目次

第1章 データ解析を学ぶ

  1.1 はじめに

  1.2 本書の構成

  1.3 データサイエンス教育に関するスキルセットとの対応

  1.4 学習の進め方

  1.5 記号表

第2章 Pythonの基礎

  2.1 Pythonプログラミング言語

  2.2 算術演算

  2.3 変数

  2.4 関数

  2.5 if文と条件分岐

  2.6 リスト

  2.7 文字列

  2.8 for文と繰り返し

  2.9 辞書

第3章 Pythonのモジュール

  3.1 モジュール

  3.2 pandasライブラリ

  3.3 NumPyライブラリ

  3.4 Matplotlibライブラリ

第4章 データ分析の基礎

  4.1 データとは

  4.2 データの収集

  4.3 データの観察と理解

  4.4 データの整形と加工

第5章 テキストデータの分析

  5.1 テキストデータ

  5.2 テキストの分かち書きと形態素解析

  5.3 テキストのベクトル表現

  5.4 テキストの類似度

  5.5 プログラミング

第6章 ネットワークデータの分析

  6.1 ネットワーク分析

  6.2 ネットワークの行列表現

  6.3 最短経路

  6.4 中心性

  6.5 固有ベクトル中心性

  6.6 ページランク

  6.7 プログラミング

第7章 機械学習の基礎

  7.1 データの表現

  7.2 教師あり学習

  7.3 汎化性能

  7.4 教師なし学習

  7.5 機械学習のモデル

  7.6 プログラミング

第8章 クラスタリング

  8.1 クラスタリング

  8.2 階層化クラスタリング

  8.3 K‐means法

  8.4 <発展>確率分布モデルによるK‐means法の解釈

  8.5 プログラミング

第9章 主成分分析

  9.1 主成分分析による次元削減

  9.2 主成分分析の考え方

  9.3 主成分分析の詳細

  9.4 プログラミング

第10章 線形回帰

  10.1 線形回帰

  10.2 最小二乗法

  10.3 勾配降下法

  10.4 勾配降下法の一般化

  10.5 正規方程式の一般化

  10.6 モデルの評価

  10.7 <発展>最尤法によるパラメータ推定

  10.8 プログラミング

第11章 モデル選択

  11.1 過学習

  11.2 モデル選択

  11.3 交差検証

  11.4 交差検証によるモデル選択の例

第12章 ロジスティック回帰

  12.1 ロジスティック回帰モデルによる分類

  12.2 ロジスティック回帰モデルのパラメータ推定

  12.3 ロジスティック回帰モデルのパラメータ推定の一般化

  12.4 <発展>多クラス分類

  12.5 分類結果の評価

  12.6 プログラミング

第13章 ニューラルネットワークの基礎

  13.1 ニューロンとニューラルネットワーク

  13.2 多層ニューラルネットワーク

  13.3 <発展>ニューラルネットワークによる関数の表現

  13.4 <発展>ニューラルネットワークの学習

  13.5 確率的勾配降下法

  13.6 深層ニューラルネットワーク

付録 Pythonのプログラミング環境

  付.1 Colaboratory

  付.2 Anaconda

ページの先頭へ