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

ネットワーク分析

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

ビジネスや意思決定の場面で，データを活用したい方に手にとっていただきたいデータサイエンスの入門書。目的別の分析手法を幅広く… ビジネスや意思決定の場面で，データを活用したい方に向けたデータサイエンスの入門書。データの種類ごとの性質や収集時の注意点，目的別の分析手法からデータ可視化まで幅広く扱う。各章末には課題を設置し，最終章ではデータサイエンスの展望や限界についても言及。 第１章　データサイエンスとは 第２章　データ収集のための基礎知識 第３章　データ空間の構成法 第４章　データ生成のメカニズム 第５章　データの可視化手法 第６章　データ分析の手法 第７章　データ活用のフレームワーク 第８章　データの分析事例 第９章　データ分析上の注意点と応用知識

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

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

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

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

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

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）

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

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

人工知能 人工知能と世界の見方 人工知能と社会

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