RとPythonで学ぶ（実践的）データサイエンス＆機械学習 【増補改訂版】（技術評論社） [電子書籍]Ω

本書は野村総合研究所のシステムコンサルティング事業本部で実施している「アナリティクス研修」をベースにした増補改訂版で，「統計的なモデリングとは何か？」「モデルに基づく要因の分析と予測の違いとは？」「具体的なモデルの作り方」「結果を解釈する際の落とし穴の見分け方」など，ビジネスの現場感を重視した構成です。実務で遭遇するデータ品質や加工のポイント，さらにRとPythonを利用し，データからモデルを作成して結果を得るという基本的な手順を体験できます。これからデータ分析や統計解析，機械学習を学び，現場でそれらを活用したい方に最短学習コースでお届けします。目次第1章　データサイエンス入門1.1　データサイエンスの基本1.1.1　データサイエンスの重要性1.1.2　データサイエンスの定義とその歴史1.1.3　データサイエンスにおけるモデリング1.1.4　データサイエンスとその関連領域1.2　データサイエンスの実践1.2.1　データサイエンスのプロセスとタスク1.2.2　データサイエンスの実践に必要なツール1.2.3　データサイエンスの実践に必要なスキル1.2.4　データサイエンスの限界と課題コラム　ビジネス活用における留意点第2章　RとPython2.1　RとPython2.1.1　RとPythonの比較2.2　R入門2.2.1　Rの概要2.2.2　Rの文法2.2.3　データ構造と制御構造2.3　Python入門2.3.1　Pythonの概要2.3.2　Pythonの文法2.3.3　Pythonでのプログラミング2.3.4　NumPyとpandas2.4　RとPythonの実行例の比較2.4.1　簡単な分析の実行例第3章　データ分析と基本的なモデリング3.1　データの特徴を捉える3.1.1　分布の形を捉える ─ ビジュアルでの確認3.1.2　要約統計量を算出する ─ 代表値とばらつき3.1.3　関連性を把握する ─ 相関係数の使い方と意味3.1.4　Rを使った相関分析 ─ 自治体のデータを使った例3.1.5　確立分布とその利用 ─ 理論と実際の考え方3.2　データからモデルを作る3.2.1　目的変数と説明変数 ─ 説明と予測の「向き」3.2.2　簡単な線形回帰モデル ─ Rによる実行と結果3.2.3　ダミー変数を使ったモデル ─ グループ間の差異を分析3.2.4　複雑な線形回帰モデル ─ 交互作用，モデル間の比較3.2.5　線形回帰の仕組みと最小二乗法3.3　モデルを評価する3.3.1　モデルを評価するための観点3.3.2　この結果は偶然ではないのか? ─ 有意確率と有意差検定3.3.3　モデルはデータに当てはまっているか? ─ フィッティングと決定係数3.3.4　モデルは複雑すぎないか? ─ オーバーフィッティングと予測精度3.3.5　残差の分布 ─ 線形回帰モデルと診断プロット3.3.6　説明変数同士の相関 ─ 多重共線性3.3.7　標準偏回帰係数第4章　実践的なモデリング4.1　モデリングの準備4.1.1　データの準備と加工4.1.2　分析とモデリングの手法4.2　データの加工4.2.1　データのクレンジング4.2.2　カテゴリ変数の加工4.2.3　数値変数の加工とスケーリング4.2.4　分布の形を変える ─ 対数変換とロジット変換4.2.5　欠損値の処理4.2.6　外れ値の処理4.3　モデリングの手法4.3.1　グループに分ける ─ クラスタリング4.3.2　指標を集約する ─ 因子分析と主成分分析4.3.3　一般化線形モデル（GLM）とステップワイズ法4.3.4　2値データを目的変数とする分析 ─ ロジスティック回帰4.3.5　セグメントの抽出とその特徴の分析 ─ 決定木4.4　因果推論4.4.1　データから因果関係を明らかにする ─ 統計的因果推論4.4.2　因果の有無の検証4.4.3　因果効果の推定4.4.4　因果関係の定式化 ─ 構造方程式モデリング4.4.5　因果関係の定式化 ─ 構造的因果モデル4.4.6　因果関係の定式化 ─ ベイズ統計モデリング4.4.7　因果の探索4.4.8　因果関係に基づく変数選択第5章　機械学習とディープラーニング5.1　機械学習の基本とその実行5.1.1　機械学習の基本5.1.2　機械学習ライブラリの活用 ─ scikit-learn5.1.3　機械学習の実行（教師あり学習）5.1.4　機械学習の実行（教師なし学習）5.1.5　スケーリングの実行（標準化・正規化）5.1.6　次元の削減（主成分分析）コラム　機械学習と強化学習5.2　機械学習アルゴリズムの例5.2.1　k近傍法5.2.2　ランダムフォレスト5.2.3　ロジスティック回帰とリッジ回帰5.2.4　サポートベクターマシン（SVM）5.3　機械学習の手順5.3.1　機械学習の主要な手順5.3.2　ホールドアウト法による実行5.3.3　クロスバリデーションとグリッドサーチ5.3.4　閾値の調整5.3.5　特徴量の重要度と部分従属プロット5.4　機械学習の実践5.4.1　データの準備に関わる問題5.4.2　特徴抽出と特徴ベクトル5.4.3　機械学習の実行例5.5　ディープラーニング5.5.1　ニューラルネットワーク5.5.2　ディープラーニングを支える技術5.5.3　ディープラーニング・フレームワーク5.5.4　ディープラーニングの実行5.5.5　生成モデル