目次

第1章 イントロダクション

  1.1 データサイエンス作法

  1.2 データサイエンスvs.人工知能

  1.3 各章の内容

第2章 Rの基礎

  2.1 なぜRなのか

  2.2 Rコンソール

  2.3 スクリプト

  2.4 RStudio

  2.5 Rの基本

第3章 データの記述・可視化

  3.1 データの種類と性質

  3.2 データの要約方法1:データの中心を表す尺度

  3.3 データの要約方法2:データのバラツキを表す尺度

  3.4 データのグラフ表示

第4章 関連と因果,データ分析における注意事項

  4.1 観察研究における交絡の問題

  4.2 伝統的な交絡の調整方法

  4.3 傾向スコア

  4.4 傾向スコア解析の手順

  4.5 傾向スコア解析の利点と欠点

  4.6 傾向スコアマッチングによる解析事例

第5章 データ倫理

  5.1 データ倫理の原則

  5.2 データ倫理規範

  5.3 アルゴリズムバイアス

  5.4 データプライバシー

  5.5 データガバナンス

  5.6 データ整合性

第6章 確率

  6.1 確率とは

  6.2 実験,試行,標本点,標本空間,事象など

  6.3 事象の和・積,余事象など

  6.4 確率の定義

  6.5 確率のいくつかの性質,加法定理

  6.6 条件付き確率

  6.7 ベイズの定理

第7章 確率分布

  7.1 確率変数と確率分布

  7.2 確率分布の特徴を表す指標

  7.3 代表的な確率分布とその性質

第8章 標本分布と中心極限定理

  8.1 多次元確率分布

  8.2 統計量と標本分布

  8.3 大数の法則と中心極限定理

第9章 点推定・区間推定・仮説検定・p値

  9.1 統計学の体系

  9.2 点推定と区間推定

  9.3 仮説検定とp値

第10章 機械学習の基礎

  10.1 機械学習とは～回帰分析を例として～

  10.2 回帰分析

  10.3 クラスタリング

  10.4 分類

第11章 回帰モデル

  11.1 ボストン住宅価格データ

  11.2 線形モデル

  11.3 ボストン住宅価格の予測

  11.4 回帰診断

  11.5 非線形モデル

第12章 分類

  12.1 分類の方法と評価指標

  12.2 クレジットカード不正利用データ

  12.3 ロジスティック回帰分析

  12.4 ナイーブベイズ

  12.5 不均衡データの分類

第13章 ベイズ線形モデル

  13.1 ベイズ統計学の基本的考え方

  13.2 マルコフ連鎖モンテカルロ法

  13.3 ベイズモデルの比較

  13.4 ベイズ的線形モデル

  13.5 ベイズ線形モデルによるボストン住宅価格の予測

第14章 決定木とアンサンブル学習

  14.1 回帰木

  14.2 ランダムフォレスト

  14.3 分類

第15章 スパース学習

  15.1 LASSO回帰

  15.2 ボストン住宅価格データへの適用

ページの先頭へ