情報通信技術（ITC）が高度に発展した今日、私たちは、さまざまなデータに囲まれて暮らしています。データがなければ、ありふれた日々の営みですらスムーズには行えません。そんな現代社会で必須の「データ」を扱う科学が、「データサイエンス」です。本書は、データサイエンスの概観がざっくりと把握できるよう、イラストや図をたくさん使って、やさしく解説した「入門の入門書」です。難しい数式は使っていないので、数式が苦手な方にもおすすめです。Excelでデータサイエンスを体験できるダウンロードデータ付き。

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

◆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