データサイエンスって何？という人から、データサイエンティストを目指す人まで。

基本情報から最新情報までまとめた本書を読めば、最先端の学問がざっと身につく！

第1部　データサイエンスの基礎技術

・データサイエンスとは

・プログラミングとは

・データ構造の計算量　ほか

第2部　統計学・機械学習の基礎

・機械学習とは

・組合せ最適化

・アンサンブル学習とは　ほか

第3部　ディープラーニング

・ニューラルネットワークとは

・ディープラーニングとは

・画像の生成　ほか

※本書は，竹村彰通・姫野哲人・高田聖治編『データサイエンス入門第2版(データサイエンス大系)』を，人文社会系大学の基礎教育科目向けにカスタマイズした書籍です．

本書は，ビッグデータ時代を生きるすべての大学生が身につけるべきデータサイエンスをリテラシーレベルで解説したテキストである．専門分野を問わず，大学1年生の教養課程での使用を想定し，特に，文科系の学生にも知っておいてほしい内容を扱っている．そのため，できるだけ数式の使用を避け，図表やグラフを多用して，文科系の学生にも理解できる説明となるよう努めた．また，いくつかの分野でのデータサイエンスの応用事例を紹介し，実社会でのデータサイエンスの役割を知識として学べる構成とした．具体的には以下のような項目を扱っている．

• データサイエンスの社会的な役割

• データサイエンスのための統計学の基礎

• データサイエンスの手法の紹介

• インターネットからのデータの取得とExcel を用いたデータ分析の初歩

• データサイエンスの応用事例

Excelを用いたデータ分析の初歩を扱う第4章では，インターネットで提供されている公共の統計データを取得する方法を丁寧に解説することで読者が「生きたデータ」を用いて学習できるようにした．

データサイエンスの応用事例を扱う第5章では，はじめにデータサイエンスにかかわる国家戦略の解説を行い，社会の変化に応じて国がどのような施策を講じているのか理解を得た上で，行政分野，企業経営分野，健康分野，スポーツ分野の応用事例を紹介する．これによって，データサイエンスが現代社会でいかに必要とされており，どのような役割を果たしているかを知ることができる．

〈目次〉

第1章　現代社会におけるデータサイエンス

　データサイエンスの役割／データサイエンスと情報倫理／データ分析のためのデータの取得と管理

第2章　データ分析の基礎

　ヒストグラム・箱ひげ図・平均値と分散／散布図と相関係数／回帰直線／データ分析で注意すべき点

第3章　データサイエンスの手法

　クロス集計／回帰分析／ベイズ推論／アソシエーション分析／クラスタリング／決定木／ニューラルネットワーク／機械学習とAI (人工知能)

第4章　Excelによるデータ分析

　基本統計量とヒストグラム・箱ひげ図／散布図と相関係数・回帰直線／Excelやオープンデータ公開方法の変化

第5章　データサイエンス教育と社会への応用事例

　国家戦略／行政分野／企業経営分野／健康分野／スポーツ分野

第6章　より進んだ学習のために

◆RとPython両方学べる。コスパ最強の一冊！◆

・コードが理解の試金石！

・「データサイエンスの準備」にページを割いているから、プログラミング経験ゼロで大丈夫！　

・自分に合った言語を見つけたい、言語を乗り換えたいという方にもおすすめ！

[サポートサイト]

https：／／github.com/taroyabuki/fromzero

[主な内容]

第1部　データサイエンスのための準備

1章　コンピュータとネットワーク

2章　データサイエンスのための環境

3章　RとPython

4章　統計入門

5章　前処理

第2部　機械学習

6章　機械学習の目的・データ・手法

7章　回帰1（単回帰）

8章　回帰2（重回帰）

9章　分類1（多値分類）

10章　分類2（2値分類）

11章　深層学習とAutoML

12章　時系列予測

13章　教師なし学習

付録A　環境構築

第1部　データサイエンスのための準備

1章　コンピュータとネットワーク

1.1　コンピュータの基本操作

1.2　ネットワークのしくみ

2章　データサイエンスのための環境

2.1　実行環境の選択

2.2　クラウド

2.3　Docker

2.4　ターミナルの使い方

2.5　RとPython

2.6　サンプルコードの利用

3章　RとPython

3.1　入門

3.2　関数

3.3　コレクション

3.4　データフレーム

3.5　1次元データの（非）類似度

3.6　Rのパッケージ，Pythonのモジュール

3.7　反復処理

3.8　その他

4章　統計入門

4.1　記述統計

4.2　データの可視化

4.3　乱数

4.4　統計的推測

5章　前処理

5.1　データの読み込み

5.2　データの変換

第2部　機械学習

6章　機械学習の目的・データ・手法

6.1　機械学習の目的（本書の場合）

6.2　機械学習のためのデータ

6.3　機械学習の手法

7章　回帰1（単回帰）

7.1　自動車の停止距離

7.2　データの確認

7.3　回帰分析

7.4　当てはまりの良さの指標

7.5　K最近傍法

7.6　検証

7.7　パラメータチューニング

8章　回帰2（重回帰）

8.1　ブドウの生育条件とワインの価格

8.2　重回帰分析

8.3　標準化

8.4　入力変数の数とモデルの良さ

8.5　変数選択

8.6　補足：正則化

8.7　ニューラルネットワーク

9章　分類1（多値分類）

9.1　アヤメのデータ

9.2　木による分類

9.3　正解率

9.4　複数の木を使う方法

9.5　欠損のあるデータでの学習

9.6　他の分類手法

10章　分類2（2値分類）

10.1　2値分類の性能指標

10.2　トレードオフ

10.3　2値分類の実践

10.4　ロジスティック回帰

11章　深層学習とAutoML

11.1　Kerasによる回帰

11.2　Kerasによる分類

11.3　MNIST：手書き数字の分類

11.4　AutoML

12章　時系列予測

12.1　日時と日時の列

12.2　時系列データの予測

13章　教師なし学習

13.1　主成分分析

13.2　クラスタ分析

付録A　環境構築