【2023最新】「データサイエンス」のおすすめ本！人気ランキング|Yomeru

【2023最新】「データサイエンス」のおすすめ本！人気ランキング

この記事では、「データサイエンス」のおすすめ本をランキング形式で紹介していきます。インターネット上の口コミや評判をベースに集計し独自のスコアでランク付けしています。ランキングの算出根拠は以下をご覧ください

※ランキング算出根拠

Python 1年生 体験してわかる！会話でまなべる！プログラミングのしくみ

著者 森 巧尚
出版社 翔泳社
紹介サイト数 16
おすすめ度 100.0
書籍の説明 Python初心者でも安心して学べる超入門書の登場！ 【本書の概要】 Web開発やデータ分析などの分野で近年、ユーザー数が増えてきているPython。 最近では、Pythonに触れる方も多くなってきています。 本書はそうしたPython初心者の方に向けて、 簡単なサンプルを作りながら、対話形式でプログラミングのしくみを学ぶ書籍です。 【対象読者】 Pythonのついて、何も知らない超初心者 【1年生シリーズ・3つのポイント】 ・対話形式で解説し、イラストを交えながら、基礎知識を解説します。 ・初めての方でも安心して学習できるよう基本文法もしっかり解説します。 ・平易でサンプルを用意していますので、安心してプログラムを体験できます。 【本書のポイント】 ヤギ博士とフタバちゃんと一緒に 基本的なプログラムから、面白い人工知能アプリの作成まで 体験して、プログラミングのしくみを学ぶことができます。 【著者】 森 巧尚(もり よしなお) iPhoneアプリやWebコンテンツの制作、執筆活動、関西学院大学非常勤講師など、 プログラミングにまつわる幅広い活動を行っている。 近著に『やさしくはじめるiPhoneアプリ作りの教科書』（マイナビ出版）、 『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) 、 『なるほど！プログラミング』（SBクリエイティブ）などがある。 第1章　Python で何ができるの？ 第2章　Python を触ってみよう 第3章　プログラムの基本を知ろう 第4章　アプリを作ってみよう 第5章　人工知能（チノ）くんと遊んでみよう
Amazonで購入する

Pythonスタートブック [増補改訂版]

著者 辻 真吾
出版社 技術評論社
紹介サイト数 16
おすすめ度 84.84548027688714
書籍の説明
Amazonで購入する

独学プログラマー Python言語の基本から仕事のやり方まで

著者 コーリー・アルソフ
出版社 日経BP
紹介サイト数 13
おすすめ度 64.24235978663005
書籍の説明 本書は「Pythonだけ」を学ぶ本ではありません。Pythonを使ってプログラミングを紹介していますが、伝えたい内容はPythonに限らない「プログラミング全般」の知識です。 本書の著者、コーリー・アルソフ（Cory Althoff）は、「独学プログラマー」です。本書は、彼が独学で、ゼロからプログラミングを学んだ体験に基づいて書かれました。 プログラミングを独学で身に付けるために、著者がPythonを通して学んだエッセンスが書かれています。彼の独学プログラマーとしての学び方は、Amazon.comでの本書の評価を見るとわかるように、多くの人に支持されています。 ――訳者あとがきより 第1部（Part1） 第1章　イントロダクション 第2章　さあ、はじめよう！ 第3章　プログラミング入門 第4章　関数 第5章　コンテナ 第6章　文字列操作 第7章　ループ 第8章　モジュール 第9章　ファイル 第10章　知識を1つにまとめる 第11章　ハマったときの助け 第2部（Part2） 第12章　プログラミングパラダイム 第13章　オブジェクト指向プログラミングの４大要素 第14章　もっとオブジェクト指向プログラミング 第15章　知識を1つにまとめる 第3部（Part3） 第16章　Bash 第17章　正規表現 第18章　パッケージ管理 第19章　バージョン管理 第20章　知識を1つにまとめる 第4部（Part4） 第21章　データ構造 第22章　アルゴリズム 第5部（Part5）　 第23章　プログラミングのベストプラクティス 第24章　プログラマーとしての最初の仕事 第25章　チームで働く 第26章　さらに学ぼう 第27章　次のステップ 第6部（Part6） 補章　より良いコードにするために 補章　継続して学ぶために 謝辞 訳者あとがき 索引 第1部（Part1） 第1章　イントロダクション 第2章　さあ、はじめよう！ 第3章　プログラミング入門 第4章　関数 第5章　コンテナ 第6章　文字列操作 第7章　ループ 第8章　モジュール 第9章　ファイル 第10章　知識を1つにまとめる 第11章　ハマったときの助け 第2部（Part2） 第12章　プログラミングパラダイム 第13章　オブジェクト指向プログラミングの４大要素 第14章　もっとオブジェクト指向プログラミング 第15章　知識を1つにまとめる 第3部（Part3） 第16章　Bash 第17章　正規表現 第18章　パッケージ管理 第19章　バージョン管理 第20章　知識を1つにまとめる 第4部（Part4） 第21章　データ構造 第22章　アルゴリズム 第5部（Part5）　 第23章　プログラミングのベストプラクティス 第24章　プログラマーとしての最初の仕事 第25章　チームで働く 第26章　さらに学ぼう 第27章　次のステップ 第6部（Part6） 補章　より良いコードにするために 補章　継続して学ぶために 謝辞 訳者あとがき 索引
Amazonで購入する

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

著者 斎藤 康毅
出版社 オライリージャパン
紹介サイト数 13
おすすめ度 60.47007681314916
書籍の説明 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。
Amazonで購入する

漫画でわかる デジタルマーケティング×データ分析

著者 上野 佑馬(ウマたん)
出版社 ビジネス教育出版社
紹介サイト数 13
おすすめ度 59.78010182354166
書籍の説明 個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を… 個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を学ぶ
Amazonで購入する

Python実践データ分析100本ノック

著者 下山 輝昌
出版社 秀和システム
紹介サイト数 12
おすすめ度 56.27393491801524
書籍の説明 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
Amazonで購入する

統計学入門 (基礎統計学Ⅰ)

著者 東京大学教養学部統計学教室
出版社 東京大学出版会
紹介サイト数 11
おすすめ度 53.010683175555286
書籍の説明 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
Amazonで購入する

独習Python

著者 山田 祥寛
出版社 翔泳社
紹介サイト数 9
おすすめ度 42.32173328041953
書籍の説明 プログラミング初学者に向けた独習シリーズに『独習Python』が新登場。山田祥寛氏によるPython入門書の決定版。 手を動かしておぼえるPythonプログラミング ――独学に最適な“標準教科書” プログラミングの初学者に向けた独習シリーズに『独習Python』が新登場。 プログラミング言語入門書の執筆で定評のある山田祥寛氏による、 Python入門書の決定版です。 独習シリーズの強みである、手を動かしておぼえる（書いて実行して結果を確認する） 特長を生かし、Pythonの基本的な言語仕様から、標準ライブラリ、ユーザー定義関数、 オブジェクト指向構文、モジュールまで、サンプルプログラムを例示しながら 詳細かつ丁寧に解説します。 プログラミングの基礎知識がない方でも、解説→例題（サンプル）→理解度チェック という3つのステップで、Pythonでプログラミングを行う際に必要な知識・概念・機能を 体系的に習得できます。 プログラミングの入門者、これからPythonで開発を始めたい初学者から、再入門者、 学生・ホビープログラマまで、「一からPython言語を学びたい」「Pythonプログラミング の基本をしっかり身につけたい」という方におすすめの一冊です。 第1章　イントロダクション 1.1　Pythonとは？ 1.2　Pythonの歴史と現状 1.3　Pythonアプリを開発／実行するための基本環境 1.4　Pythonプログラミングの基本 1.5　Pythonの基本ルール 1.6　開発／学習の前に押さえておきたいテーマ 第2章　Pythonの基本 2.1　変数 2.2　データ型 第3章　演算子 3.1　算術演算子 3.2　代入演算子 3.3　比較演算子 3.4　論理演算子 3.5　ビット演算子 3.6　演算子の優先順位と結合則 第4章　制御構文 4.1　条件分岐 4.2　繰り返し処理 4.3　ループの制御 4.4　例外処理 第5章　標準ライブラリ［基本］ 5.1　ライブラリの分類 5.2　文字列の操作 5.3　日付／時刻の操作 第6章　標準ライブラリ［コレクション］ 6.1　シーケンス型 6.2　セット（集合）型 6.3　辞書（dict）型 第7章　標準ライブラリ［その他］ 7.1　正規表現 7.2　ファイル操作 7.3　ファイルシステムの操作 7.4　HTTP経由でコンテンツを取得する 7.5　その他の機能 第8章　ユーザー定義関数 8.1　ユーザー定義関数の基本 8.2　変数の有効範囲（スコープ） 8.3　引数のさまざまな記法 8.4　関数呼び出しと戻り値 第9章　ユーザー定義関数［応用］ 9.1　デコレーター 9.2　ジェネレーター 9.3　関数のモジュール化 9.4　非同期処理 9.5　ドキュメンテーション 第10章　オブジェクト指向構文 10.1　クラスの定義 10.2　カプセル化 10.3　継承 10.4　ポリモーフィズム 第11章　オブジェクト指向構文［応用］ 11.1　例外処理 11.2　特殊メソッド 11.3　データクラス 11.4　イテレーター 11.5　メタクラス 付録A　「練習問題」「このの理解度チェック」解答
Amazonで購入する

リーダブルコード ―より良いコードを書くためのシンプルで実践的なテクニック (Theory in practice)

著者 Dustin Boswell
出版社 オライリージャパン
紹介サイト数 8
おすすめ度 41.69314117430291
書籍の説明 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
Amazonで購入する

Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎

著者 Andreas C. Muller
出版社 オライリージャパン
紹介サイト数 8
おすすめ度 38.36832046812564
書籍の説明 バックグラウンドに数学的な知識がなくても理解できるように書かれた、Pythonを使った機械学習の入門書。 数学の知識がなくても読み進められる、理論だけでなく実践面も重視した機械学習の入門書！ バックグラウンドに数学的な知識がなくても理解できるように書かれた、Pythonを使った機械学習の入門書。Pythonの機械学習用ライブラリの大定番、scikit-learnの開発に関わる著者が、scikit-learnを使った機械学習の方法を、ステップバイステップで解説します。最初に実践について述べて後から理論を補強するスタイルで、理解しやすいように工夫されています。理論面と実践面のバランスが良く、モデルの評価と改善について多くの紙面を割くなど、類書にはない特徴を備えています。
Amazonで購入する

確率思考の戦略論 USJでも実証された数学マーケティングの力

著者 森岡 毅
出版社 KADOKAWA/角川書店
紹介サイト数 8
おすすめ度 36.477660227017765
書籍の説明 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　　
Amazonで購入する

人工知能は人間を超えるか ディープラーニングの先にあるもの (角川EPUB選書)

著者 松尾 豊
出版社 KADOKAWA/中経出版
紹介サイト数 6
おすすめ度 32.07567945889506
書籍の説明 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。
Amazonで購入する

仕事ではじめる機械学習

著者 有賀 康顕
出版社 オライリージャパン
紹介サイト数 6
おすすめ度 28.745592876228677
書籍の説明 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。
Amazonで購入する

完全独習 統計学入門

著者 小島 寛之
出版社 ダイヤモンド社
紹介サイト数 5
おすすめ度 28.09920976997326
書籍の説明 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)
Amazonで購入する

はじめてのパターン認識

著者 平井 有三
出版社 森北出版
紹介サイト数 6
おすすめ度 27.726568896077346
書籍の説明 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
Amazonで購入する

Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

著者 Jake VanderPlas
出版社 オライリージャパン
紹介サイト数 5
おすすめ度 26.55520113078274
書籍の説明 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。
Amazonで購入する

[第3版]Python機械学習プログラミング 達人データサイエンティストによる理論と実践 (impress top gear)

著者 Sebastian Raschka
出版社 インプレス
紹介サイト数 5
おすすめ度 25.566885819132747
書籍の説明 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。
Amazonで購入する

入門 Python 3

著者 Bill Lubanovic
出版社 オライリージャパン
紹介サイト数 5
おすすめ度 24.51820278317301
書籍の説明 プログラミング初心者を対象としたPythonの入門書。プログラミングおよびPythonの基礎から応用まで丁寧に説明。 実践を見据えた本格的な「Python入門書」！ Pythonが誕生して四半世紀。データサイエンスやウェブ開発、セキュリティなどさまざまな分野でPythonの人気が急上昇中です。プログラミング教育の現場でもCに代わってPythonの採用が増えてきています。本書は、プログラミングが初めてという人を対象に書かれた、Pythonの入門書です。前提とする知識は特にありません。プログラミングおよびPythonの基礎からウェブ、データベース、ネットワーク、並列処理といった応用まで、Pythonプログラミングをわかりやすく丁寧に説明します。
Amazonで購入する

見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑

著者 秋庭 伸也
出版社 翔泳社
紹介サイト数 5
おすすめ度 23.260224669404685
書籍の説明 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
Amazonで購入する

データ解析のための統計モデリング入門――一般化線形モデル・階層ベイズモデル・MCMC (確率と情報の科学)

著者 久保 拓弥
出版社 岩波書店
紹介サイト数 5
おすすめ度 23.09852664366849
書籍の説明 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
Amazonで購入する

ゼロから作るDeep Learning ❷ ―自然言語処理編

著者 斎藤 康毅
出版社 オライリージャパン
紹介サイト数 5
おすすめ度 22.16242206625755
書籍の説明 大ベストセラーの続編。さらに作る、さらに深くDeep Learningに迫る！ 大ベストセラーの続編。さらに作る、さらに深くDeep Learningに迫る！ コンピュータの専門書としては異例の大ヒットを記録した『ゼロから作るDeep Learning』の続編。第二弾の本書では、自然言語処理や時系列データ処理に焦点を当て、ディープラーニングを使ってさまざまな問題に挑みます。word2vecやRNN（リカレントニューラルネットワーク）、LSTMやGRU、seq2seqやAttention……ディープラーニングを支えるこれら最先端の技術を実装レベルでマスターできます。前作同様、平坦な言葉で分かりやすくをモットーに、高度に見える技術の裏側をじっくり説明し、実際に作ることで理解を深めます。最後までコンセプトは変わらない。ゼロから作る！
Amazonで購入する

改訂2版 データサイエンティスト養成読本 [プロになるためのデータ分析力が身につく! ] (Software Design plus)

著者 佐藤 洋行
出版社 技術評論社
紹介サイト数 4
おすすめ度 21.648261791398973
書籍の説明 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)
Amazonで購入する

Python2年生 データ分析のしくみ 体験してわかる! 会話でまなべる!

著者 森 巧尚
出版社 翔泳社
紹介サイト数 4
おすすめ度 21.35631951809782
書籍の説明 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
Amazonで購入する

AI・データ分析プロジェクトのすべて[ビジネス力×技術力=価値創出]

著者 大城 信晃(監修・著者)
出版社 技術評論社
紹介サイト数 4
おすすめ度 20.24307736327648
書籍の説明 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
Amazonで購入する

Pythonによるデータ分析入門 第2版 ―NumPy、pandasを使ったデータ処理

著者 Wes McKinney
出版社 オライリージャパン
紹介サイト数 4
おすすめ度 20.208343121388207
書籍の説明 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。
Amazonで購入する

深層学習 改訂第2版 (機械学習プロフェッショナルシリーズ)

著者 岡谷 貴之
出版社 講談社
紹介サイト数 4
おすすめ度 19.396842565093483
書籍の説明 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
Amazonで購入する

統計学が最強の学問である

著者 西内 啓
出版社 ダイヤモンド社
紹介サイト数 4
おすすめ度 18.879563046499
書籍の説明 あえて断言しよう。あらゆる学問のなかで統計学が最強の学問であると。どんな権威やロジックも吹き飛ばして正解を導き出す統計学の影響は、現代社会で強まる一方である。「ビッグデータ」などの言葉が流行ることもそうした状況の現れだが、はたしてどれだけの人が、その本当の魅力とパワフルさを知っているだろうか。本書では、最新の事例と研究結果をもとに、今までにない切り口から統計学の世界を案内する。 第1章 なぜ統計学が最強の学問なのか? 第2章 サンプリングが情報コストを激減させる 第3章 誤差と因果関係が統計学のキモである 第4章 「ランダム化」という最強の武器 第5章 ランダム化ができなかったらどうするか? 第6章 統計家たちの仁義なき戦い 終章 巨人の肩に立つ方法
Amazonで購入する

これなら分かる最適化数学: 基礎原理から計算手法まで

著者 健一, 金谷
出版社 共立出版
紹介サイト数 4
おすすめ度 18.41800375661381
書籍の説明 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
Amazonで購入する

Kaggleで勝つデータ分析の技術

著者 門脇 大輔
出版社 技術評論社
紹介サイト数 4
おすすめ度 17.64037509073179
書籍の説明 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
Amazonで購入する

統計学が最強の学問である[実践編]――データ分析のための思想と方法

著者 西内 啓
出版社 ダイヤモンド社
紹介サイト数 4
おすすめ度 17.563148508545172
書籍の説明 平均値の知られざる本質から代表的な6手法の使い方まで、「ビジネス×統計学」の最前線で活躍する著者が明かす因果関係を見抜くためのフレームワーク。 序章 ビジネスと統計学を繋ぐために 第1章 統計学の実践は基本の見直しから始まる-「平均」と「割合」の本質 第2章 統計学が「最強」であるもう1つの理由-標準誤差と仮説検定 第3章 洞察の王道となる手法群-重回帰分析とロジスティック回帰 第4章 データの背後にある「何か」-因子分析とクラスター分析 終章 統計手法のまとめと使用の手順
Amazonで購入する

詳細! Python 3 入門ノート

著者 大重 美幸
出版社 ソーテック社
紹介サイト数 4
おすすめ度 17.454251688819134
書籍の説明 Pythonプログラミングを全力で学ぶならこの1冊!Pythonをこれから学ぶビギナーから、基礎力を得て現場で実践したい方まで、確実なスキルアップをはかれます。 1 準備:Python3をはじめよう(Python3の準備 プログラムを試してみよう) 2 基礎:Pythonの基本構文を学ぶ(値と変数 標準ライブラリ 条件分岐、繰り返し、例外処理 リスト タプル セット(集合) 辞書 ユーザ定義関数 関数の高度な利用 クラス定義) 3 応用:科学から機械学習まで(テキストファイルの読み込みと書き出し グラフを描く NumPyの配列 機械学習を試そう)
Amazonで購入する

Pythonによるあたらしいデータ分析の教科書

著者 寺田 学
出版社 翔泳社
紹介サイト数 3
おすすめ度 17.318609433119178
書籍の説明 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
Amazonで購入する

図解即戦力　機械学習&ディープラーニングのしくみと技術がこれ1冊でしっかりわかる教科書

著者 株式会社アイデミー
出版社 技術評論社
紹介サイト数 3
おすすめ度 17.211548938441716
書籍の説明 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
Amazonで購入する

最短コースでわかる ディープラーニングの数学

著者 赤石 雅典
出版社 日経BP
紹介サイト数 3
おすすめ度 17.101277863762387
書籍の説明 AIのブラックボックスを開けよう！ 「ディープラーニング」の動作原理を「本当に」理解できる本です。 AIのブラックボックスを開けよう！ ディープラーニングの本質を理解するために必要な「数学」を 「最短コース」で学べます！ 「ディープラーニング」の動作原理を「本当に」理解できる本です。 本書では、ディープラーニングの理解には欠かせない数学を 高校1年生レベルから、やさしく解説します。 （微分、ベクトル、行列、確率など） 最短コースで理解できるように、 解説する数学の分野は必要最低限のものだけに絞り、 その相関関係を★特製の綴込マップ★にまとめました。 また、数学を使ってイチから記述したコードを Jupyter Notebook形式で提供しますので 実際に動かしながら学ぶことができます。 「ディープラーニング」の動作原理を「本当に」理解できる本です。 AIのブラックボックスを開けよう！ 「ディープラーニング」の動作原理を「本当に」理解できる本です。 【導入編】 1章 機械学習入門 【理論編】 2章 微分・積分 3章 ベクトル・行列 4章 多変数関数の微分 5章 指数関数・対数関数 6章 確率・統計 【実践編】 7章 線形回帰モデル（回帰） 8章 ロジスティック回帰モデル（2値分類） 9章 ロジスティック回帰モデル（多値分類） 10章 ディープラーニングモデル 【発展編】 11章 実用的なディープラーニングを目指して ★巻頭綴じ込み★最短コースマップ
Amazonで購入する

徹底攻略データサイエンティスト検定問題集[リテラシーレベル]対応

著者 スキルアップAI株式会社 小縣 信也
出版社 インプレス
紹介サイト数 3
おすすめ度 16.814795340519346
書籍の説明
Amazonで購入する

入門 統計解析法

著者 永田 靖
出版社 日科技連出版社
紹介サイト数 3
おすすめ度 16.764413931259366
書籍の説明 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
Amazonで購入する

実践Data Scienceシリーズ RとStanではじめる ベイズ統計モデリングによるデータ分析入門 (KS情報科学専門書)

著者 馬場 真哉
出版社 講談社
紹介サイト数 3
おすすめ度 16.10630677280084
書籍の説明 「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
Amazonで購入する

マネー・ボール〔完全版〕 (ハヤカワ・ノンフィクション文庫)

著者 マイケル・ルイス
出版社 早川書房
紹介サイト数 3
おすすめ度 15.656022927539738
書籍の説明 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。
Amazonで購入する

機械学習のエッセンス -実装しながら学ぶPython,数学,アルゴリズム- (Machine Learning)

著者 加藤 公一
出版社 SBクリエイティブ
紹介サイト数 3
おすすめ度 15.067190206813684
書籍の説明 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
Amazonで購入する

前処理大全[データ分析のためのSQL/R/Python実践テクニック]

著者 本橋 智光
出版社 技術評論社
紹介サイト数 3
おすすめ度 14.509845866875123
書籍の説明
Amazonで購入する

Rによるやさしい統計学

著者 山田 剛史
出版社 オーム社
紹介サイト数 3
おすすめ度 14.381975659677233
書籍の説明 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
Amazonで購入する

エンジニアなら知っておきたいAIのキホン 機械学習・統計学・アルゴリズムをやさしく解説

著者 梅田 弘之
出版社 インプレス
紹介サイト数 3
おすすめ度 14.210409189197867
書籍の説明
Amazonで購入する

やさしく学ぶ 機械学習を理解するための数学のきほん ~アヤノ&ミオと一緒に学ぶ 機械学習の理論と数学、実装まで~

著者 立石 賢吾
出版社 マイナビ出版
紹介サイト数 3
おすすめ度 13.763951442475003
書籍の説明 数学がニガテでも大丈夫！ 機械学習をやさしく学ぼう 「機械学習に興味があるけど、どの資料を見ても数式が出てきて、分からない･･･」 本書は、そんな方にぴったりの本です。 機械学習を勉強中のプログラマ「アヤノ」と、友達の「ミオ」の会話を通じて、楽しく学んでいきます。本書では、 ・そもそも機械学習がどうして注目を集めているのか？ ・機械学習でできることにはどんなことがあるのか？ ・どんな時に、回帰や分類、クラスタリングをすると有効なのか？ といった基本的なところから、 ・ある問題に対して、どのように解決方法を考えればいいのか ・その解決方法を数式にするとどんな形になるのか ・実際にプログラムの形にするとどうなるのか まで、丁寧に、じっくりと説明していきます。 とくに、数式については、高校で習った数学を忘れている方でも分かるように、つまづきやすいところや理解しにくいところを重点的に解説します。 ※プログラムはPython 3で実装します Chapter1　ふたりの旅の始まり Chapter2　回帰について学ぼう　～広告費からクリック数を予測する Chapter3　分類について学ぼう　～画像サイズに基づいて分類する Chapter4　評価してみよう　～作ったモデルを評価する Chapter5　実装してみよう　～Pythonでプログラミングする
Amazonで購入する

仕事ではじめる機械学習 第2版

著者 有賀 康顕
出版社 オライリージャパン
紹介サイト数 3
おすすめ度 13.714885361147891
書籍の説明 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。
Amazonで購入する

ゲーム理論・入門 新版--人間社会の理解のために (有斐閣アルマ)

著者 岡田 章
出版社 有斐閣
紹介サイト数 3
おすすめ度 13.637555977138554
書籍の説明 オークション等の注目のトピックスを盛り込み，解説をさらに丁寧に初学者にわかりやすく，新たに2色刷としてさらに読みやすく一新。 基礎から新しい研究成果までをカバーし，楽しみながらゲーム理論のエッセンスとその考え方を学べるスタンダードテキストの新版。オークション等の注目トピックスを盛り込み，さらに丁寧な解説でわかりやすく，新たに２色刷としてさらに読みやすく一新。 第１章　ゲーム理論とは何だろうか？ 第２章　選択と意思決定 第３章　戦略ゲーム 第４章　ナッシュ均衡点 第５章　利害の対立と協力 第６章　ダイナミックなゲーム 第７章　繰り返しゲーム 第８章　不確実な相手とのゲーム 第９章　交渉ゲーム 第10章　グループ形成と利得分配 第11章　進化ゲーム 第12章　ゲーム実験
Amazonで購入する

新装改訂版 現代数理統計学

著者 彰通, 竹村
出版社 学術図書出版社
紹介サイト数 3
おすすめ度 13.62215273598525
書籍の説明 多くの読者から親しまれてきた定評あるテキストの新版。練習問題を増やし解答をつけ学習の便宜を図った。統計検定1級対策にも好適。 多くの読者から親しまれてきた定評あるテキストの新装改訂版． 数理統計学の基礎的な概念，標準的な理論を数学的説明だけでなく言葉で丁寧に解説する．さらに，広範にわたる話題を一貫した視点でとらえることにより統一的・俯瞰的な理解へ導く． このたびの改訂では読者の学習の便宜をはかり，新たに40題の練習問題を追加するとともに，問題解答例をサポートサイトにて公開する． 統計検定®1級試験に向けた学習にも好適． 【統計検定®推薦図書】 ※ 本書は，1991年11月に創文社より刊行されたものを新たに組み直し増補改訂した新版です． ※ 統計検定®は一般財団法人統計質保証推進協会の登録商標です． 多くの読者から親しまれてきた定評あるテキストの新版。このたびの改訂では，練習問題を増やし解答をつけ，読者の学習の便宜を図った。統計検定1級試験に向けた学習にも好適。 第1章　前置きと準備 第2章　確率と1次元の確率変数 第3章　多次元の確率変数 第4章　統計量と標本分布 第5章　統計的決定理論の枠組み 第6章　十分統計量 第7章　推定論 第8章　検定論 第9章　区間推定 第10章　正規分布，2項分布に関する推測 第11章　線形モデル 第12章　ノンパラメトリック法 第13章　漸近理論 第14章　ベイズ法 補論 参考文献
Amazonで購入する

いちばんやさしい機械学習プロジェクトの教本 人気講師が教える仕事に AI を導入する方法 (「いちばんやさしい教本」シリーズ)

著者 韮原祐介
出版社 インプレス
紹介サイト数 3
おすすめ度 13.52849836871733
書籍の説明
Amazonで購入する

大学4年間のデータサイエンスが10時間でざっと学べる

著者 久野 遼平
出版社 KADOKAWA
紹介サイト数 2
おすすめ度 13.508515357832959
書籍の説明 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
Amazonで購入する

パターン認識と機械学習 上

著者 C.M. ビショップ
出版社 丸善出版
紹介サイト数 3
おすすめ度 13.49696961821088
書籍の説明
Amazonで購入する

欠測データ処理: Rによる単一代入法と多重代入法 (統計学One Point)

著者 将宜, 高橋
出版社 共立出版
紹介サイト数 3
おすすめ度 13.266054825769292
書籍の説明 　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
Amazonで購入する

「原因と結果」の経済学―――データから真実を見抜く思考法

著者 中室牧子
出版社 ダイヤモンド社
紹介サイト数 3
おすすめ度 13.07837144935624
書籍の説明 「健診を受けていれば健康になれる」「テレビを見せると子どもの学力が下がる」「偏差値の高い大学に行けば収入は上がる」はなぜ間違いなのか？　世界中の経済学者がこぞって用いる最新手法「因果推論」を数式なしで徹底的にわかりやすく解説。世のなかにあふれる「根拠のない通説」にだまされなくなる！
Amazonで購入する

Rによるデータサイエンス(第2版):データ解析の基礎から最新手法まで

著者 金 明哲
出版社 森北出版
紹介サイト数 2
おすすめ度 13.063179686695609
書籍の説明 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
Amazonで購入する

経済・ファイナンスデータの計量時系列分析 (統計ライブラリー)

著者 竜義, 沖本
出版社 朝倉書店
紹介サイト数 3
おすすめ度 13.043812398835689
書籍の説明 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
Amazonで購入する

データ分析のための数理モデル入門 本質をとらえた分析のために

著者 貴裕, 江崎
出版社 ソシム
紹介サイト数 3
おすすめ度 12.923189886915551
書籍の説明 「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〕
Amazonで購入する

深層学習教科書 ディープラーニング G検定(ジェネラリスト)公式テキスト 第2版

著者 猪狩 宇司
出版社 翔泳社
紹介サイト数 2
おすすめ度 12.650114716365316
書籍の説明 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
Amazonで購入する

Pythonで動かして学ぶ！あたらしい機械学習の教科書 第3版

著者 伊藤 真
出版社 翔泳社
紹介サイト数 2
おすすめ度 11.776654414521042
書籍の説明 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
Amazonで購入する

図解ポケット 今日から使える! データサイエンスがよくわかる本

著者 今西航平 西沢衛 酒井健三郎
出版社 秀和システム
紹介サイト数 2
おすすめ度 10.73753784853389
書籍の説明 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
Amazonで購入する

ディープラーニング活用の教科書

著者 日本ディープラーニング協会
出版社 日経BP
紹介サイト数 2
おすすめ度 10.564351754202699
書籍の説明 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
Amazonで購入する

TensorFlowではじめるDeepLearning実装入門 (impress top gear)

著者 新村 拓也
出版社 インプレス
紹介サイト数 2
おすすめ度 10.529714535336462
書籍の説明 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)
Amazonで購入する

Excel で学ぶ ビジネスデータ分析の基礎 ビジネス統計スペシャリスト・エクセル分析ベーシック対応

著者 玄場 公規
出版社 オデッセイコミュニケーションズ
紹介サイト数 2
おすすめ度 10.50054635102805
書籍の説明
Amazonで購入する

ディープラーニング活用の教科書 実践編

著者 日本ディープラーニング協会
出版社 日経BP
紹介サイト数 2
おすすめ度 9.864679933104684
書籍の説明 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
Amazonで購入する

Excel で学ぶ 実践ビジネスデータ分析 ビジネス統計スペシャリスト・エクセル分析スペシャリスト対応

著者 豊田裕貴
出版社 オデッセイコミュニケーションズ
紹介サイト数 2
おすすめ度 9.804997340596705
書籍の説明
Amazonで購入する

スッキリわかるSQL入門 第2版 ドリル222問付き! (スッキリわかる入門シリーズ)

著者 中山清喬
出版社 インプレス
紹介サイト数 2
おすすめ度 9.767695720279217
書籍の説明
Amazonで購入する

scikit-learn データ分析 実践ハンドブック (Pythonライブラリ定番セレクション)

著者 拓也, 毛利
出版社 秀和システム
紹介サイト数 2
おすすめ度 9.698421282546741
書籍の説明 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）
Amazonで購入する

ガウス過程と機械学習 (機械学習プロフェッショナルシリーズ)

著者 持橋 大地
出版社 講談社
紹介サイト数 2
おすすめ度 9.606055365570104
書籍の説明 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
Amazonで購入する

pandasクックブック ―Pythonによるデータ処理のレシピ―

著者 Theodore Petrou
出版社 朝倉書店
紹介サイト数 2
おすすめ度 9.500494317596807
書籍の説明 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
Amazonで購入する

確かな力が身につくPython「超」入門 第2版 (確かな力が身につく「超」入門)

著者 鎌田 正浩
出版社 SBクリエイティブ
紹介サイト数 2
おすすめ度 9.500494317596807
書籍の説明 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
Amazonで購入する

多変量解析法入門 (ライブラリ新数学大系)

著者 靖, 永田
出版社 サイエンス社
紹介サイト数 2
おすすめ度 9.467506490105151
書籍の説明 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
Amazonで購入する

機械学習スタートアップシリーズ ベイズ推論による機械学習入門 (KS情報科学専門書)

著者 須山 敦志
出版社 講談社
紹介サイト数 2
おすすめ度 9.42627170574058
書籍の説明 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
Amazonで購入する

Juliaで作って学ぶベイズ統計学 (KS情報科学専門書)

著者 須山 敦志
出版社 講談社
紹介サイト数 2
おすすめ度 9.368543007630183
書籍の説明 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
Amazonで購入する

相対化する知性 人工知能が世界の見方をどう変えるのか

著者 西山 圭太
出版社 日本評論社
紹介サイト数 2
おすすめ度 9.325405079371867
書籍の説明 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
Amazonで購入する

プログラミングのための確率統計

著者 平岡 和幸
出版社 オーム社
紹介サイト数 2
おすすめ度 9.262981959656887
書籍の説明 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
Amazonで購入する

東京大学のデータサイエンティスト育成講座 ~Pythonで手を動かして学ぶデ―タ分析~

著者 塚本邦尊
出版社 マイナビ出版
紹介サイト数 2
おすすめ度 9.245603006636893
書籍の説明 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
Amazonで購入する

データサイエンス入門 (岩波新書)

著者 竹村 彰通
出版社 岩波書店
紹介サイト数 2
おすすめ度 9.203603870171907
書籍の説明
Amazonで購入する

統計学のための数学入門30講 (科学のことばとしての数学)

著者 靖, 永田
出版社 朝倉書店
紹介サイト数 2
おすすめ度 9.203603870171907
書籍の説明 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)
Amazonで購入する

人工知能プログラミングのための数学がわかる本

著者 石川 聡彦
出版社 KADOKAWA
紹介サイト数 2
おすすめ度 9.166492564243795
書籍の説明 【東京大学特任准教授 松尾 豊氏 推薦】 大人気「10秒で始める人工知能プログラミング学習サービス」の代表者がおくる、 人工知能プログラミングに必要な数学を、やさしく学ぶ参考書が登場！ キホンのキホンからおさらいするから、ニガテな人でも大丈夫！ 後半では、Pythonのコードを動かしてさらに理解を深められます！ ■本書の目的 ・人工知能関連の書籍に現れる数式への抵抗感をなくし、専門書を読むための数学基礎力をつけます。 ・いくつかの人工知能のアルゴリズムを理解し、数式の意味を理解できるようにします。 ■本書の特長 ・ゼロからおさらいするので、誰でも読めます。 ・人工知能プログラミングに必要な分野に特化しています。 ・演習問題や例題で、理解を深められます。 ■本書の対象読者 ・人工知能アルゴリズムを用いてモデリングをしているが、その根底のアルゴリズムはブラックボックスであり、数学を復習したい方。 ・人工知能アルゴリズムを体系的に学びたいが、数学を忘れており、専門書に現れる数式が理解できない方。 ・人工知能アルゴリズムに興味があるが、ハードルが高いと感じている方。 ■目次 CHAPTER 1　数学基礎 中学1 年から高校の数学を復習し、機械学習で使う数学の「入門レベル」を固めます。 CHAPTER 2　微分 微分の概念や表現方法を学びます。機械学習では「ディープラーニング（深層学習）」「ニューラルネットワーク」「最小2 乗法」「勾配降下法」「誤差逆伝播法」などで微分を活用します。 CHAPTER 3　線形代数 高校の範囲に大学1 年で学ぶ線形代数を加え、ベクトル・行列・線形変換を学びます。線形代数は膨大なデータや複雑なシステムを扱うのに役立ちます。 CHAPTER 4　確率・統計 確率・統計は「傾向を知り、限られたデータから全体像を予測する」ために、機械学習で活用されます。分散・尤度・正規分布などの難しい用語もやさしく学びます。 CHAPTER 5　実践編1 回帰モデルで住宅価格を推定してみよう 「データから住宅価格を推定する」ことを題材に、線形回帰モデルを理解します。 CHAPTER 6　実践編2 自然言語処理で文学作品の作者を当てよう 「文学作品を分析する」ことを題材に、自然言語を数学的に表現する方法などを学びます。 CHAPTER 7　実践編3 ディープラーニングで手書き数字認識をしてみよう 「手書きの数字を認識させる」ことを題材に、ディープラーニングの一種であるDNNを、画像認識から学びます。 東京大学特任准教授 松尾 豊氏 推薦！　人工知能プログラミングに必要な数学を、ゼロから抜け漏れなく、体系的に学ぶ！　数学を復習したいエンジニアに！ CHAPTER1　数学基礎 CHAPTER2　微分 CHAPTER3　線形代数 CHAPTER4　確率・統計 CHAPTER5　実践編1 回帰モデルで住宅価格を推定してみよう CHAPTER6　実践編2 自然言語処理で文学作品の作者を当てよう CHAPTER7　実践編3 ディープラーニングで手書き数字認識をしてみよう
Amazonで購入する

AIにできること、できないこと、ビジネス社会を生きていくための4つの力

著者 藤本 浩司
出版社 日本評論社
紹介サイト数 2
おすすめ度 9.109588561820688
書籍の説明 現在のAI技術では何ができて何ができないのか、その実態を技術者が平易に語る。実際にAIをビジネスで活用している事例も紹介。 “ＡＩ、そこが知りたかった！ 　これだけ読めばモヤモヤが消える。しかも面白い。 　もっとも早くからＡＩに携わってきた「稼げる研究者集団」が 　これまでになかった「4つの力」という分かりやすいアプローチで解説。 　「稼げるＡＩ」を操る人間になりたいビジネスパーソン必読の書だ。” 　　　　　　　　　　　　　　　幸田真音（作家）　『人工知能』著者 --------------------------------------------------------- ○　ＡＩの本質を捉えて、ＡＩにできること、できないことの違いがつかめる！ ○　ＡＩの実態を踏まえて、ビジネスへと活かすための要点が分かる！ ○　ＡＩに仕事を奪われないために、人は何を身につけるべきかが分かる！ ＡＩを活かすために、ＡＩにできること、できないことを知ろう！ 古くからAI研究に携わり、数多くの有名大企業でのＡＩ導入実績を持つ テンソル・コンサルティング株式会社の社員が 現在のＡＩに何ができて何ができないのかを、分かりやすく、かつ面白く解説している。 仕事でＡＩに直接関わっているビジネスパーソンはもちろん、 ＡＩの今後がなんとなく気になっている社会人から、 子供の将来に不安を感じている保護者の方にいたるまで、 幅広い層に読みやすくてすっきり分かる、目からウロコの指南書である。 1章　そもそもAIとはなにか 　　　　世間で言われるAIとは？ 　　　　AIの歴史 　　　　活躍するAI　 2章　AIの実態 　　　AIに知性はあるのか？ 　　　今のAIの作り方 　　　AIにできること、できないこと 　　　AIは理解しているのか？ 　　　コラム：新しい概念の獲得 3章　AIの中身 　　　ディープラーニングの中身 　　　活躍するAIの中身 　　　AIに対する疑問 　　　コラム：重なった画像の理解 4章　AIのビジネスでの活用 　　　役立つAIの設計指針 　　　ビジネス活用に必要な要素 　　　AIと人間の間違え方の違い 　　　データサイエンティストの重要性 　　　ビジネスでの活用事例 　　　コラム：人間の優れた技能 5章　未来 　　　AI分野以外の動向 　　　AIに仕事を奪われないためには? 　　　AIが人間を超えるまでには？ 　　　AIが人間に置き換わった未来
Amazonで購入する

文系AI人材になる: 統計・プログラム知識は不要

著者 竜司, 野口
出版社 東洋経済新報社
紹介サイト数 2
おすすめ度 9.074951342954451
書籍の説明 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
Amazonで購入する

パターン認識と機械学習 下 (ベイズ理論による統計的予測)

著者 C.M. ビショップ
出版社 丸善出版
紹介サイト数 2
おすすめ度 9.03454125427717
書籍の説明
Amazonで購入する

StanとRでベイズ統計モデリング (Wonderful R)

著者 健太郎, 松浦
出版社 共立出版
紹介サイト数 2
おすすめ度 8.972689077730317
書籍の説明 　近年，確率分布を使った数理モデルをデータにあてはめることで現象の理解と予測を促す「統計モデリング」が注目されている。既存の手法と比べた時の利点は解釈のしやすさと予測のよさの両立である。解釈がしやすいので，モデルに含まれる値を推定した後で次のアクションにつなげやすい。このため現実のデータ解析に極めて有効な手法と評価されている。 　背景には，コンピュータの計算速度の向上，大規模のデータが入手しやすくなったこと，モデリングの試行錯誤を極めて簡単にする確率的プログラミング言語の進歩がある。こうした言語の中から，本書ではフリーソフトであるStanを紹介する。Stanは優れたアルゴリズムを搭載し開発も急速に進んでいるパッケージであるが，R用のパッケージであるRStanが並行して公開されているためRから手軽に利用することができる。Stanの記述力は高く，階層モデルや状態空間モデルをわずか30行ほどで書くことができ，推定計算も自動で行なわれる。さらに解析者の問題にあわせたオーダーメイドの拡張が簡単に可能だ。 　一般にベイズ統計を扱う書籍は初歩的な内容にとどまるものか，難解な数式が多く実際の問題への応用が難しいものが多い。しかし，本書はこれらの書籍とは一線を画し，現実のデータ解析を念頭に置いて非常に実践的な内容に仕上げた。本書でStanとRを介して身につけた統計モデリングの考え方は，Stanの文法が変化しても，他の統計モデリングツールを扱う場合にも，大いに役に立つと確信している。 　第I部　導入編 Chapter 1　統計モデリングとStanの概要 1.1　統計モデリングとは 1.2　統計モデリングの目的 1.3　確率的プログラミング言語 1.4　なぜStanなのか？ 1.5　なぜRStanなのか？ 補足と文献案内 Chapter 2　ベイズ推定の復習 2.1　基本用語と記法 2.2　伝統的な統計学の問題点 2.3　尤度と最尤推定 2.4　ベイズ統計とMCMC 2.5　ベイズ信頼区間とベイズ予測区間 2.6　最尤推定とベイズ推定の関係 2.7　本書の事前分布の選び方 補足と文献案内 Chapter 3　統計モデリングをはじめる前に 3.1　データ解析の前準備 3.2　統計モデリングの手順 3.3　背景知識の役割 3.4　モデルの記述方法 3.5　情報量規準を使ったモデル選択 補足と文献案内 　第Ⅱ部　Stan入門編 Chapter 4　StanとRStanをはじめよう 4.1　StanとRStanの準備 4.2　Stanの基本的な文法 4.3　Stanのlp__とtarget 4.4　単回帰 補足と文献案内 練習問題 Chapter 5　基本的な回帰とモデルのチェック 5.1　重回帰 5.2　二項ロジスティック回帰 5.3　ロジスティック回帰 5.4　ポアソン回帰 補足と文献案内 練習問題 　第III部　発展編 Chapter 6　統計モデリングの視点から確率分布の紹介 6.1　一様分布 6.2　ベルヌーイ分布 6.3　二項分布 6.4　ベータ分布 6.5　カテゴリカル分布 6.6　多項分布 6.7　ディリクレ分布 6.8　指数分布 6.9　ポアソン分布 6.10　ガンマ分布 6.11　正規分布 6.12　対数正規分布 6.13　多変量正規分布 6.14　コーシー分布 6.15　Studentのt分布 6.16　二重指数分布（ラプラス分布） 補足と文献案内 練習問題 Chapter 7　回帰分析の悩みどころ 7.1　交互作用 7.2　対数をとるか否か 7.3　非線形の関係 7.4　多重共線形 7.5　交絡 7.6　説明変数が多すぎる 7.7　説明変数にノイズを含む 7.8　打ち切り 7.9　外れ値 Chapter 8　階層モデル 8.1　階層モデルの導入 8.2　複数の階層を持つ階層モデル 8.3　非線形モデルの階層モデル 8.4　ロジスティック回帰の階層モデル 補足と文献案内 練習問題 Chapter 9　一歩進んだ文法 9.1　型とインデックス 9.2　ベクトル化による高速化 9.3　ベクトルや行列の数学的性質の利用 9.4　パラメータの制約 9.5　トラブルシューティング 練習問題 Chapter 10　収束しない場合の対処法 10.1　パラメータの識別可能性 10.2　弱情報事前分布 10.3　再パラメータ化 10.4　その他の場合 補足と文献案内 Chapter 11　離散値をとるパラメータを使う 11.1　離散パラメータを扱うテクニック 11.2　混合正規分布 11.3　ゼロ過剰ポアソン分布 11.4　Latent Dirichlet Allocation 補足と文献案内 練習問題 Chapter 12　時間や空間を扱うモデル 12.1　状態空間モデルことはじめ 12.2　季節調整項 12.3　変化点検出 12.4　その他の拡張方法 12.5　時間構造と空間構造の等価性 12.6　1次元の空間構造 12.7　2次元の空間構造 12.8　地図を使った空間構造 補足と文献案内 練習問題 Appendix　BUGS言語と異なる点 参考文献 索引
Amazonで購入する

シン・ニホン AI×データ時代における日本の再生と人材育成 (NewsPicksパブリッシング)

著者 安宅和人
出版社 NewsPicksパブリッシング
紹介サイト数 2
おすすめ度 8.919083858056378
書籍の説明 ◎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
Amazonで購入する

[第2版]Python 機械学習プログラミング 達人データサイエンティストによる理論と実践 (impress top gear)

著者 Sebastian Raschka
出版社 インプレス
紹介サイト数 2
おすすめ度 8.913990149399577
書籍の説明 本書では、機械学習の各コンセプトについて、理論的背景とPythonコーディングの実際を解説。初期の機械学習アルゴリズムから、ニューラルネットワーク(CNN/RNN)までの手法を取り上げます。Python関連ライブラリとしてはscikit‐learnやTensorFlowなどを使用。第2版では、第1版への読者のフィードバックを随所に反映し、ライブラリの更新に対応しました。13章以降はほとんど新規の書き下ろしです。本書は、機械学習を本格的に理解・実践するのに不可欠な一冊となっています。 「データから学習する能力」をコンピュータに与える 分類問題-単純な機械学習アルゴリズムのトレーニング 分類問題-機械学習ライブラリscikit‐learnの活用 データ前処理-よりよいトレーニングセットの構築 次元削減でデータを圧縮する モデルの評価とハイパーパラメータのチューニングのベストプラクティス アンサンブル学習-異なるモデルの組み合わせ 機械学習の適用1-感情分析 機械学習の適用2-Webアプリケーション 回帰分析-連続値をとる目的変数の予測〔ほか〕
Amazonで購入する

データ視覚化のデザイン

著者 永田 ゆかり
出版社 SBクリエイティブ
紹介サイト数 2
おすすめ度 8.877158717573487
書籍の説明 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。
Amazonで購入する

深層学習 (機械学習プロフェッショナルシリーズ)

著者 岡谷 貴之
出版社 講談社
紹介サイト数 2
おすすめ度 8.877024378004517
書籍の説明 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
Amazonで購入する

新版 統計学のセンス ―デザインする視点・データを見る目― (医学統計学シリーズ1)

著者 丹後 俊郎
出版社 朝倉書店
紹介サイト数 2
おすすめ度 8.87613933873035
書籍の説明 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
Amazonで購入する

はじめてのディープラーニング -Pythonで学ぶニューラルネットワークとバックプロパゲーション- (Machine Learning)

著者 我妻 幸長
出版社 SBクリエイティブ
紹介サイト数 2
おすすめ度 8.857051747905023
書籍の説明 知識ゼロからはじめるディープラーニング EラーニングサイトUdemyの人気講師が教えるディープラーニングの基礎。ディープラーニングの本命であるニューラルネットワークと、ニューラルネットワークを学習させる際に用いられるアルゴリズムであるバックプロパゲーション（誤差逆伝播法）を初学者にもわかりやすく解説。また画像認識や自然言語処理の分野で高い効率性を発揮する畳み込みニューラルネットワークについてもコード付きで解説することにより、入門書であるにもかかわらず本格的AI開発の入り口まで学ぶことができます。 ［本書の特徴］ ・はじめてPythonに触れる方のために、Python本体と数値演算ライブラリNumPyによるプログラミングの基礎を解説しています。 ・文系エンジニアのために、微分や線形代数など、ニューラルネットワークの理解に必要な数学の知識を解説しています。 ・サンプルプログラムはフレームワークを使わずにPythonのみで記述しています。このため数式をコード化する際の原理が初心者にもわかりやすくなっています。 ・サンプルプログラムはSBクリエイティブ株式会社のサイトからダウンロード可能です。 ・Python3、Jupyter Notebook対応 第01章 ディープラーニングとは 第02章 Pythonの概要 第03章 ディープラーニングに必要な数学 第04章 ニューラルネットワーク 第05章 バックプロパゲーション 第06章 最小限の実装によるディープラーニング 第07章 畳み込みニューラルネットワーク（CNN） 第08章 ディープラーニングの応用
Amazonで購入する

PythonとKerasによるディープラーニング

著者 Francois Chollet
出版社 マイナビ出版
紹介サイト数 2
おすすめ度 8.789194287307984
書籍の説明 AIの大衆化―多くの人々がディープラーニングを利用できるよう実践解説！ AIの大衆化―多くの人々がディープラーニングを利用できるよう実践解説！ PythonベースのディープラーニングフレームワークKerasの開発者である筆者が、1人でも多くの人々がディープラーニングを利用できるよう実践解説します。 本書はディープラーニングを一から学習したいと考えている人のために書かれています。数学的な表記を避け、代わりにコードを使って定量的な概念を説明することで、機械学習とディープラーニングの基本的な考えについて実践的な知識を養っていきます。 サンプルコードはPythonベースのディープラーニングフレームワークであるKerasに基づいており、バックエンドエンジンとしてTensorFlowを使用しています。 Part 1では、ディープラーニングを大まかに紹介。機械学習とニューラルネットワークを囲む状況といくつかの定義を示し、取り組みを開始するために必要な概念を説明します。 第1章：人工知能（AI）、機械学習、ディープラーニングの基本的なコンテキストと予備知識を提供。 第2章：ディープラーニングに取り組むために必要な基本概念（テンソル、テンソル演算、勾配降下法、バックプロパゲーション）を紹介。 第3章：ディープラーニングフレームワークであるKerasの紹介。分類タスクと回帰タスクを処理する単純なニューラルネットワークの訓練と内部で何が起きているのかが理解できる。 第4章：機械学習の一般的なワークフローとよくある落とし穴・解決法を詳解。 Part 2では、ディープラーニングの実践的な応用例としてコンピュータビジョンと自然言語処理を詳しく見ていきます。サンプルの多くは、ディープラーニングを実務で使用するときに遭遇する問題を解決するためのテンプレートとして利用できます。 第5章：画像分類に焦点を合わせ、コンピュータビジョンの実践的な例を幅広く取り上げる。 第6章：テキストや時系列といったシーケンスデータを処理するための手法を実際に試してみる。 第7章：最先端のディープラーニングモデルを構築するための高度な手法を紹介。 第8章：画像やテキストを作成する能力を持つディープラーニングモデルであり、驚くほど芸術的な結果をもたらすことがあるジェネレーティブモデルの紹介。 第9章：本書の総括。ディープラーニングの限界とその未来を予測。 本書を最後まで読めば、ディープラーニングとは何か、適用できるのはどのような状況か、その制限についてしっかり理解できるはずです。コンピュータビジョンから自然言語処理、画像分類、時系列予測、感情分析、画像/ テキスト生成に至るまで、現実の幅広い問題にKerasを使用できるようになり、最高の短期集中コースとして活用できます。 まえがき 謝辞 監訳者より 本書について カバーについて Part 1　ディープラーニングの基礎 1章　ディープラーニングとは何か 1.1　AI、機械学習、ディープラーニング 1.2　ディープラーニングの前史：機械学習 1.3　なぜディープラーニングなのか、なぜ今なのか 2章　予習：ニューラルネットワークの数学的要素 2.1　初めてのニューラルネットワーク 2.2　ニューラルネットワークでのデータ表現 2.3　ニューラルネットワークの歯車：テンソル演算 2.4　ニューラルネットワークのエンジン：勾配ベースの最適化 2.5　最初の例を振り返る 3章　入門：ニューラルネットワーク 3.1　ニューラルネットワークの構造 3.2　Kerasの紹介 3.3　ディープラーニングマシンのセットアップ 3.4　二値分類の例：映画レビューの分類 3.5　多クラス分類の例：ニュース配信の分類 3.6　回帰の例：住宅価格の予測 4章　機械学習の基礎 4.1　機械学習の4 つの手法 4.2　機械学習モデルの評価 4.3　データ前処理、特徴エンジニアリング、表現学習 4.4　過学習と学習不足 4.5　機械学習の一般的なワークフロー Part 2　ディープラーニングの実践 5章　コンピュータビジョンのためのディープラーニング 5.1　畳み込みニューラルネットワークの紹介 5.2　小さなデータセットでCNNを一から訓練する 5.3　学習済みのCNNを使用する 5.4　CNNが学習した内容を可視化する 6章　テキストとシーケンスのためのディープラーニング 6.1　テキストデータの操作 6.2　リカレントニューラルネットワークを理解する 6.3　リカレントニューラルネットワークの高度な使い方 6.4　畳み込みニューラルネットワークでのシーケンス処理 7章　高度なディープラーニングのベストプラクティス 7.1　Sequential モデルを超えて：Keras Functional API 7.2　Keras のコールバックとTensorBoardを使ったディープラーニングモデルの調査 7.3　モデルを最大限に活用するために 8章　ジェネレーティブディープラーニング 8.1　LSTM によるテキスト生成 8.2　DeepDream 8.3　ニューラルネットワークによるスタイル変換 8.4　変分オートエンコーダによる画像の生成 8.5　速習：敵対的生成ネットワーク 9章　本書のまとめ 9.1　主な概念の復習 9.2　ディープラーニングの限界 9.3　ディープラーニングの未来 9.4　目まぐるしく変化する分野に後れずについていくには 9.5　最後に 付録A　Kerasとその依存ファイルをUbuntu にインストールする A.1　Pythonの科学ライブラリをインストールする A.2　GPUのサポートをセットアップする A.3　Theanoをインストールする（オプション） A.4　Kerasをインストールする 付録B　AWSのGPUインスタンスでJupyter Notebookを実行する B.1　Jupyter NotebookをAWSで実行する理由 B.2　Jupyter NotebookをAWSで実行しない理由 B.3　AWS GPUインスタンスのセットアップ B.4　Kerasをインストールする B.5　ローカルポートフォワーディングを設定する B.6　ローカルブラウザからJupyter Notebookを使用する
Amazonで購入する

入門 機械学習による異常検知―Rによる実践ガイド

著者 剛, 井手
出版社 コロナ社
紹介サイト数 2
おすすめ度 8.672799736897085
書籍の説明 1 異常検知の基本的な考え方 2 正規分布に従うデータからの異常検知 3 非正規データからの異常検知 4 性能評価の方法 5 不要な次元を含むデータからの異常検知 6 入力と出力があるデータからの異常検知 7 時系列データの異常検知 8 よくある悩みとその対処法
Amazonで購入する

統計クイックリファレンス 第2版

著者 Sarah Boslaugh
出版社 オライリージャパン
紹介サイト数 2
おすすめ度 8.661342200022311
書籍の説明
Amazonで購入する

scikit-learn、Keras、TensorFlowによる実践機械学習 第2版

著者 Aurélien Géron
出版社 オライリージャパン
紹介サイト数 2
おすすめ度 8.650423378388759
書籍の説明 『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。
Amazonで購入する

効果検証入門〜正しい比較のための因果推論/計量経済学の基礎

著者 安井 翔太
出版社 技術評論社
紹介サイト数 2
おすすめ度 8.590030278827115
書籍の説明 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
Amazonで購入する

基礎からわかる時系列分析 ―Rで実践するカルマンフィルタ・MCMC・粒子フィルター (Data Science Library)

著者 萩原 淳一郎
出版社 技術評論社
紹介サイト数 2
おすすめ度 8.56123206739659
書籍の説明
Amazonで購入する

ウェブ最適化ではじめる機械学習 ―A/Bテスト、メタヒューリスティクス、バンディットアルゴリズムからベイズ最適化まで

著者 飯塚 修平
出版社 オライリージャパン
紹介サイト数 2
おすすめ度 8.55507721905936
書籍の説明 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。
Amazonで購入する

バイオサイエンスの統計学

著者 市原 清志
出版社 南江堂
紹介サイト数 2
おすすめ度 8.518747886377753
書籍の説明 臨床・基礎医学、医療科学、歯学、薬学、生物科学、農学、生活科学など、バイオサイエンス領域の研究、調査報告で統計処理を必要とするための手引書。 序説 統計学とは 検定の原理 関連2群の差の検定 独立2群の差の検定 計数値データの検定 独立多群の差の検定 関連多群の差の検定 回帰と相関 標本の分布型とその検定法 統計の正しい利用と解釈
Amazonで購入する

深層学習

著者 Ian Goodfellow
出版社 KADOKAWA
紹介サイト数 2
おすすめ度 8.500300113823755
書籍の説明 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
Amazonで購入する

スバラシク実力がつくと評判の確率統計キャンパス・ゼミ (大学数学「キャンパス・ゼミ」シリーズ)

著者 敬之, 馬場
出版社 マセマ出版社
紹介サイト数 1
おすすめ度 8.312932527897205
書籍の説明 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)
Amazonで購入する

個体群生態学と行列モデル ー統計学がつなぐ野外調査と数理の世界ー (統計スポットライト・シリーズ)

著者 島谷 健一郎
出版社 近代科学社
紹介サイト数 1
おすすめ度 8.312932527897205
書籍の説明 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））
Amazonで購入する

最短突破 データサイエンティスト検定(リテラシーレベル)公式リファレンスブック 第2版

著者 菅 由紀子
出版社 技術評論社
紹介サイト数 1
おすすめ度 8.312932527897205
書籍の説明 None
Amazonで購入する

実践Data Scienceシリーズ ゼロからはじめるデータサイエンス入門 R・Python一挙両得 (KS情報科学専門書)

著者 辻 真吾
出版社 講談社
紹介サイト数 1
おすすめ度 6.234699395922904
書籍の説明 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
Amazonで購入する

本質を捉えたデータ分析のための分析モデル入門 統計モデル、深層学習、強化学習等 用途・特徴から原理まで一気通貫!

著者 杉山聡
出版社 ソシム
紹介サイト数 1
おすすめ度 6.234699395922904
書籍の説明
Amazonで購入する