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(ジッセンデータサイエンスシリーズ ゼロカラハジメルデータサイエンスニュウモン アールパイソンイッキョリョウトク)

◆ 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

データサイエンスに興味を持ったとき、最初に立ちはだかるのが「 R と Python 、どちらを学ぶべきか」という選択です。本書はその二者択一を回避し、同じ分析テーマを R と Python の両方で実装しながら進める構成をとっています。統計の基礎からデータの可視化、回帰分析に至るまで、 2 つの言語を対比することで各言語の得意領域と書き方の違いが自然と身につきます。

対象読者はプログラミング経験がゼロの文系・理系を問わない学習者です。大学の教養課程や独学でデータ分析の第一歩を踏み出したい人に向けて、数学の前提知識は高校レベルに抑えられています。一方で、どちらか一方の言語を深く掘り下げる本ではないため、本書で全体像をつかんだ後に R であれば統計モデリングの専門書へ、 Python であれば機械学習ライブラリの実践書へと橋渡しする読み方が効果的です。

「どちらの言語が自分に合うか」を実際にコードを書きながら判断できるという実用性が、本書の変わらない長所です。片方に決め打ちする前に両方を体験しておくことは、その後のツール選定やチーム内での協業で必ず活きてきます。