傍探索のための大域的な次元削減 13.5 計算上考慮すべき事柄 第14章　教師なし学習 14.1 導入 14.2 相関ルール 　　14.2.1 バスケット分析 　　14.2.2 アプリオリアルゴリズム 　　14.2.3 例：バスケット分析 　　14.2.4 教師あり学習としての教師なし学習 　　14.2.5 一般化相関ルール 　　14.2.6 教師あり学習法の選び方 　　14.2.7 例：バスケット分析（続き） 14.3 クラスタ分析 　　14.3.1 類似度行列 　　14.3.2 属性に基づく非類似度 　　14.3.3 オブジェクト間非類似度 　　14.3.4 クラスタリングアルゴリズム 　　14.3.5 組み合わせアルゴリズム 　　14.3.6 K 平均クラスタリング 　　14.3.7 ソフトなK 平均クラスタリングとしての混合ガウス分布 　　14.3.8 例：ヒト腫瘍マイクロアレイデータ 　　14.3.9 ベクトル量子化 　　14.3.10 K メドイドクラスタリング 　　14.3.11 実用上の問題 　　14.3.12 階層的クラスタリング 14.4 自己組織化マップ 14.5 主成分分析と主曲線・主曲面 　　14.5.1 主成分分析 　　14.5.2 主曲線と主曲面 　　14.5.3 スペクトラルクラスタリング 　　14.5.4 カーネル主成分分析 　　14.5.5 疎主成分分析 14.6 非負値行列分解 　　14.6.1 原型分析 14.7 独立成分分析と探索的射影追跡 　　14.7.1 隠れ変数と因子分析 　　14.7.2 独立成分分析 　　14.7.3 探索的射影追跡法 　　14.7.4 独立成分分析への直接的アプローチ 14.8 多次元尺度構成法 14.9 非線形次元削減と局所多次元尺度構成法 14.10 Google ページランクのアルゴリズム 第15章　ランダムフォレスト 15.1 導入 15.2 ランダムフォレストの定義 15.3 ランダムフォレストの詳細 　　15.3.1 抜取標本 　　15.3.2 変数重要度 　　15.3.3 類似度図 　　15.3.4 ランダムフォレストと過学習 15.4 ランダムフォレストの解析 　　15.4.1 分散と無相関効果 　　15.4.2 バイアス 　　15.4.3 適応型最近傍法 第16章　アンサンブル学習 16.1 導入 16.2 ブースティングと正則化軌跡 　　16.2.1 罰則付き回帰 　　16.2.2 「まばらなところに賭けろ」の法則 　　16.2.3 正則化軌跡，過学習，マージン 16.3 アンサンブルの学習 　　16.3.1 良いアンサンブルを学習する 　　16.3.2 規則のアンサンブル 第17章　無向グラフィカルモデル 17.1 導入 17.2 マルコフグラフとその性質 17.3 連続変数に対する無向グラフィカルモデル 　　17.3.1 グラフ構造が既知の場合のパラメータ推定 　　17.3.2 グラフ構造の推定 17.4 離散変数に対する無向グラフィカルモデル 　　17.4.1 グラフ構造が既知の場合のパラメータ推定 　　17.4.2 隠れ頂点 　　17.4.3 グラフ構造の推定 　　17.4.4 制限ボルツマンマシン 第18章　高次元の問題：p ≫ N 18.1 p がN よりもかなり大きい場合 18.2 対角線形判別分析と最近傍縮小重心 18.3 2次正則化を用いた線形分類器 　　18.3.1 正則化判別分析 　　18.3.2 2次正則化を用いたロジスティック回帰 　　18.3.3 サポートベクトル分類器 　　18.3.4 特徴選択 　　18.3.5 p ≫ N の場合の計算上の工夫 18.4 L_1 正則化を用いた線形分類器 　　18.4.1 lasso のタンパク質の質量分析への応用 　　18.4.2 関数型データに対する融合型lasso 18.5 特徴量が使えない場合の分類 　　18.5.1 例：文字列カーネルとタンパク質分類 　　18.5.2 内積カーネルとペア間距離に基づく分類器とその他のモデル 　　18.5.3 例：概要の分類 18.6 高次元回帰：教師あり主成分分析 　　18.6.1 潜在変数モデルとの関係 　　18.6.2 部分最小2 乗法との関係 　　18.6.3 特徴選択のための出力変数の前処理 18.7 特徴量評価と多重検定問題 　　18.7.1 誤り発見率 　　18.7.2 非対称閾値とマイクロアレイ有意性分析法 　　18.7.3 誤り発見率のベイズ的解釈

機械学習・ディープラーニングについて学ぶための、図解形式の解説書です。エンジニア1年生、機械学習関連企業への就職・転職を考えている人が、機械学習・ディープラーニングの基本と関連する技術、しくみ、開発の基礎知識などを一通り学ぶことができます。 1章　人工知能の基礎知識 人工知能とは 機械学習（ML）とは ディープラーニング（DL）とは 人工知能と機械学習が普及するまで 2章　機械学習の基礎知識 教師あり学習のしくみ 教師なし学習のしくみ 強化学習のしくみ 統計と機械学習の違い 機械学習と特徴量 得意な分野、苦手な分野 機械学習の活用事例 3章　機械学習のプロセスとコア技術 機械学習の基本ワークフロー データの収集 データの整形 モデルの作成と学習 バッチ学習とオンライン学習 テストデータによる予測結果の検証 学習結果に対する評価基準 ハイパーパラメータとモデルのチューニング 能動学習 相関と因果 フィードバックループ 4章　機械学習のアルゴリズム 回帰分析 サポートベクターマシン 決定木 アンサンブル学習 アンサンブル学習の応用 ロジスティック回帰 ベイジアンモデル 時系列分析と状態空間モデル k近傍(k-NN) 法とk平均(k-means)法 次元削減と主成分分析 最適化と遺伝的アルゴリズム 5章　ディープラーニングの基礎知識 ニューラルネットワークとその歴史 ディープラーニングと画像認識 ディープラーニングと自然言語処理 6章　ディープラーニングのプロセスとコア技術 誤差逆伝播法によるニューラルネットワークの学習 ニューラルネットワークの最適化 勾配消失問題 転移学習 7章　ディープラーニングのアルゴリズム 畳み込みニューラルネットワーク（CNN） 再帰型ニューラルネットワーク（RNN） 強化学習とディープラーニング オートエンコーダ GAN（敵対的生成ネットワーク） 物体検出 8章　システム開発と開発環境 人工知能プログラミングにおける主要言語 機械学習用ライブラリとフレームワーク ディープラーニングのフレームワーク GPUプログラミングと高速化 機械学習サービス

◎読者が選ぶビジネス書グランプリ2021 総合グランプリ受賞!! ◎ビジネス書大賞2020 特別賞(ソーシャルデザイン部門)受賞!! ◎ITエンジニア本大賞2021 ビジネス書部門 ベスト10! ◎累計17万5千部突破! 30万部超の名著『イシューからはじめよ』から9年――。 渾身の力で投げ込む、ファクトベースの現状分析と新たなる時代の展望! AI×データの発展により、時代は多面的に「確変モード」に突入した。 目まぐるしく動く社会の中、本書は以下の問いをひとつなぎにして答える。 ・現在の世の中の変化をどう見たらいいのか ・日本の現状をどう考えるべきか ・企業はどうしたらいいのか ・すでに大人の人はこれからどうサバイバルしていけばいいのか ・この変化の時代、子どもにはどんな経験を与え、育てればいいのか ・若者は、このAIネイティブ時代をどう捉え、生きのびていけばいいのか ・国としてのAI戦略、知財戦略はどうあるべきか? ・AI時代の人材育成は何が課題で、どう考えたらいいのか ・日本の大学など高等教育機関、研究機関の現状をどう考えたらいいのか ビジネス・教育・政策…全領域にファクトベースで斬り込む、著者渾身の書き下ろし! 意志なき悲観論でも、現実を直視しない楽観論でもない、建設的(Constructive)な、「残すに値する未来のつくり方」。 読者コメント 「久々にすっごい面白い本に出会った。これからの時代の生き方の教養書として面白い」 「これからの日本が進むべき道を豊富なデータと精緻なロジックで導き出している」 「新人教育やマネジメント教育に必須の本だと思う。これから日本で生きる全てのビジネスパーソンが何を目指し、何をすべきかが詳細に書かれている」 「安宅さんの『日本を何とかしたい』という熱い思いが伝わってきて、ビジネス書なのに感動しました。個人的に今年のベスト本になる予感」 「一気に読んだ。『未来をつくる人』をどう育てるか、についても多くのページが割かれている。子育て中の方にもおすすめ」 ●目次 1章　データ×AIが人類を再び解き放つ -- 時代の全体観と変化の本質 2章　「第二の黒船」にどう挑むか -- 日本の現状と勝ち筋 3章　求められる人材とスキル 4章　「未来を創る人」をどう育てるか 5章　未来に賭けられる国に -- リソース配分を変える 6章　残すに値する未来

全世界のＲユーザーが絶賛したベストセラーがついに翻訳！　ｇｇｐｌｏｔとｔｉｄｙｖｅｒｓｅの事前知識ゼロでもすぐに実践できる！ ★全世界のRユーザーが絶賛したベストセラー“Data Visualization: A Practical Introduction”がついに翻訳！！ ・データ可視化の奥深さを、すべての人に！ ・ggplotとtidyverseの事前知識ゼロでも、すぐに実践できる！ ・可視化の手順はもちろん、「データをどう見せるか」という意図まで踏み込んで解説！ 【サポートページ】 https://github.com/uribo/kspub-dataviz 【推薦の言葉：原著刊行にあたって】 この本は，学生や実務家がデータを定量的可視化して研究結果を最大限に活用するために必要な実践的なスキルを提供します． ・Rとggplot2を使用したハンズ・オン形式の実践的な入門を提供します． ・tidyverseを使うことでRの作業をより簡単に，より一貫性のあるものにする方法を示します． ・データセット，コード，関数が含まれたパッケージを含んでいます． ――エリザベス・ブルッフ（Elizabeth Bruch）　ミシガン大学 この本はデータの可視化法を読者に教えるだけでなく，データ可視化がなぜ優れた社会学において不可欠なものであるのか丁寧に考察しているすばらしい本です．どのレベルの学生であっても簡単に本書に取り組むことができるでしょう． ――ベッキー・ペッティ（Becky Petti）　テキサス大学オースティン校 ヒーリーは定量的なデータ可視化のプロセスに対して独創的な入門書を作りました．このすばらしい一貫した論じ方は，解析の初心者にも上級者にも学びが大きいでしょう．このような本は他にはありません． ――トーマス・J・リーパー（Thomas J. Leeper）　ロンドン・スクール・オブ・エコノミクス 【主な内容】 第1章　データを見る 第2章　さあ，始めよう！ 第3章　プロットを作る 第4章　正しい数値の示し方 第5章　データの整形・ラベル・メモの追加 第6章　モデルデータの可視化 第7章　地図を描画する 第8章　プロットを整える 付録A 第1章　データを見る 1.1　なぜデータを見るのか 1.2　悪いグラフのどこが悪いのか 1.3　知覚とデータ可視化 1.4　視覚的タスクとグラフの復号化 1.5　データ表現のための表象の種類と形式 1.6　誠実さと適切な判断に関する問題 1.7　グラフに関する明確な思考 1.8　次の一手 第2章 さあ，始めよう! 2.1　プレーンテキストでのR Markdownを使った作業 2.2　RとRStudioを利用する 2.3　Rについて知っておくべきこと 2.4　自分自身，Rへの忍耐 2.5　Rにデータを読み込ませる 2.6　最初の図を作る 2.7　次の一手 第3章　プロットを作る 3.1　ggplotはどうやって動くのか 3.2　tidyデータ 3.3　マッピングがデータと表示物を結びつける 3.4　プロットをレイヤーごとに作り上げていく 3.5　審美的要素のマッピングとテーマの設定 3.6　審美的要素はgeomでもマッピングできる 3.7　保存しよう 3.8　次の一手 第4章　正しい数値の示し方 4.1　文法としては正しいが意味をなさない 4.2　グループ別データに対応する審美的要素 4.3　複数の図を並べるためのfacet_ 関数群 4.4　geomによるデータの変換 4.5　回りくどく度数分布表を描いてみる 4.6　ヒストグラムと密度プロット 4.7　不要な変換を避ける 4.8　次の一手 第5章　データの整形・ラベル・メモの追加 5.1　パイプを使ったデータの集計 5.2　グループ化・カテゴリ化された連続変数の取り扱い 5.3　図にテキストを直接描画する 5.4　特定のデータへのラベリング 5.5　図内への描画と書き込み 5.6　scale_関数・guides()関数・theme()関数 5.7　次の一手 第6章　モデルデータの可視化 6.1　複数の回帰直線を凡例付きで一度に図示する 6.2　モデルオブジェクトの中身を確認する 6.3　モデルから図に使えるデータを正しく抽出する 6.4　予測の図示 6.5　broomパッケージによるtidyなモデルオブジェクトの取り扱い 6.6　グループ化したデータの分析およびリスト列の取り扱い 6.7　限界効果の可視化 6.8　複雑な調査データの可視化 6.9　次の一手 第7章　地図を描画する 7.1　アメリカ合衆国の州単位での地図 7.2　階級区分に頼らないアメリカ合衆国の地図 7.3　地理的な空間配置を考慮したグラフ 7.4　複数の地図を1枚の図にまとめる 7.5　そのデータは本当に空間情報を含みますか 7.6　次の一手 第8章　プロットを整える 8.1　色を使いこなす 8.2　色とテキストを一緒に重ねる 8.3　テーマを使ってプロットの外観を変更する 8.4　テーマ要素を実務的に使う 8.5　ケーススタディ 8.6　次の一手 付録A

人工知能と人間が共存する社会において、知性をどう認識し、人間はどのように生きればよいのか。3名の著者がこの問題を論じる。 人工知能と人間が共存する社会において、知性をどう認識し、人間はどのように生きればよいのか。3名の著者がこの問題を論じる。 第1部　人工知能とは 　1章　人工知能のこれまで 　2章　ディープラーニングとは何か 　3章　ディープラーニングによる今後の技術進化 　4章　消費インテリジェンス 　5章　人間を超える人工知能 第2部　人工知能と世界の見方 　1章　人工知能が「世界の見方」を変える 　2章　認知構造はどう変わろうとしているのか 　3章　強い同型論 　4章　強い同型論で知能を説明する 　5章　我々の「世界の見方」はどこからきてどこに向かうのか 第3部　人工知能と人間社会 　1章　人工知能と人間社会 　2章　自由主義の政治哲学が直面する課題 　3章　人工知能とイノベーションの正義論 　4章　世代間資産としての正義システム 　5章　自由の根拠としての可謬性

人工知能とは何か? 機械学習・ディープラーニングとは何かを、高クオリティなマンガとともに、くわしく・やさしく解説していきます。 人工知能がどのように発展してきたのか、私たちの未来をどのように変えていくのか、そして人工知能とどのように向き合っていくのかをテーマにストーリーを構成。人工知能という難しそうなテーマを、より身近に感じられるようになる一冊です。 Chapter1 人工知能の正体 ・「人間の脳」と「人工知能」 ・人工知能の定義 Chapter2 人工知能の歴史 ・人工知能の誕生-第1次AIブーム- ・コンピュータとの対話-第2次AIブーム- Chapter3 人工知能の新時代① ・第3次AIブームの始まり ・機械学習の広がりと課題 Chapter4 人工知能の新時代② ・ディープラーニングとは何か ・ディープラーニングによるブレイクするー Chapter5 人工知能と心 ・心と身体性 ・人工知能と創造性 Chapter6 人工知能が変えていく未来 ・AIを牽引する企業たち ・「眼を持つ機械」の活用 Chapter7 人工知能が人類にもたらすもの ・人工知能と倫理的課題 ・「シンギュラリティ」とその先の未来

教師なし学習は今後発展すると考えられる。実践的な視点で、データ内のパターンを特定し、異常を検出し、特徴量抽出と選択を行う。 機械学習の手法の1つ、教師なし学習に絞って解説した実践書！ 教師なし学習は、大きく3つに分類される機械学習の手法のうちの1つ。従来は、教師あり学習が主流でしたが、これからのデータ分析の形を考えると、教師なし学習も大きな一角を占めていくと考えられています。本書では、実践的な視点で、データ内に隠れている見つけにくいパターンを特定し、異常を検出し、自動的に特徴量抽出と選択を行っていきます。さらには、異なる機械学習手法の長所と短所を比較し、データに最適な手法の選び方についても、示していきます。

実用に供されることの多い回帰分析の方法を，豊富な実例と厳密な数学的証明をおりまぜて解説。 統計手法のうち，最も実用に供されることの多い回帰分析の方法を，豊富な実例と厳密な数学的証明をおりまぜて解説。〔内容〕回帰分析への誘い／ベクトルと行列／多変量正規分布／線形回帰モデル／仮説検定・区間推定・予測／説明変数の問題 1.　回帰分析への誘い 　1.1　２変数回帰 　1.2　最小２乗推定 　1.3　本書のプラン 2.　ベクトルと行列 　2.1　ベクトルとベクトル空間 　2.2　行列と行列式 　2.3　２次形式の標準化 　2.4　不等式と最大最小問題 　2.5　ベクトルの微分とベクトル確率変数 3.　多変量正規分布 　3.1　多変量正規分布 　3.2　２次形式の分布 4.　線形回帰モデル 　4.1　最小２乗推定 　4.2　最小２乗推定量の性質 　4.3　誤差分散σ2 の推定 　4.4　回帰モデルの正準化 　4.5　推定量の分布 5.　仮説検定，区間推定，予測 　5.1　線形制約の検定 　5.2　信頼領域の構成 　5.3　区間予測 6.　標準的諸仮定からのズレ 　6.1　誤差項の相関と分散不均一 　6.2　仮説検定 　6.3　正規分布からのズレ 　6.4　残差の分析 7.　説明変数の問題 　7.1　説明変数選択のための諸基準 　7.2　多重共線性 　7.3　変数変換と非線形性 8.　文献解題 9.　付　表 10.　索　引

機械学習やデータ分析の道具をどのようにビジネスに生かしていけば良いのか、「仕事で使う」という観点から整理。 機械学習を実際の業務で利用する時に知っておくべき全体像が分かる！ 機械学習やデータ分析の道具をどのようにビジネスに生かしていけば良いのか、不確実性の高い機械学習プロジェクトの進め方などを「仕事で使う」という観点から整理します。 プロジェクトのはじめ方や、システム構成、学習のためのリソースの収集方法など、読者が「実際どうするの？」と気になるであろう点を中心にまとめています。「人工知能でいい感じの成果を出してくれ」とあいまいな指示をされたとき、本書で学んだことが活きてくるに違いありません。

世界屈指のマーケター＆アナリストがＵＳＪに導入した秘伝の数式を公開。 世界屈指のマーケター＆アナリストが、ＵＳＪに導入した秘伝の数式を公開。 ビジネス戦略の成否は「確率」で決まっている。 その確率はある程度まで操作することができる。 八方塞りに思える状況でも、市場構造や消費者の本質を理解していると、 勝てなさそうに見える局面や相手に対しても勝つチャンスのある戦い方、 つまり勝つ確率の高い戦略を導き出すことができる。 その戦略を導き出すのが「数学マーケティング」である。 「ビジネス戦略とは確率論である」「成功確率はある程度操作できる」「需要予測はそのための有用な道具である」など、企業戦略に役立つ智慧と数式が詰まった上級者向けのマーケティング実践書。 序章　　ビジネスの神様はシンプルな顔をしている　　 第１章　市場構造の本質　　　　　　　　　　　　　　 第２章　戦略の本質とは何か？　　　　　　　　　　　　　 第３章　戦略はどうつくるのか？　　　　　　　　　　　 第４章　数字に熱を込めろ！　　　　　　　　　　 第５章　市場調査の本質と役割　　　 第６章　需要予測の理論と実際　　　　　　　　　　　 第7章　消費者データの危険性　　　　　　　　　 第８章　マーケティングを機能させる組織　　　　　　　　　　　　　 解説１　確率理論の導入とプレファレンスの数学的説明　　 解説２　市場理解と予測に役立つ数学ツール　　　　　　 終章　2015年10月にUSJがTDLを超えた数学的論拠