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