実践 Data Science シリーズ Python ではじめる Kaggle スタートブック

シリーズの第 2 弾は、初学者向けの Kaggle 入門書の決定版!

★「Kaggle で勝つ」準備をしよう!★
初学者が「Kaggle に何となく興味ある」状態から「実際のコンペに参加できる」状態になれるような内容を目指しました。

・サンプルコードの詳細な解説があるから、しっかり身につく!
・優勝チームと専業 Kaggler のコンビによる、安定のわかりやすさ!
・充実の本音対談で、やさしくサポート!
・初学者や手探りでやっているが体系的な知識を得たい人に最適。

【本書のサポートページ】
https: / / github.com/upura/python-kaggle-start-book

【実践 Data Science シリーズ】
https: / / www.kspub.co.jp/book/series/S069.html

【主な内容】
第 1 章 Kaggle を知る
1.1 Kaggle とは
1.2 Kaggle で用いる機械学習
1.3 Kaggle のアカウントの作成
1.4 Competitions ページの概要
1.5 環境構築不要な「Notebooks」の使い方

第 2 章 Titanic に取り組む
2.1 まずは submit! 順位表に載ってみよう
2.2 全体像を把握! submit までの処理の流れを見てみよう
2.3 次の一手を見い出す! 探索的データ分析をしてみよう
2.4 ここで差がつく! 仮説に基づいて新しい特徴量を作ってみよう
2.5 勾配ブースティングが最強?! いろいろな機械学習アルゴリズムを使ってみよう
2.6 機械学習アルゴリズムのお気持ち?! ハイパーパラメータを調整してみよう
2.7 submit のその前に! 「Cross Validation」の大切さを知ろう
2.8 三人寄れば文殊の知恵! アンサンブルを体験しよう.

第 3 章 Titanic の先に行く
3.1 複数テーブルを扱う
3.2 画像データを扱う
3.3 テキストデータを扱う

第 4 章 さらなる学びのために
4.1 参加するコンペの選び方
4.2 初学者にお勧めの戦い方
4.3 分析環境の選択肢
4.4 お勧めの資料・文献・リンク

付録 A サンプルコード詳細解説
A.1 第 2 章 Titanic に取り組む
A.2 第 3 章 Titanic の先に行く
第 1 章 Kaggle を知る
1.1 Kaggle とは
1.2 Kaggle で用いる機械学習
1.3 Kaggle のアカウントの作成
1.4 Competitions ページの概要
1.5 環境構築不要な「Notebooks」の使い方

第 2 章 Titanic に取り組む
2.1 まずは submit! 順位表に載ってみよう
2.2 全体像を把握! submit までの処理の流れを見てみよう
2.3 次の一手を見い出す! 探索的データ分析をしてみよう
2.4 ここで差がつく! 仮説に基づいて新しい特徴量を作ってみよう
2.5 勾配ブースティングが最強?! いろいろな機械学習アルゴリズムを使ってみよう
2.6 機械学習アルゴリズムのお気持ち?! ハイパーパラメータを調整してみよう
2.7 submit のその前に! 「Cross Validation」の大切さを知ろう
2.8 三人寄れば文殊の知恵! アンサンブルを体験しよう.

第 3 章 Titanic の先に行く
3.1 複数テーブルを扱う
3.2 画像データを扱う
3.3 テキストデータを扱う

第 4 章 さらなる学びのために
4.1 参加するコンペの選び方
4.2 初学者にお勧めの戦い方
4.3 分析環境の選択肢
4.4 お勧めの資料・文献・リンク

付録 A サンプルコード詳細解説
A.1 第 2 章 Titanic に取り組む
A.2 第 3 章 Titanic の先に行く

Kaggle に興味はあるものの、コンペのページを開いても何から始めればよいか分からない。『Python ではじめる Kaggle スタートブック』 (石原祥太郎、村田秀樹 著、講談社、2020 年 3 月 17 日発行) は、その状態から実際のコンペに参加できる状態になることを目指した、初学者向けの Kaggle 入門書です。講談社の実践 Data Science シリーズの 1 冊で、版元は著者 2 人を優勝チームと専業 Kaggler のコンビと紹介しています。サンプルコードの詳細な解説と、著者による本音対談のコラムが添えられている点も版元が挙げる特色です。

Titanic で submit までを通す全 4 章の構成

第 1 章「Kaggle を知る」では、Kaggle とは何か、Kaggle で用いる機械学習、アカウントの作成、Competitions ページの概要、環境構築が要らない Notebooks の使い方を押さえます。中心となる第 2 章「Titanic に取り組む」は、まず submit して順位表に載るところから始め、submit までの処理の流れの把握、探索的データ分析、仮説に基づく新しい特徴量の作成、さまざまな機械学習アルゴリズムの比較、ハイパーパラメーターの調整、Cross Validation、アンサンブルへと 8 節で進みます。第 3 章「Titanic の先に行く」は複数テーブル、画像データ、テキストデータの扱いに範囲を広げ、第 4 章はコンペの選び方、初学者に勧める戦い方、分析環境の選択肢、参考資料をまとめています。巻末の付録 A は第 2 章と第 3 章のサンプルコードを詳しく解説する構成で、コードは版元が案内する GitHub のサポートページからも参照できます。

交差検証とアンサンブルが初学者の分かれ目になる理由

データ分析コンペで最初につまずきやすいのは、モデルを作ること自体よりも、手元で測った精度と順位表の点数が食い違うことです。学習に使ったデータで精度を測ると、モデルがそのデータを覚えただけでも高い点が出てしまいます。Cross Validation (交差検証) はデータを複数に分け、学習と評価を入れ替えて繰り返すことで、未知のデータに対する性能をより安定して見積もる手法で、提出前の判断の土台になります。特徴量の作成も同様で、思い付いた列を足すだけでは効果が測れず、仮説を立て、検証の仕組みで良し悪しを確かめる流れが要ります。本書の第 2 章が、特徴量、アルゴリズム、ハイパーパラメーター、交差検証、アンサンブルを 1 つの題材の上で順に積み上げているのは、この一連の判断を通しで体験させるためと読めます。第 3 章で画像や、自然言語処理 の対象となるテキストに触れるのは、表形式のデータの外にもコンペの世界が広がっていることを示す入口の役割です。

刊行時点の Kaggle 画面と、向いている読者

本書は 2020 年 3 月の刊行で、Competitions ページや Notebooks の説明はその時点の Kaggle を前提にしています。Kaggle の画面の名称や配置は刊行後に変わっている可能性があるため、操作の細部は本書の流れを追いながら実際の画面で読み替える必要があります。また、版元の紹介どおり初学者が実際のコンペに参加できる状態を目標にした本なので、各アルゴリズムの数学的な背景や、上位入賞を狙う高度な手法を体系立てて学びたい人には、別の専門書を組み合わせるほうが目的に合います。分野の本の選び方は 機械学習の技術書の選び方 にまとめています。

Kaggle のアカウントを作ったまま手が止まっている人や、機械学習の入門書を読み終えたものの実データでどう手を動かせばよいかが分からない人にとって、本書は Titanic という 1 つの題材で submit までの道筋を最後まで通せる一冊です。順位表に自分の名前が載る最初の体験から、交差検証とアンサンブルで点数を詰める考え方まで、コンペに参加するための手順を一冊で押さえたい人にとって、手に取る価値は十分にあります。