資料詳細

[ 和図書 ] Python,Rで学ぶデータサイエンス ( DIGITAL FOREST )

Chantal D.Larose／著 -- 東京化学同人 -- 2020.11 --

所蔵

所蔵は 1 件です。

所蔵館	所蔵場所	資料区分	請求記号	資料コード	所蔵状態	資料の利用
配架日	協力貸出	利用状況	返却予定日	資料取扱	予約数	付録注記	備考
中央	2F	一般図書	/007.6/9624/2020	7113583237		配架図 Digital BookShelf
2020/12/01	可能	利用可			0

Eメールによる郵送複写申込みは、「東京都在住」の登録利用者の方が対象です。

- 統合検索
  都内図書館の所蔵を
  横断検索します。 類似資料 AI Shelf
  この資料に類似した資料を
  AIが紹介します。

ページの先頭へ

資料詳細

ISBN	4-8079-0995-7
ISBN13桁	978-4-8079-0995-7
タイトル	Python,Rで学ぶデータサイエンス
タイトルカナ	パイソンアールデマナブデータサイエンス
著者名	Chantal D.Larose ／著, Daniel T.Larose ／著, 阿部真人／訳, 西村晃治／訳
著者名典拠番号	120003043530000 , 120003043540000 , 110007128070000 , 110007763490000
出版地	東京
出版者	東京化学同人
出版者カナ	トウキョウカガクドウジン
出版年	2020.11
ページ数	17, 242p
大きさ	21cm
シリーズ名	DIGITAL FOREST
シリーズ名のルビ等	ディジタルフォレスト
原タイトル注記	原タイトル:Data science using Python and R
価格	¥2400
内容紹介	データに触れ、可視化し、予測モデルを構築し、性能を評価するというデータサイエンスに必要な一通りの流れを学べるテキスト。データ分析の実践的な問題を多数収載し、PythonとRの両方で分析コードを紹介する。
一般件名	数理統計学-データ処理-ndlsh-001095531,データマイニング-ndlsh-00948240
一般件名	データマイニング , プログラミング(コンピュータ)
一般件名カナ	データマイニング,プログラミング(コンピュータ)
一般件名典拠番号	511588800000000 , 510348100000000
分類：都立NDC10版	007.609
資料情報1	『Python,Rで学ぶデータサイエンス』（DIGITAL FOREST）　Chantal D.Larose／著, Daniel T.Larose／著 , 阿部真人／訳　東京化学同人　2020.11（所蔵館：中央　請求記号：/007.6/9624/2020　資料コード：7113583237）
URL	https://catalog.library.metro.tokyo.lg.jp/winj/opac/switch-detail.do?lang=ja&bibid=1153724324

ページの先頭へ

1.イントロダクション: 1・1 なぜデータサイエンスが必要なのか; 1・2 データサイエンスとは何か; 1・3 データサイエンスの方法論; 1・4 データサイエンスのタスク; 練習問題
2.PythonとRの基礎: 2・1 Pythonのダウンロード; 2・2 Pythonプログラミングの基礎; 2・3 RとRStudioのダウンロード; 2・4 Rプログラミングの基礎; 参考資料; 練習問題
3.データ準備: 3・1 銀行マーケティングデータセット; 3・2 分析課題を設定する; 3・3 データの準備; 3・4 インデックスの付与; 3・5 モデルに悪影響をもたらす変数値の変換; 3・6 カテゴリ変数から数値変数への変換; 3・7 数値変数の正規化; 3・8 外れ値の特定; 参考資料
4.探索的データ解析: 4・1 探索的データ解析(EDA)と仮説検定; 4・2 複合棒グラフと目的変数; 4・3 分割表; 4・4 複合ヒストグラム; 4・5 説明変数のビン化; 参考資料; 練習問題
5.モデル構築下準備: 5・1 第4章までのおさらい; 5・2 データ分割; 5・3 データ分割の評価; 5・4 学習用データセットの均衡化; 5・5 モデル性能のベースラインの策定; 参考資料; 練習問題
6.決定木: 6・1 イントロダクション; 6・2 CARTアルゴリズム; 6・3 C5.0アルゴリズム; 6・4 ランダムフォレスト; 参考資料; 練習問題
7.モデルの評価: 7・1 イントロダクション; 7・2 分類モデルの評価指標; 7・3 感度と特異度; 7・4 適合率,再現率,Fβ値; 7・5 モデル評価手法; 7・6 モデル評価の適用例; 7・7 不均等な損失の考慮; 7・8 不均等な損失の有無によるモデル比較; 7・9 データドリブンな損失の定義
8.単純ベイズ分類器: 8・1 単純ベイズの紹介; 8・2 ベイズの定理; 8・3 最大事後確率; 8・4 条件付き独立; 8・5 単純ベイズ分類器の適用例; 参考資料; 練習問題
9.ニューラルネットワーク: 9・1 ニューラルネットワーク入門; 9・2 ニューラルネットワークの構造; 9・3 結合の重みと組合わせのための関数; 9・4 シグモイド型の活性化関数; 9・5 誤差逆伝播法; 9・6 ニューラルネットワークの適用例; 9・7 ニューラルネットワークにおける重みの解釈; 9・8 Rでのニューラルネットワークの使い方; 練習問題
10.クラスタリング: 10・1 クラスタリングとは何か?; 10・2 k‐meansクラスタリングアルゴリズム入門; 10・3 k‐meansクラスタリングの適用; 10・4 クラスターの検証; 10・5 Pythonによるk‐meansクラスタリングの実行方法; 10・6 Rによるk‐meansクラスタリングの実行方法; 練習問題
11.回帰モデル: 11・1 推定タスク; 11・2 記述的回帰モデル; 11・3 多変量回帰モデルの応用例; 11・4 Pythonを用いた重回帰; 11・5 Rを用いた重回帰; 11・6 推定に対するモデルの評価; 11・7 ステップワイズ回帰; 11・8 回帰のベースとなるモデル; 参考資料
12.次元削減: 12・1 次元削減の必要性; 12・2 多重共線性; 12・3 分散拡大係数を用いた多重共線性の確認; 12・4 主成分分析; 12・5 主成分分析の応用; 12・6 何個の成分まで取り出すか; 12・7 k=4でPCAを実行する; 12・8 主成分の検証; 12・9 Pythonを用いた主成分分析の実行法
13.一般化線形モデル: 13・1 一般化線形モデルの概要; 13・2 一般化線形モデルとしての線形回帰; 13・3 一般化線形モデルとしてのロジスティック回帰; 13・4 ロジスティック回帰の例; 13・5 ポアソン回帰; 13・6 ポアソン回帰の例; 参考資料; 練習問題
14.アソシエーションルール: 14・1 イントロダクション; 14・2 アソシエーションルールの簡単な抽出例; 14・3 支持度,信頼度,リフト値; 14・4 アソシエーションルールの抽出; 14・5 指標の確認; 14・6 信頼度差分基準; 14・7 信頼度比率基準; 参考資料; 練習問題
付録:データの要約と可視化: A・1 要約1:データ分析のブロックの構築; A・2 可視化:データを要約および整理するためのグラフと表; A・3 要約2:中心,ばらつき,位置の尺度; A・4 2変量の関係の要約と可視化

ページの先頭へ