セイバーメトリクスとは、ベースボールのデータを利用して戦術を分析することです。本書は、データアナリスト、野球愛好家にRを利用したセイバーメトリクスを紹介します。Rは、データの読み込み、適切なフォーマットへの変換、グラフによるデータの視覚化、統計分析の実行まで、すべての分析ステップを完結できる便利なソフトウェアです（使用されているすべてのデータセットとRコードはオンラインから利用できます）。 第2版では、Rのモダンなデータ分析を可能にするtidyverseを採用し、選手やボールの動きを高速・高精度に分析するために必須となったStatcastによるプレーヤ追跡データを加筆しました。初版のすべてのコードをtidyverseに準拠して修正しました。さまざまなベースボールのプレーとそのデータを通して、モダンなRの利用方法とセイバーメトリクスについて学習できます。

2013年に刊行した「データサイエンティスト養成読本」の改訂版です。データサイエンティストを取り巻くソフトウェアや分析ツールは大きく変化していますが，必要とされる基本的なスキルに大きな変化はありません。本書は「データサイエンティスト」という職種について考察し，これから「データサイエンティスト」になるために必要なスキルセットを最新の内容にアップデートして解説します。

データが価値を生み出す資源として脚光を浴び、ソフトウェアで手軽にデータ分析ができる時代を迎えました。一般の企業／組織では、機械学習や統計モデリングなどの数理的な理論の活用がはじまっています。 数理モデリングは、さまざまな現象の観測および考察を重ねて得られた発見を抽象的なナレッジに落とし込む手法です。「どんな目的を達成するために」、「どの程度のコストで」、「どんな問題を解くべきか」というような課題に対して、適切な手法でアプローチするための技術が数理モデリングであり、多くのエンジニア、ビジネスマンにとって、今後ますます重要視される知識と言えます。 本書は全7章で構成し、1章では「数理モデルの考え方」をごく単純な例を用いて解説します。続く章では、購買予測、離脱予測、意思決定、オンライン広告、ネットワーク科学、画像解析などの社会実装を通して数理モデリングがもたらす恩恵を解説していきます。数理科学に携わる気鋭のデータサイエンティスト陣による理論解説は、きっとあなたのビジネスを加速させるでしょう。

データサイエンティストはここ数年で生まれた職種です。どんなスキルを身に付ければ良いかはいろいろなところで語られ，現役のデータサイエンティストのスキルもバラバラなのが現実です。さまざまな技術がある中で，本書ではデータ分析者をはじめる前に最低限知っておきたい知識を取り上げます。シェルは知らなくても良いでしょうか？基本的なSQLは書けなくても良いでしょうか？データフォーマットの知識は不要でしょうか？機械学習の基礎知識は不要でしょうか？初学者にとっては避けて通れない知識，現役データサイエンティストにとっては知らないと恥ずかしい知識を登竜門編として１冊にまとめています。

本書は、プロとしてデータマイニングを行うための教養を身に付けるための1冊です。 データを分析するための知識を技術について、統計・エンジニアリング・ビジネス・倫理の基礎知識を解説しています。 データマイニングを始めようとしている人にオススメの1冊です。 【序文より抜粋】 　本書では、データマイニングエンジニアを志す方が、独学で散在している知識を体系的に得られるようになるための基礎的なトピックスを列挙しました。結果的に理論寄りになっていますが、抽象度が高くなりすぎないように配慮しています。またトピックスを提示する順に気を配り、本書を頭から読むことで最も理解が深まるような構成を心がけました。そのために一般的な説明とは多少順番が前後する部分がありますが、ねらいがあってのことです。 　また、エンジニアリング以外のトピックスに比較的多くの紙面を割きました。具体的には、「指標を考える」や「技術者倫理」の章です。さすがに網羅的にとはいきませんが、エンジニアにとって有用と考えられる知識を特に記しました。これも一般的な説明方法は採用せず、エンジニアにとってはわかりやすいたとえ話を採用するなどの配慮をしております。 　このように「データマイニングエンジニアを志す方」に向けて書いてはおりますが、実はほかの分野ですでにご活躍で、その分野のドメイン知識を持ち、しかし何らかの事情で「データマイニングに取り組むことになった方」にこそ、ぜひ読んでいただきたいと考えております。

人工知能(AI)・機械学習と言ったバズワードを見ることは多くなりましたが、まだまだデータ解析のハードルは高いと考えられています。特に機械学習の入門書には高度な理論や前提知識を必要とされることも多く、学習する過程で挫折しまうことが多いようです。 エンジニアのみなさんにとっては、Pythonの便利なツールを用いてデータに実際にふれて、機械学習の面白さや便利さを体験することも良い学習方法の1つです。誤解をおそれずに言えば、目の前のデータをどう扱えば役に立つのか？を理解してからでも理論を学ぶのは遅くはありません。本書では「勉強になった」で終わることなく現場のアプリーケーションを使うための機械学習の基礎を解説します。

月刊誌『Software Design』の特集や単発企画で評判の良い、機械学習とPython関連の記事を再編纂。機械学習・深層学習に取り組んでいる開発現場のITエンジニアが自身で試して学んだことが記事のベースになっており、いま押さえておくべき技術を習得する足がかりとして最適です。