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

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

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））

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

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

Python（パイソン）は初心者が比較的修得しやすく、AI（人工知能）やパターン認識などの先端技術に活用されている優れたプログラミング言語です。 本書では、初心者を対象に、Pythonを使ったプログラミングの勘所をやさしく解説しました。 例題に取り組むことで、プログラミングとはどういうものかを理解し、プログラミング的思考を身につけてもらうことを目的に執筆しました。 読者の皆さんが、楽しみながらPythonの素晴らしさやプログラミングの醍醐味を感じていただけたら、著者として望外の喜びです。

「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

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

分割表・回帰分析・ロジスティック回帰

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

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

データを制するものはビジネスを制す データから価値を生むための知識を網羅 データを制するものはビジネスを制す データから価値を生むための知識を網羅 データは現実の世界を映し出す。外界が生きているのと同じようにデータも生きている。実在する商品、製品、サービス、人材、不動産に品質があるようにデータにも品質がある。高品質データは資産であり、モノやコトの状態、モノやコトの多様な関係を正確に描写する。データは企業活動を支えるインフラであり、価値を提供する。データを活用して高度な決定を下し、業務を自動化し、市場を把握し、未来を予測できる。 本書『データマネジメント知識体系ガイド第二版』はデータから価値を生み出す方法を様々な角度から解説したものである。国際的に著名で経験豊かなデータマネジメント・プロフェッショナルの知見が全17章に詰まっており、データのデザインからオペレーション、セキュリティと品質、メタデータ/マスターデータの管理、そしてデータガバナンスまで、やるべきことが詳述してある。 第一版の日本語版が2011年に発売されてから7年が経過したが、第二版は改訂版ではなく、全ての章が一から書き直されている。時代の要請に応えて書かれた「データ取扱倫理」「データ統合と相互運用性」「ビッグデータとデータサイエンス」、組織に焦点を当てた「データマネジメント成熟度アセスメント」「データマネジメント組織と役割期待」「データマネジメントと組織の変革」、以上6章が新章として追加され、全体で672ページと第一版の1.5倍以上になった。 初めに各章のイントロダクションを通読するのもよし、興味がある章を選んで熟読するのもよし。経営者、業務担当者、IT担当者、コンサルタント、それぞれの役割に応じたやるべきことが見えてくるはずである。 データを制するものはビジネスを制す データから価値を生むための知識を網羅 第1章　データマネジメント 第2章　データ取扱倫理 第3章　データガバナンス 第4章　データアーキテクチャ 第5章　データモデリングとデザイン 第6章　データストレージとオペレーション 第7章　データセキュリティ 第8章　データ統合と相互運用性 第9章　ドキュメントとコンテンツ管理 第10章　参照データとマスターデータ 第11章　データウェアハウジングとビジネスインテリジェンス 第12章　メタデータ管理 第13章　データ品質 第14章　ビッグデータとデータサイエンス 第15章　データマネジメント成熟度アセスメント 第16章　データマネジメント組織と役割期待 第17章　データマネジメントと組織の変革

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

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

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

新しいデータシステム「データレイク」をAWS（Amazon Web Services）で構築する方法を、クラウドのプロが充… 従来のデータベースを発展させた、クラウド時代のデータシステム「データレイク」をAWS（Amazon Web Services）上で実現するための指南書。クラウドのプロによる解説で概念と実践を充実解説。 「データレイク」は、大量データ分析／生成データの活用を視野に入れた新しいデータストアのかたちです。従来のデータベース／データウェアハウスの範囲に収まらない多様なデータを大量に保管し、高度な統計分析や機械学習に役立つ情報基盤を作ることが可能です。 本書ではデータレイクの概念や特徴、必要とされる機能などを基本から解説し、さらにAmazonが運営するパブリッククラウドサービスAWS（Amazon Web Services）で実現する方法を解説します。 従来では想定しえなかった大量のデータを確実に保管するため、データレイクの世界ではクラウドのようなサービス型インフラストラクチャの活用が注目されます。さらにAWSではオブジェクトストレージS3上のデータを直接分析するAmazon Athena、データウェアハウスのAmazon Redshift、機械学習を実現するAmazon SageMakerなど、データレイクを支えるさまざまな仕組みが存在します。 本書ではそれらの活用の指針を解説するとともに、後半ではシステムの構築例を具体的に解説していきます。ビジネスデータ分析とログなどの生成データ分析を例に、システム構築の流れを詳しく紹介し、機械学習や統計分析をビジネスの現場で活かせる仕組みの技術的なヒントを数多く提供します。 第1部 データレイクの概念と知識 序章 データレイ クを始めよう 第1章 データレイクの構築 第2章 データレイクの活用 第3章 データレイクの運用 第4章 データレイクのセキュリティ 第2部 データレイクの実践（基礎編） 第5章 ハンズオンの概要 ービジネスデータのデータレイクー 第6章 データを可視化する 第7章 サーバーレスSQLによるデータ分析 第8章 データを変換する 第9章 データを分析する（データウェアハウス） 第3部 データレイクの実践（応用編） 第10章 システムの概要 ーログデータのデータレイクー 第11章 ログを集める 第12章 ログの保管とカタログ化 第13章 ログを加工する 第14章 ログを分析する

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

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）

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

　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

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

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。

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