Python 統計分析 & 機械学習マスタリングハンドブック

本書は、プログラミング言語の Python でデータ分析と機械学習を実践するための本です。豊富なライブラリを使って統計学に基づいた統計分析ができるので、Python に慣れ親しんだ人は、データ分析も機械学習もまとめて学ぶことで効率的に身に付けることができます。
Jupyter Notebook と Visual Studio Code での開発環境に対応し、Google Colab や Google Notebook も紹介します。
第 1 章 データサイエンスをはじめよう
第 2 章 Python による数値演算の基本
第 3 章 Matplotlib によるデータの可視化
第 4 章 データ分析の実践 (記述統計と推計統計)
第 5 章 統計分析の実践 (仮説検定と分散分析)
第 6 章 予測問題におけるモデリング
第 7 章 分類問題におけるモデリング
第 8 章 教師なし学習におけるモデリング
第 9 章 ディープラーニング

『Python 統計分析 & 機械学習マスタリングハンドブック』 (チーム・カルポ 著、秀和システム、2023 年 5 月刊) は、統計解析と機械学習を Python で、開発環境のインストールから統計学の基礎、前処理、モデリング、深層学習のアプリの作成まで段階を追って扱う実践解説書です。版元の紹介文は、統計の生データを使って解析の各種手法を学ぶ本と案内しています。国立国会図書館の書誌は副題を「機械学習エンジニアのための実践解説」、シリーズ名を「Python 定番セレクション」と記録しており、版元の書籍ページはサンプルコードのダウンロードを「有」と示しています (2026 年 10 月時点)。

全 9 章の構成、開発環境の準備からディープラーニングまで

目次は第 1 章「データサイエンスをはじめよう」から第 9 章「ディープラーニング」までの全 9 章で、巻末に「VSCode の Notebook から仮想環境を作成する」の補足が付きます。間には「Python による数値演算の基本」「Matplotlib によるデータの可視化」「データ分析の実践 (記述統計と推計統計)」「統計分析の実践 (仮説検定と分散分析)」「予測問題におけるモデリング」「分類問題におけるモデリング」「教師なし学習におけるモデリング」が並びます。第 1 章は Python と Visual Studio Code のインストール、「VSCode で Jupyter Notebook を使う」、ライブラリのインストール、「Google Colab を使う」の節を含み、Colab の節には GPU を有効にする項目があります。第 2 章は Python の基本、NumPy 配列によるベクトルと行列の表現、ベクトルと行列の演算、微分を扱います。

区間推定、t 検定、分散分析を扱う統計の 2 章

データを扱う 統計学 の手法は、手元のデータを要約する手法と、標本から母集団の性質を推し量る手法に分かれ、後者では標本の大きさによって推定に使う分布が変わります。第 4 章は「記述統計学」「散布図と相関係数」「線形単回帰分析」「統計的確率と確率分布」の節のあと、母集団と標本、大数の法則、中心極限定理を扱う「推定統計学」の節を経て、大標本と小標本のそれぞれで母集団の平均を区間推定する節で終わります。第 5 章はカイ二乗の適合度の検定と独立性の検定に始まり、独立した 2 群の差の t 検定 (分散が等しいと仮定できる場合を含む)、対応がある 2 群の差の t 検定を経て、「3 群の平均に差があるかを分散分析で知る」で閉じます。

予測と分類のモデリング、評価指標と交差検証

予測や分類を行う 機械学習 のモデルは、学習に使ったデータへの当てはまりだけでは良し悪しが決まらないため、学習に使わないデータで誤差を測る手順が要ります。第 6 章は欠損値、外れ値、標準化、対数変換の前処理から入り、評価指標として MSE、RMSE、RMSLE、MAE、決定係数を、検証の方法としてホールドアウト検証と交差検証を扱います。そのうえで「カリフォルニア住宅価格」のデータセットに、重回帰、多項式回帰、Ridge 回帰、Lasso 回帰、線形サポートベクター回帰、ガウスカーネルのサポートベクター回帰、決定木回帰、ランダムフォレスト回帰、勾配ブースティング決定木を当てていきます。第 7 章は「Wine Quality」のデータセットを使い、線形と非線形のサポートベクターマシン、決定木、ランダムフォレスト、勾配ブースティング決定木による分類を扱います。

主成分分析から転移学習と物体検出までの後半 2 章

第 8 章は主成分分析とクラスター分析の 2 節で、どちらも Iris データセットを題材にし、クラスター分析には k 平均法を使います。第 9 章の概要の節はニューロン、活性化関数、損失関数、勾配降下法の考え方、バックプロパゲーションによる誤差の逆伝播を扱い、その後に「ニューラルネットワークによる分類」「畳み込みニューラルネットワークによるカラー画像の分類」「転移学習によるネコとイヌの分類」「OpenCV による物体検出」の節が続きます。転移学習は、大きなデータで学習済みのモデルの層を流用し、新しい分類の問題に合わせて一部だけを学習し直す方法で、第 9 章では VGG16 モデルを使ってイヌとネコを識別します。物体検出の節は OpenCV のカスケード分類器による人の顔と瞳の検出を扱います。

本書は、開発環境の準備と数値演算の基本から、記述統計、仮説検定、回帰と分類のモデリング、教師なし学習、ディープラーニングまでを、全 9 章と補足に収めています。