※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 いま必要とされるデータサイエンスの素養がしっかり身につく一冊。 さまざまな場面で入手できるデータを価値に転換することが、データサイエンスの目的です。データサイエンスという言葉は、ビジネスやアカデミーを問わず、いまや多くの場面で聞かれるようになり、それだけ重要性が高まっている概念といえます。本書は、データサイエンスを理解し実践したいと考えている方に必要とされる、データサイエンスの素養がしっかり学べる一冊です。 データサイエンスは、統計的、計算的、人間的という3つの視点の有機的結合という一面があるといわれます。本書では、データ分析に必要な統計学や関連する数学を丁寧にフォローし、確率・統計的な考え方が自然に身に付くよう配慮しました。また、データを適切に処理するための計算法は、プログラミング言語としてRを用いつつ、近年注目度の高い機械学習を含む具体例を通して納得しながら理解できる構成です。さらに、データの前処理から分析結果のプレゼンテーションまでの過程には人間が関わるという観点で、データを取り扱ううえで心がけるべき倫理的側面も扱いました。 なお、本書は「数理・データサイエンス・AI（リテラシーレベル）モデルカリキュラム」、「数理・データサイエンス・AI（応用基礎レベル）モデルカリキュラム」に準拠した授業の副読本・参考書としてもご利用いただけます。 第1章　イントロダクション 第2章　Rの基礎 第3章　データの記述・可視化 第4章　関連と因果，データ分析における注意事項 第5章　データ倫理 第6章　確率 第7章　確率分布 第8章　標本分布と中心極限定理 第9章　点推定・区間推定・仮説検定・p値 第10章　機械学習の基礎 第11章　回帰モデル 第12章　分類 第13章　ベイズ線形モデル 第14章　決定木とアンサンブル学習 第15章　スパース学習 演習問題略解 参考文献

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 駆け出しエンジニアが押さえたいIT用語を厳選！ ★「1ページにつき1用語」を基本にイラスト付きで解説 一言での解説とイラストがあるから、IT用語を短時間で学びたい人にオススメ。 ★「用語に関連する話」でさらにIT知識が身につく 紹介している用語に関連する事項を説明。さらに理解を深めよう。 ★専門書の副読本や資格対策本として最適 「フィンテック」の項目であれば「ブロックチェーン」や「ダイナミックプライシング」など、 一緒に覚えておくべき関連性の高い用語の解説ページを記載。芋づる式に覚えられる。 ゼロトラスト、VPoE、ギグエコノミー、ERP、SFA、 正規表現、デプロイ、テスト駆動開発(TDD)、マテリアルデザイン、OAuth、決定木…… たくさんのIT用語をわかったふりをして聞き流していませんか？ 本書は、ゼロトラストなどのトレンド用語から、 システム開発用語、Web用語の他、 「落ちる」「キックする」などの業界用語についても紹介しています。 入社1年目の方、文系でIT業界に就職した方や、 他業種から転職した方など、 ITの専門知識のない方でも理解できるように やさしく解説しています。 わからない用語があったら、 まずは一言での解説とイラストを見て、 概要だけさらっとつかむことをオススメします。 巻末には、知りたい用語をさっと引ける索引付き！ ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

ビッグデータ分析、統計学、AI、機械学習の基礎理解と「使いこなし」を世界的総合コンサルティング企業のアクセンチュアのプロフェッショナルが徹底解説！ 本書は世界的なコンサルティング会社「アクセンチュア」のデータサイエンティスト工藤卓哉氏、保科学世氏を中心に、同社の専門チーム「アクセンチュア アナリティクス」のメンバーが、企業の実務家向けにデータ分析の考え方と具体的な実践手法を解説した本です。 第一部の「データアナリティクスの基礎」編ではアナリティクスのビジネス背景を業種向けに解説し、必要となる統計学の基礎的な考え方、課題の定義や立案の方法を紹介。第二部の「データアナリティクスの実践」では、機械学習や人工知能、ディープラーニングの動向とアナリティクスの関係を掘り下げ、ビジネス上必要となる、それぞれの分析手法を、無料ソフトウェアの「R」のパッケージやWebによる分析サービスなどを用いて、手を動かして実践するところまでを解説しています。 データアナリティクスの基礎から実践までを、専門家だけではなくビジネスパーソンが体系的に理解し、実践するための格好の定番書です。 ◎内容（抜粋） 【第一部】 ・データサイエンスが作り出すビジネス革新 ・分析で必須となる一般的な統計知識 ・課題の定義、仮説立案 ・データ収集・加工 ・システム処理基盤 【第二部】 ・機械学習とは ・アソシエーション分析 ・クラスター分析 ・決定木分析 ・経路探索、R言語と地図データによる実行 ・協調フィルタリング ・H2Oでディープラーニング ◎こんな方にお勧め ・データ分析などで課題解決をおこないたいビジネスパーソン ・データを収集・分析から事業立案をおこなおうとする事業開発部門、戦略部門の方 ・データ分析基盤や分析フローをつくるIT担当、情報システム関連の方 ・データ分析を普及したい教育担当の方 ・データ分析の基礎を習得したい学生の方 ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

★まずは実行しよう。数理はそれからだ。★ 初学者が無理なく読み進められるように、ていねいに解説した。まずは、Rでデータ解析を実践し、Rの操作を習熟したら、数理的側面を学ぶ構成。理解の定着に役立つ練習問題が充実！　コードはWebで公開。 【サポートページ】 https://sites.google.com/view/ihsayah/sdar 【主な内容】 第1章　準備：Rの操作 第2章　データの可視化と要約 第3章　回帰分析（1）：単回帰モデル・重回帰モデル 第4章　回帰分析（2）：統計的推測・正則化法に基づく回帰分析 第5章　判別分析 第6章　ロジスティック回帰モデル 第7章　単純な規則に基づく判別モデル：決定木・インデックスモデル 第8章　主成分分析 第9章　クラスター分析 第10章　ブートストラップ法 第11章　Rを用いたシミュレーション：数理統計学を「実感」する 【「巻頭言」より抜粋】 文部科学省は「数理及びデータサイエンスに係る教育強化拠点」6 大学(北海道大学、東京大学、滋賀大学、京都大学、大阪大学、九州大学)を選定し、拠点校は「数理・データサイエンス教育強化拠点コンソーシアム」を設立して、全国の大学に向けたデータサイエンス教育の指針や教育コンテンツの作成をおこなっています。 本シリーズは、コンソーシアムのカリキュラム分科会が作成したデータサイエンスに関するスキルセットに準拠した標準的な教科書シリーズを目指して編集されました。またコンソーシアムの教材分科会委員の先生方には各巻の原稿を読んでいただき、貴重なコメントをいただきました。 データサイエンスは、従来からの統計学とデータサイエンスに必要な情報学の二つの分野を基礎としますが、データサイエンスの教育のためには、データという共通点からこれらの二つの分野を融合的に扱うことが必要です。この点で本シリーズは、これまでの統計学やコンピュータ科学の個々の教科書とは性格を異にしており、ビッグデータの時代にふさわしい内容を提供します。本シリーズが全国の大学で活用されることを期待いたします。 ――編集委員長 竹村彰通(滋賀大学データサイエンス学部学部長、教授)

絶え間なく更新されるベストプラクティスが 「ベスト」であり続けるための基礎技術のすべて 【本書の内容】 本書は Brett Lantz, "Machine Learning with R - Third Edition", Packt Publishing, 2019 の邦訳版です。 本書は「機械学習」で語られることの多い手法（最近傍法や回帰法、ナイーブベイズ や決定木を使った分類法）を網羅し、それぞれの意味や成立条件を解説します。 といっても、ゴリゴリの数式だけを使うわけではなく、既存のデータを使用し、 それら手法によって解析した結果、どのようなグラフが表示されるか、を 手取り足取りで解説してくれます。 ですから、機械学習を構成するさまざまな手法を、実際に使えるレベルで理解できる ようになります。 そのため、自身が関わるプロジェクトにおいて、どの手法がベストプラクティスと なるのか、無意味な分析・解析を避ける勘所がわかるようになるでしょう。 「機械学習」を学んだものの「もやもや」に付きまとわれているエンジニアに よく効く一冊です。 【本書のポイント】 ・「機械学習」と呼ばれる手法を網羅 ・手法を構成する手続きやその前準備を微細に解説 ・各手法のメリットとデメリットも紹介 ・実際に手を動かすことで各種手法を正しく利用できるようになる 【読者が得られること】 ・機械学習とその派生手法のモデルを頭の中に構築できる ・機械学習を成立させるさまざまな手法に精通できる ・プロジェクトで真に必要な手法がわかる ・（ついでに）R言語（4.x系）も習得できる ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 教育現場のデータを活かすために！ 　本書は、教育現場に蓄積された多様なデジタルデータ（成績データ、アンケート結果など）の分析方法を解説するものです。 　中・高・大や予備校などの教育現場には、多くのデータ（試験・入試の結果、TOEICなどの外部試験の結果、出席管理システムの情報など）が、なかば勝手に集積されていきます。昨今、データ利用の重要性が叫ばれるなか、そのようなデータの山の中から教育上、有用な知見を見つけ出すことが教育現場にも求められています。 　本書は、大学や予備校、通信教育の教職員・事務職員、教育に熱心な中・高の教職員をおもたる対象として、教育データの分析手法や考え方を解説しています。オープンソースの統計分析向けのソフトウェア環境であるRを用いることで、実際に使える実践的な方法を解説しています。 　教育分野の方以外にも、データ分析が身近な学校という現場を例に、どのように実応用されているかを知ることができる一冊になっています。 【準備編】 第1章　Rの使い方 【基本編】 第2章　記述統計―テスト結果の概要を知りたい 第3章　層別分析・可視化―クラスごとの傾向を視覚的に把握したい 第4章　t検定―2つのテスト結果を比較したい 第5章　分散分析・多重比較―3つ以上のグループや繰り返しのテスト結果を比較したい 第6章　効果量―指導法による成績の違いを調べたい コラム ノンパラメトリック検定―少人数の成績を比較したい 第7章　相関分析―中間試験と期末試験の成績の関係を調べたい コラム テキストマイニング―授業評価アンケートの自由記述を分析したい 【発展編】 第8章　回帰分析―テスト欠席者の見込み点を予測したい コラム マルチレベル分析―異なる学校の成績を比較したい 第9章　因子分析―授業評価アンケートを作成・分析したい コラム 項目反応理論―テストごとの難易度を考慮して成績を出したい 第10章　構造方程式モデリング―成績データから因果関係を探りたい コラム 潜在ランク理論―100点満点のテスト結果を5段階評価に変換したい 第11章　クラスター分析―同じような特徴を持つ学習者をグループ化したい コラム 決定木分析―合格者と不合格者を分けるルールを知りたい 参考文献 索引

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 本書は、Think IT連載「ビジネスに活用するためのAIを学ぶ」に、筆者の自社Webサイトで公開中のブログ「AI技術をぱっと理解する(基礎編)」を加え、さらに加筆・修正したAI入門書。これからAIを学ぶエンジニアや過去にAIを学習したが挫折してしまったエンジニア向けに、AIの基礎と全体像を解説し「AIとは何か」「AIで何ができるのか」をイメージできるようにした。 本書の特長は、古い歴史には触れず、(1)ディープラーニング登場以降の5年間の流れを知り(過去)、(2)今のAI技術の全体像を把握し(現在)、(3)5年後のAI活用イメージを掴む(未来)、の3点。書き下ろしコラムによるていねいな補足もあり、広大で難解なAIの世界をやさしく学ぶことができる。 全3部構成。 ●第1部「人工知能の基礎を理解する」では、AIの基礎と全体像をしっかり理解できるように解説。 ●第2部「機械学習のアルゴリズムを学ぶ」では、AIの心臓部となる＜機械学習＞＜統計学＞＜アルゴリズム＞の3要素とその関係を解説。＜機械学習＞には 「教師あり学習」「教師なし学習」「強化学習」などが、その背後には「回帰」「分類」「クラスタリング」などの＜統計学＞があり、その解を求める方法には「決定木」「サポートベクターマシーン」「ｋ平均法」など、多くの＜アルゴリズム＞がある。これらの三角関係をやさしく紐解く。 ●第3部「ビジネスに活用するための人工知能を学ぶ」では、著者の調査による最新動向を踏まえ、AIビジネスの将来について業界別に考察。 RPA (Robotic Process Automation) の現状についても解説する。

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 AIシステムを動かすモデルの解釈可能性を高め、説明可能なAIへの道を開く 本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とPythonによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なAI」に至るための道を示しています。 第1部 解釈可能性の基礎 第1章 はじめに 　1.1 Diagnostics+のAI―AIシステムの一例 　1.2 機械学習システムの種類 　1.3 Diagnostics+のAIを構築する 　1.4 Diagnostics+のAIの問題点 　1.5 Diagnostics+のAIシステムを堅牢にする 　1.6 解釈可能性と説明可能性 　1.7 本書で何を学ぶのか？ 　1.8 まとめ 第2章 ホワイトボックスモデル 　2.1 ホワイトボックスモデル 　2.2 Diagnostics+―糖尿病の進行度 　2.3 線形回帰 　2.4 決定木 　2.5 一般化加法モデル（GAM） 　2.6 ブラックボックスモデルとは 　2.7 まとめ 第2部 モデルの処理の解釈 第3章 モデルに依存しない方法：大域的な解釈可能性 　3.1 高校生の成績予測器 　3.2 アンサンブルツリー 　3.3 ランダムフォレストを解釈する 　3.4 モデルに依存しない方法：大域的な解釈可能性 　3.5 まとめ 第4章 モデルに依存しない方法：局所的な解釈可能性 　4.1 Diagnostics+のAI：乳がん診断 　4.2 探索的データ分析 　4.3 深層ニューラルネットワーク 　4.4 DNNを解釈する 　4.5 LIME 　4.6 SHAP 　4.7 アンカー 　4.8 まとめ 第5章 顕著性マップ 　5.1 Diagnostics+のAI：浸潤性乳管がんの検出 　5.2 探索的データ分析 　5.3 畳み込みニューラルネットワーク 　5.4 CNNを解釈する 　5.5 バニラバックプロパゲーション 　5.6 ガイド付きバックプロパゲーション 　5.7 その他の勾配ベースの手法 　5.8 Grad-CAMとガイド付きGrad-CAM 　5.9 どの寄与度推定法を使えばいいのか？ 　5.1 まとめ 第3部 モデルの表現の解釈 第6章 層とユニットを理解する189 　6.1 視覚的な理解 　6.2 畳み込みニューラルネットワーク：復習 　6.3 ネットワーク分析フレームワーク 　6.4 層とユニットを解釈する 　6.5 まとめ 第7章 意味的な類似性を理解する 　7.1 感情分析 　7.2 探索的データ分析 　7.3 ニューラル単語埋め込み 　7.4 意味的類似性を解釈する 　7.5 まとめ 第4部 公平性とバイアス 第8章 公平性とバイアスの軽減 　8.1 収入予測 　8.2 公平性の概念 　8.3 解釈可能性と公平性 　8.4 バイアスを軽減する 　8.5 データセットのためのデータシート 　8.6 まとめ 第9章 説明可能なAIへの道 　9.1 説明可能なAI 　9.2 反実仮想的な説明 　9.3 まとめ Appendix 付録A セットアップを行う 　A.1 Python 　A.2 Gitコードリポジトリ 　A.3 Conda環境 　A.4 JupyterNotebook 　A.5 Docker 付録B PyTorch 　B.1 PyTorchとは？ 　B.2 PyTorchをインストールする 　B.3 テンソル 　B.4 データセットとDataLoader 　B.5 モデリング 付録C 日本語版付録日本語を扱う 　C.1 単語に分割する 　C.2 ワードクラウドを作成する 　C.3 日本語を単語埋め込み化する Ajay Thampi（著者） 信号処理と機械学習をテーマに博士号を取得し、強化学習、凸最適化、5Gセルラーネットワークに適用される古典的な機械学習技術をテーマに主要なカンファレンスやジャーナルで論文を発表している。現在は大手テック企業にて「責任あるAI」と公平性を専門に機械学習エンジニアとして活躍。マイクロソフトのリードデータサイエンティストとして、製造業、小売業、金融業など様々な業界の顧客に対して、複雑なAIソリューションをデプロイする仕事を担当した経験を持つ。 松田晃一（翻訳者） 博士（工学、東京大学）。石川県羽咋市生まれ。『宇宙船ビーグル号の冒険』を読み、絵描きではなく、コンピュータの道へ。海（海水浴）と温泉を好む。HCI/AR/VR/UX、画像処理・認識、機械学習、エッセーの執筆、技術書、SF、一般書の翻訳などに興味を持つ。最近立ち上げたPython の講義が（自分では）結構良く構成でき、再構成し書籍化を考えている。PAW^2（メタバース）の開発に携わり、オープンソースのm3py ライブラリの開発を行っている。著書に『Python ライブラリの使い方～ GUI から機械学習プログラミングまで』、『p5.js プログラミングガイド改訂版』（カットシステム)、『学生のためのPython』（東京電機大学出版局)、『WebGL Programming Guide』（Addison-Welsley Professional）など、訳書に『Web API デザイン・パターン』、『機械学習エンジニアリング』、『プログラミングのための数学』、『データサイエンティストのための特徴量エンジニアリング』（マイナビ出版）、『生成Deep Learning』、『詳解OpenCV3』、『コンピュータビジョンのための実践機械学習』（オライリー・ジャパン）、『デザインのためのデザイン』（ピアソン桐原）などがある。 ※この商品は固定レイアウト型の電子書籍です。 ※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字列のハイライトや検索、辞書の参照、引用などの機能が使用できません。 ※お使いの端末で無料サンプルをお試しいただいた上でのご購入をお願いいたします。

★★理論と実装のバランスがよい、「機械学習 with Python」の決定版★★ ■機械学習モジュールが普及することにより、かえって学びづらくなった機械学習アルゴリズムの基本を徹底マスター！ ■scikit-learnを使わない、numpyとpandasのみのコーディングで、実装力がスキルアップ！ ■ブラックボックスの中身を理解し、一生モノの知識を身につけよう！ 【本書のサポートページ】すぐに実践できるコードがWeb公開！ https://github.com/hhachiya/MLBook　 【機械学習スタートアップシリーズ】 https://www.kspub.co.jp/book/series/S042.html 【主な内容】 第1章 機械学習とは何か 第2章 Python入門 第3章 数学のおさらい（線形代数、最適化、確率、統計） 第4章 回帰分析（線形回帰分析、ロジスティック回帰分析） 第5章 分類（線形判別分析、サポートベクトルマシン、ナイーブベイズ法、決定木） 第6章 カーネルモデル 第7章 ニューラルネットワーク 第8章 強化学習 第9章 教師なし学習（主成分分析、因子分析、クラスター分析）

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 機械学習のしくみをイラストや図解でやさしく学ぼう！ 本書は、機械学習に関するさまざまなトピックスを概説する書籍です。人工知能における機械学習の位置づけを説明したのち、機械学習内の分野をマップ化し、マップ内の街（＝機械学習内の分野）を旅する形でやさしく解説していきます。 数式や複雑な処理手順は扱わずに、「どんなしくみで、どこで使われていて、どう役に立つのか」という要点をわかりやすく示します。大枠や要点を掴むことを主眼としているため、短時間・効率的に学ぶことができます。機械学習について関心をもっているものの、専門書はハードルが高いと感じている学生やビジネスパーソンにおすすめです。 構成は、はじめに人工知能における機械学習の位置づけや手法の分類を示したうえで、機械学習の個々のトピック……すなわち、ｋ近傍法や決定木などによる分類、進化的計算や群知能による最適化、強化学習、ニューラルネット、深層学習などを説明していきます。 まえがき 目次 はじまり－機械学習の国へ行こう－ 第一章　いりぐち－機械学習ってなんだろう？－ 機械学習ってなんだろう？ AIにできること いきものとコンピューター、それぞれの学びかた コンピューターの学習 機械学習はなにができるの？ 「言葉」を認識する 「画像」を認識する 　COLUMN　強いAIと弱いAI 第二章　観光案内所－機械学習の種類と仕組み－ 機械学習には種類がある 先生に正解を教えてもらおう－教師あり学習－ 教師データとラベル　 教師あり学習の仕組み 自力で学習を進めよう－教師なし学習－ 試行錯誤の経験から学習しよう－強化学習－ コラム　いろんな機械学習 学習した知識を役立てよう－汎化・タスク・アルゴリズム－ 学習のしすぎに注意！－過学習－ COLUMN　オッカムの剃刀とノーフリーランチ定理 第三章　分類の街－k近傍法と決定木－ 並べかたで分類しよう－k近傍法－ 　一刀両断、スパッと分類！－サポートベクターマシン－ ○と×で分類しよう－決定木－ 決定木の作りかた たくさんの決定木の森－ランダムフォレスト－ COLUMN　みにくいアヒルの子定理 第四章　最適化の街－進化的計算と群知能－ 最適化ってなんだろう？ 進化を模倣してよりよい情報を残そう－進化的計算－ いきものの進化の仕組み 進化的計算ってなんだろう？ 進化的計算の代表選手、遺伝的アルゴリズム 遺伝的アルゴリズムの仕組み もっと複雑なことをするには－遺伝的プログラミング－ 生物の群れの行動から学習しよう－群知能－ 蟻みたいに近道を見つけよう －蟻コロニー最適化法－ 大勢で答えを探そう－粒子群最適化法－ 魚みたいに餌を探そう－AFSA－ 第五章　試行錯誤の街－強化学習－ 強化学習ってなんだろう？ とにかく試行回数を重ねよう－モンテカルロ法－ より効率的に試行するには？－Q学習－ Q学習で迷路を脱出しよう 第六章　神経回路の街①－ニューラルネット－ 神経細胞と神経ネットワーク 神経細胞の模倣－人工ニューロン－ 神経ネットワークの模倣－人工ニューラルネットワーク－ ニューラルネットの学びかた 視覚のシミュレーション－パーセプトロン－ ハイスピードで学ぼう！－バックプロパゲーション－ ニューラルネットワークの種類 ①階層型 ニューラルネットワークの種類 ②全結合型と再帰型 「何か」を見つける－認識－ 「何か」を動かす－制御－ 「何か」を考える－判断－ 必ず「何か」を返してくる。……それでいいのかな？ 第七章　神経回路の街②－ディープラーニング－ ディープラーニングってなんだろう？ 人間の「視覚」を真似したニューラルネット これはイヌ？　それともネコ？－畳み込みニューラルネットの画像認識－ CNNはどうして高性能なんだろう？ 時間で変わるデータを分析しよう－リカレントニューラルネットとLSTM－ 本物そっくりのニセモノをつくる－敵対的生成ネットワーク－ ディープラーニングを自動翻訳に役立てよう 経験から学ぶ深層学習－深層強化学習－ 第八章　でぐち－機械学習をはじめよう－ 機械学習に使われる言葉－プログラミング言語Python－ 機械学習に使われるソフトウェア①－TensorFlowとKeras－ 機械学習に使われるソフトウェア②－Caffe、PyTorch、Chainer－ おわりに－AIについて学べる参考図書たち－ 　索引

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 わかりやすく丁寧な、意思決定論入門の決定版。 意思決定論は、「どのように意思決定をするのか？」「どのような意思決定をすべきか？」について研究する学問分野です。意思決定論を学ぶと、どのような点が、どうして難しいのか、そしてどこまでは合理的に考えられるのか、ということの理解が深まります。意思決定がすんなりいかない場合でも、論理で対処できる部分については、意思決定論を学ぶことで改善できます。 本書は、幅広い意思決定の理論やモデルを網羅しつつ、基礎となる考え方を、わかりやすい例を通して丁寧に解説する入門書です。本書で展開する意思決定論の大部分は、数学でつまずかないよう、四則演算と簡単な確率計算を用い、論理の積み重ねや図解で理解できるように構成しました。また、各章の数学的補足では、高校数学程度の数式で本文の内容を整理し、意思決定の数理の基礎が学べるようにしています。 章末には演習問題と参考になる文献のガイドを掲載し、独習に、また大学の学部における意思決定論の講義の教科書としても、使いやすいようまとめました。 第1章　はじめに－意思決定の問題と構造 　1.1 意思決定とは 　1.2 意思決定のプロセス 　1.3 意思決定問題の要素 　1.4 意思決定問題の複雑化要因?様々な意思決定の状況 　1.5 モデルで考える 　1.6 意思決定と情報、予測、データ分析 　1.7 合理的な意思決定 　1.8 意思決定研究のアプローチ 　文献ガイド 第2章　不確実性下の意思決定 　2.1 不確実性下の意思決定とは 　2.2 利得表による表現 　2.3 狭義の不確実性下の意思決定基準 　2.4 リスク下の意思決定基準 　2.5 情報の価値 　2.6 決定木 　2.7 数学的補足 　演習問題 　文献ガイド 第3章　戦略的意思決定 　3.1 戦略的意思決定とは 　3.2 戦略形ゲーム 　3.3 ナッシュ均衡 　3.4 混合戦略 　3.5 展開形ゲーム 　3.6 部分ゲーム完全均衡 　3.7 ゲームにおける情報の価値 　3.8 数学的補足 　演習問題 　文献ガイド 第4章　多目的意思決定 　4.1 多目的意思決定とは 　4.2 利得表による表現 　4.3 多目的意思決定の意思決定基準 　4.4 階層化意思決定法 　4.5 数学的補足 　演習問題 　文献ガイド 第5章　集団意思決定 　5.1 集団意思決定とは 　5.2 いくつかの集約方法 　5.3 アローの不可能性定理 　5.4 戦略的操作 　5.5 絶対評価の集約 　5.6 数学的補足 　演習問題 　文献ガイド 第6章　数理最適化 　6.1 数理最適化とは 　6.2 線形計画問題 　6.3 グラフによる解法 　6.4 ソルバーによる分析 　6.5 感度分析 　6.6 数学的補足 　演習問題 　文献ガイド 第7章　合理的意思決定・再考 　7.1 期待効用とリスク 　7.2 意思決定におけるバイアス 　演習問題 　文献ガイド

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 まずはじめに手をとるデータサイエンスの入門書。 数式なしでデータサイエンスの要点がわかる。 本書は数式なしで、データサイエンスの要点を解説した入門書です。 ビッグデータを想定したデータサイエンスの考え方を初学者にわかりやすく解説されており、米国をはじめ、中国、ドイツ、ロシア、韓国でも大注目されている書籍の翻訳書です。 第1章　きほん中の基本 第2章　クラスター分析 第3章　主成分分析 第4章　相関ルール 第5章　社会ネットワーク分析 第6章　回帰分析 第7章　k近傍法と異常検知 第8章　サポートベクターマシン 第9章　決定木 第10章 ランダムフォレスト 第11章 ニューラルネットワーク 第12章 A/Bテストと多腕バンディット

本書は、LightGBMやXGBoostなどに代表されるアンサンブル学習のアルゴリズムをPython 3でゼロから実装することで、その仕組みや原理を学べる1冊です。 <序文より抜粋> ビッグデータを解析するための機械学習アルゴリズムとしては、ディープラーニング、つまりニューラルネットワークの他にも、ベイズ分類器や決定木、それにそれらを組み合わせた「アンサンブル学習」アルゴリズムなど、さまざまな種類があり、データやその利用シーンに応じて適切なものを選択しなければ、その威力を発揮させることはできません。実際、海外のデータコンペティションにおいてはLightGBMなどのアルゴリズムがよく利用されますが、それは勾配ブースティングアルゴリズムの一種であり、「アンサンブル学習」アルゴリズムの1つです。 そうした「アンサンブル学習」アルゴリズムは強力な分析力を提供してくれますが、それらを正しく使いこなし、最大限の性能を引き出すためには、アルゴリズムの詳細についての理解が欠かせません。そして、どのようなアルゴリズムについても、その手法を最もよく理解できる学習手段は、そのアルゴリズムを実際に一からプログラミングしてみることなのです。 そうした「アンサンブル学習」と呼ばれる手法について、最も基礎的な部分から解説し、実際にコードを作成しながらその動作原理を学ぶ、というの本書の目的となります。 そして本書では、Python言語を使用して、複数のアンサンブル学習アルゴリズムを、完全に一からスクラッチで制作します。数式でアルゴリズムを理解するのではなく、実際に一からプログラムを書き、コードに触れることで得られる知識は、実際のデータ解析における問題解決能力を大きく養ってくれるはずです。

DXの実務とは、「戦略」と「技術」をつなぐこと。 あらゆる産業で「DX」が叫ばれる昨今、 多くの時間と労力を費やしているにもかかわらず、 成功とは言い難いDXプロジェクトが後を絶たない。 それらの取り組みに共通して見られるのが、 ・DX戦略構築/実行の「型」が欠けている ・DX実現に不可欠の「技術的考察」が欠けている という2つの根本的な問題だ。 DX成功の鍵は「戦略と技術をつなげる力」であり、 非エンジニアでも経営層でも、本気でDXを行うならば データ利活用の標準的な考え方を身につけ、 主要技術を理解することが不可欠だ――。 「そもそもDXの戦略はどのように描けばよいのか?」 「データ利活用はどのような手順で進めるべきなのか?」 「どのような体制、マネジメント、人材が必要なのか?」 「AIはどう駆動するのか。機械学習で何が可能なのか?」 「技術をビジネスに実装/運用する上での注意点とは?」 「DXに携わる人にはどんなスキルが求められるのか?」 これらのポイントを押さえながら、「DXの実務」の リアルな行程を、具体性と汎用性にこだわって解説する。 【技術者でない人のための データ/AI活用必携テキスト】 [本書の特徴] ・エンジニアではない読者向けに、DXに関する戦略と技術の双方を解説。 ・あらゆる業種のDXに共通して必要な「データ利活用」の本質がわかる。 ・難解なデータ/AIの技術について、易し過ぎず、難し過ぎないレベルで解説。 ・データ/AIの技術を前提としながら、実務的な話ができるだけの基本知識・理解が得られる。 [構成] Part 1[序論] DXの成否を左右する「データ利活用サイクル」 DXの“現在地" DXは、「データ利活用」による経営改革 データ利活用を実現する重要コンセプト データ利活用を実装する仕組み データ利活用とAI データ利活用の成否を分かつ要因 データ利活用DX実現へのロードマップ Part 2[総論1] DXが進まない理由 業種/業界別に見られる課題とDXによるアプローチ DX推進を阻む課題 DXを阻む課題の“深淵" DXを実現するための3つの方針 Part 3[総論2] データ利活用DX推進のフレームワーク データ利活用DXの2つのフェイズ Pre-DX Phase:コンセプトの設計 Pre-DX Phase:メカニズムの設計 DX Phase:推進ステップ Part 4[各論1] DX Phaseの具体的実務 データ利活用の前提となる「データ統合」 データの分類 DXフェイズにおける具体的実務の概観 KPIを具体的実務へ落とし込む データ/AI活用を具体的実務へ落とし込む Part 5[各論2] AIの活用 AIの全体像 AIの限界 Column 進化し続けるAI AIの分類 AIの学習 教師あり学習:決定木 アンサンブル学習 画像認識/自然言語処理で用いる深層学習モデル 教師なし学習:クラスタリング 機械学習システムへの実装 Part 6[各論3] 人材要件 プロダクト開発担当 データサイエンス担当 データパイプライン担当

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 【本電子書籍は固定レイアウトのため7インチ以上の端末での利用を推奨しております。文字列のハイライトや検索、辞書の参照、引用などの機能が使用できません。ご購入前に、無料サンプルにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください】 知らないと恥ずかしいデジタルマーケティング用語を厳選！ ★「1ページにつき1用語」を基本にイラスト付きで解説 一言での解説とイラストがあるから、デジタルマーケティング用語を短時間で学びたい人にオススメ。 ★専門書の副読本としても最適 「オーガニック検索」の項目であれば「メタタグ」や「ページランク」など、 一緒に覚えておくべき関連性の高い用語の解説ページを記載。芋づる式に覚えられる。 4Pと4C、検索クエリ、D2C、ABM、 LTV、決定木分析、SaaS、BIツール、PMF、…… たくさんの専門用語をわかったふりをして聞き流していませんか？ 本書は、OMOやUnified IDなどの近年話題の用語から、 広告、SNS、クリエイティブ分野の用語や、 マーケターが押さえておくべき偉人についても紹介しています。 デジタルマーケティング職種に配属された入社1年目の方や、 他業種から転職した方など、 経験や専門知識のない方でも理解できるように やさしく解説しています。 わからない用語があったら、 まずは一言での解説とイラストを見て 概要だけさらっとつかむことをオススメします。 巻末には、知りたい用語をさっと引ける索引付き！ 読者特典として「用語確認シート（Excel）」もプレゼント。 本書で解説している用語（一部抜粋） STP、マーケティングファネル、KGIとKPI、ROASとROI、CRM、 検索エンジンとSEO、エンゲージメント、MA、SFA、コンテンツ連動型広告 インプレッション、インハウス運用、CRO、CTR、OKR、CSS、 JavaScript、PHP、Cookie、ドメイン、セッション、レスポンシブデザイン、 ジェネレーティブAI（生成AI）、メタバース、D2C、LTV、ABM、 インバウンドマーケティング、MQLとSQL、セールスイネーブルメント、 カスタマーサクセス、〇〇パーティデータ、RFM分析、DMP……etc. 目次 第1章　デジタルマーケティングの基本用語 第2章　狙った人に届ける広告・SEO用語 第3章　情報発信を助けるオウンドメディア・SNS関連用語 第4章　周辺部門との連携に必要なクリエイティブ・販促・営業用語 第5章　施策や社内システムを改善するための分析・開発用語 第6章　活躍するデジタルマーケターが知っている経営・経済用語 第7章　デジタルマーケティング業界で知っておくべき人物 ※本電子書籍は同名出版物を底本として作成しました。記載内容は印刷出版当時のものです。 ※印刷出版再現のため電子書籍としては不要な情報を含んでいる場合があります。 ※印刷出版とは異なる表記・表現の場合があります。予めご了承ください。 ※プレビューにてお手持ちの電子端末での表示状態をご確認の上、商品をお買い求めください。

飛躍的な進歩を遂げている機械学習を、難解な数式・プログラミングなしで解説する画期的入門書！ 中学数学の知識だけでAIのエッセンスがわかる。 近年、著しい進歩を続ける機械学習。センター入試の英語の試験では機械学習を使うことで、200満点中185点をとることに成功し、将棋や囲碁ではもはや人間が太刀打ちできないレベルの能力を獲得。画像処理にいたっては、フェイク画像はもちろんのこと、オリジナルのキャラクターを造形できるところまで到達している。今後のビジネスや研究を続けていくうえでもはや無視できない存在になりつつある「機械学習」だが、言葉ばかりが先走りして、その本質を理解している人はごくわずかだ。「機械学習」とはいかなるものか、なぜ、近年飛躍的な進歩を遂げることができたのか。機械学習の専門家であり、科学出版賞を受賞した書き手として知られる田口善弘氏が、難解な数式やプログラミングをいっさい使うことなく、機械学習の本質を丁寧に解説する。 本書が取り扱う機械学習の手法 ・ｋ近傍法 ・主成分分析 ・多次元尺度構成法 ・線形回帰 ・線形判別 ・ロジスティック回帰 ・マルコフ過程 ・決定木 ・ベイジアンネットワーク ・カーネルトリック ・ニューラルネットワーク ・深層学習（ディープラーニング） ・CNN ・モンテカルロツリーサーチ ・GAN ・BERT ・量子暗号 ・量子アニーリング

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 犯人像絞り込みなど、犯罪捜査で使われる頻度の高い統計手法を取り上げつつ、プロファイラーの仕事内容も紹介した実践的なテキスト。本書では、多次元尺度法、決定木、ナイーブベイズ、ブートストラップ、数量化理論、生存時間分析、地理空間分析など、犯罪心理学系の学会でも発表の多い手法を中心に解説。

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 必須のPython機械学習ライブラリを使いこなそう！機械学習の各手法を80超のレシピとして幅広く解説。具体的には、次のテーマを取り上げます ― ◎機械学習の基本的な枠組み、◎モデル構築前のワークフローと前処理、◎次元削減、◎線形モデルの構築、◎ロジスティック回帰、◎距離指標によるモデル構築、◎交差検証とモデル構築後のワークフロー、◎サポートベクトルマシン、◎決定木とアンサンブル学習、◎テキストと多分類、◎ニューラルネットワーク、◎単純な評価器の作成 ― 原著 2nd Edition待望の翻訳！本書は『scikit-learn Cookbook - Second Edition』の翻訳書です。本書の対象読者として、機械学習のPythonプログラミングについてある程度知識または経験のある方を想定しています。

★ 実験を効率化する強い味方 ★ もう実験で疲弊しない。次に試す実験条件は、データと統計学が教えてくれる！ ベイズ最適化とPythonを駆使して、効率よく研究・開発を進めよう！ 《すぐに試せるサンプルデータセット・サンプルコード付き》 ■ データ解析の初歩から、モデルの設計、実践的な応用事例までを導く。 ■ 実験時間や人数が限られる今、絶対に役立つスキルが身につく！ ■ 入門書であり、実践書。フルカラー！ 【目次】 第1章　データ解析や機械学習を活用した分子設計・材料設計・プロセス設計・プロセス管理 ・ケモ・マテリアルズ・プロセスインフォマティクス ・分子設計 ・材料設計 ・なぜベイズ最適化が必要か ・プロセス設計 ・プロセス管理 ・データ解析・人工知能（モデル）の本質 第2章　実験計画法 ・なぜ実験計画法か ・実験計画法とは ・適応的実験計画法 ・必要となる手法・技術 第3章　データ解析や回帰分析の手法 ・データセットの表現 ・ヒストグラム・散布図の確認 ・統計量の確認 ・特徴量の標準化 ・最小二乗法による線形重回帰分析 ・回帰モデルの推定性能の評価 ・非線形重回帰分析 ・決定木 ・ランダムフォレスト ・サポートベクター回帰 ・ガウス過程回帰 第4章　モデルの適用範囲 ・モデルの適用範囲とは ・データ密度 ・アンサンブル学習 第5章　実験計画法・適応的実験計画法の実践 ・実験候補の生成 ・実験候補の選択 ・次の実験候補の選択 ・ベイズ最適化 ・化学構造を扱うときはどうするか 第6章　応用事例 ・複雑な非線形関数を用いた実験計画法・適応的実験計画法の実践 ・分子設計 ・材料設計 ・プロセス設計 第7章　さらなる深みを目指すために ・Gaussian Mixture Regression（GMR） ・GMR-Based Optimization（GMRBO）（GMRに基づく適応的実験計画法） ・複雑な非線形関数を用いたGMRBOの検証 第8章　数学の基礎・Anaconda・Spyder ・行列やベクトルの表現・転置行列・逆行列・固有値分解 ・最尤推定法・正規分布 ・確率・同時確率・条件付き確率・確率の乗法定理 ・AnacondaとRDKitのインストール・Spyderの使い方

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 Pythonで機械学習に必要な統計解析を学べる!! 機械学習を使いこなすには、確率・統計に根ざしたデータ解析の基礎理論の理解が不可欠です。そこで本書は、Pythonの簡単な使い方から確率・統計の基礎、統計モデルによる機械学習を解説します。 第I部　Pythonによる計算 　第1章　Pythonの初歩 　第2章　確率の計算 第II部　統計解析の基礎 　第3章　機械学習の問題設定 　第4章　統計的精度の評価 　第5章　データの整理と特徴抽出 　第6章　統計モデルによる学習 　第7章　仮説検定 第III部　機械学習の方法 　第8章　回帰分析の基礎 　第9章　クラスタリング 　第10章　サポートベクトルマシン 　第11章　スパース学習 　第12章　決定木とアンサンブル学習 　第13章　ガウス過程モデル 　第14章　密度比推定 付録A ベンチマークデータ 　A.1 UCI Machine Learning Repository 　A.2 mlbench 　A.3 datasets 参考文献 Python索引 用語索引

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 Pythonの基礎を学びながらデータ解析の実践技術が身につく！ 本書は『Pythonによる統計分析入門』の多変量解析編に相当するものですが、前著のより発展的な内容として、ネットワーク解析まで扱っています。Pythonの基本を学びながら、より実践で活用できるデータ解析を習得できます。Pythonの解析ライブラリを使った独習書として、多次元データの解析、アソシエーション分析、ネットワーク解析などを丁寧に解説し、実務的な課題にも応用できるようになっています。 第 1 章 データ解析の基礎知識 第 2 章 Pythonとデータ解析ライブラリ 第 3 章 統計的な手法を使った多変量の分析　～　相関・回帰分析・主成分分析・因子分析 第 4 章 学習の手法を使った多変量の分析　～　クラスタ解析・k-近傍・決定木・SVM 第 5 章 アソシエーション分析 第 6 章 時系列データの解析 第 7 章 ネットワークの解析

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 【プログラミングの概念に基づいた「問題解決力」を身につける!】 本書は、Pythonを使用して「プログラミング的思考」を習得するための入門書です。「プログラミング的思考」とは、ある問題を解決するための方法や手順をプログラミングの概念に基づいて考えることで、文部科学省の掲げるプログラミング教育でも重要視されています。本書は、前半でPythonの解説、技法・書法、後半で実際のプログラムを使ったプログラミング的思考の解説という構成で、初心者でもモチベーションを持ちながら学習できるよう、興味が持てる例題を多数用意しています。また、練習問題もあるので、より理解が定着できます。付録で文法解説を載せており、この1冊で、Pythonとプログラミングの考え方の両方をまとめて学ぶことが可能です。 ■目次 ●序章 プログラミング的思考とは 　　0-1 プログラミング的思考とは 　　0-2 プログラミング的思考を支える考え方 　　0-3 プログラミング的思考を身に付けるには 　　0-4 プログラミング的思考の応用 　　0-5 データサイエンスとアルゴリズム 　　0-6 プログラミングとPython ●第1章 Python文法の基本 　　1-1 Pythonとは 　　1-2 Pythonの実行環境 　　1-3 Pythonの基本文法 　　1-4 print関数とf文字列 　　1-5 演算子 　　1-6 変数と代入 　　1-7 変数の値の更新 　　1-8 input関数 　　1-9 for in文 　　1-10 二重ループ 　　…ほか ●第2章 Pythonの書法・技法 　　2-1 プログラミング書法（プログラミング・スタイル） 　　2-2 プログラミング技法 　　2-3 言語仕様上の注意点 　　2-4 ちょっとしたテクニック 　　2-5 ビット演算子 　　2-6 文字列処理 　　2-7 リスト操作 　　2-8 クラスの活用 　　2-9 辞書の活用 　　2-10 ファイル処理 　　2-11 ライブラリの活用 ●第3章 Pythonでのグラフィックス 　　3-1 ColabTurtle（タートルグラフィックス・ライブラリ） 　　3-2 ポリゴン（多角形）の描画 　　3-3 渦巻き模様の描画 　　3-4 文字の描画 ●第4章 Pythonで学ぶプログラミング的思考 　　4-1 流れ制御構造（組み合わせ） 　　4-2 データ化 　　4-3 抽象化と一般化 　　4-4 分解とモジュール化 　　4-5 データ構造とアルゴリズム ●第5章 プログラミング的思考の実践①～かんたんなプログラム 　　5-1 最大値と最小値 　　5-2 ピタゴラスの定理 　　5-3 シーザー暗号 　　5-4 相性占い 　　5-5 10進数→2進数への変換 　　5-6 フィボナッチ数列 　　5-7 干支の算出 　　5-8 サイコロゲーム 　　5-9 カレンダー 　　5-10 幾何学模様 ●第6章 プログラミング的思考の実践②～再帰的思考 　　6-1 漸化式と再帰的表現 　　6-2 再帰の罠 　　6-3 ハノイの塔 　　6-4 リカーシブ・グラフィックスI 　　6-5 リカーシブ・グラフィックスII 　　6-6 リカーシブ・グラフィックスIII ●第7章 プログラミング的思考の実践③～アルゴリズム 　　7-1 ユークリッドの互除法 　　7-2 モンテカルロ法 　　7-3 素数を探す 　　7-4 テイラー展開 　　7-5 ソート（並べ換え） 　　7-6 線形探索（リニアサーチ） 　　7-7 二分探索（バイナリサーチ） 　　7-8 自己再編成探索 　　7-9 ハッシュ 　　7-10 決定木 　　7-11 ハノイの塔のシミュレーション 　　7-12 迷路 　　…ほか ●第8章 プログラミング的思考の実践④～データサイエンス 　　8-1 Matplotlib を使ったグラフの作成 　　8-2 数値計算を効率的に行うNumPy 　　8-3 Matplotlib を使った3D表示 　　8-4 3D棒グラフの表示 　　8-5 3次元座標を元にした立体の表示 　　8-6 3次元関数の表示 　　8-7 回転体モデルの表示 　　8-8 ワイヤーフレームの表示 ●付録 Python文法 ■著者プロフィール 河西朝雄：山梨大学工学部電子工学科卒。長野県岡谷工業高等学校情報技術科教諭、長野県松本工業高等学校電子工業科教諭を経て、現在は「カサイ.ソフトウエアラボ」代表。主な著書：「改定第5版C言語によるはじめてのアルゴリズム入門」「Pythonによるはじめてのアルゴリズム入門」（以上技術評論社）など多数。

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。 成果に結び付くデータの集め方・処理の仕方の基本となる考え方をわかりやすく解説！ データを利用・活用しようとしたとき、目の前の状況や蓄積されたデータと、データを扱うさまざまな手法・データサイエンスの知見が結び付かず、「どうやって分析したら良いか思いつかない」、「他人の分析例を見ても，実際に手元のデータに応用することができない」ということが起こりがちです。 そこで、ビジネスシーンを念頭に置いた事例をとおして、データの扱い方を ・そもそもビジネスで活用するためには、データをどのように捉え、考えれば良いか ・現場で使いやすい分析手法には何があるか ・どのようなアウトプットになり、どのような状況で利用できるか といった視点で整理し、わかりやすく、やさしく解説します。 第1章　実務に使うためのデータ分析とは？ 1.1 ビジネスにおけるデータ分析の役割とは 　1 分析の必要性を確認する 　2 ビジネスデータ分析と行動経済学 　3 顧客が合理的に動かない理由を説明する「プロスペクト理論」 　4 数字の見せ方で印象が変わる「フレーミング効果」 　5 顧客には安心するメニューがある「極端の回避性」 　6 「カンと経験」と「データ分析」の関係 　7 現場におけるデータ分析の使いどころ 1.2 現場におけるデータ分析時に意識すべきこと 　1 最も優先的に意識すべきこと 　2 分析の目的を見失わないために重要なこと 　3 データを収集するときに意識しておきたいこと 　4 データ分析を行う際に意識すべきことのおさらい 　5 分析プロジェクトの2つのタイプ「探索型」と「予測型」 　6 分析結果にどのように向き合うか 第2章　分析ロジックとビジネスをつなげる思考メソッド 2.1 ビジネスにおける「原因と結果・効果」 　1 「表」を「ビジネスで使えるツール」として捉える 　2 「原因と結果・効果の表」で商いを捉える（情報の取捨選択） 2.2 「原因と結果・効果の表」を深掘りする 　1 現実のビジネスデータをどのように捉えるか 　2 「原因と結果・効果の表」の中身は4パターン 　3 4パターンの詳細解説 2.3 ビジネスの課題への適用メソッド 　1 ビジネスデータ活用の構造 　2 見える部分と見えない部分 　3 時間の変化・期間設定について 　4 介入できるデータと介入できないデータ 　5 過去の解析と未来の予測 2.4 データと分析手法の関係 　1 データが多数あることのメリット 　2 データと分析手法の関係 第3章　ビジネス現場で使える分析手法 3.1 データ分析で最低限知っておきたいこと 　1 集計できたら，まずチェック～基本統計量（平均値，標準偏差，最頻値，中央値）～ 　2 データ同士の「つながり」を見る～相関関係と因果関係～ 　3 データ間に「真の関係」はあるか？～因果推論～ 3.2 ビジネスデータを扱ううえで知っておきたい「多変量解析」 　1 「統計モデル」の基本～回帰分析～ 　2 データを上手にグループ分けする～クラスター分析～ 　3 データの特徴をシンプルに探る～主成分分析～ 　4 データに隠れる要因を推測～因子分析～ 3.3 ビジネス現場の「予測」で使いやすい分析手法 　1 「何が決め手になったのか？」を探る～決定木分析～ 　2 予測精度の高い手法～ランダムフォレスト～ 　3 予測精度の評価方法 3.4 ライバルに差を付ける「確率論」の視点 　1 未来を見るために重要な視点～確率分布～ 　2 カンと経験をビジネスに使う～ベイズ確率～ 3.5 いろいろな場面で使えるその他手法 　1 「使えるペア」を探索～アソシエーション分析～ 　2 時系列データの読み取り方～時系列分析～ 　3 レコメンデーション（推薦システム）の仕組み 　4 テキストデータの分析方法～テキストマイニング～ 3.6 マーケティング理論への拡張 　1 マーケティング理論への分析手法適用メソッド 　2 STP分析にデータ分析手法を使う 　3 イノベーター理論に確率のテクニックを使う 　4 RFM分析に確率分布のテクニックを使う 第4章　実務への適用メソッド 4.1 「なぜ売れるのか・誰が買うのか」を探る 　1 二項対立を図で考察 　2 想像力や推理力を発揮するポイント 4.2 サブスクリプション商材をどのように考えるか 4.3 従業員に関するデータの活用法 　1 従業員が分析対象となっているケース 　2 従業員データを分析の材料とするケース 4.4 実務データで生じる各種問題への対処アイデア 　1 欠損値への対処法 　2 はずれ値の対処法 　3 有意差検定における「P値」の解釈 　4 何でも正規分布を仮定 参考文献

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 そのモデル、本質を理解して使っていますか？ 本当にデータの全てを活用しきれていますか？ 回帰分析、ResNet、方策勾配法、因子分析・主成分分析、階層ベイズモデリング、正準相関分析、カーネル回帰分析・・・実戦で頻出するデータ形式への対応に必須の分析モデル群を完全網羅！ 【強化学習はいつ使うべきなのか？】 【なぜ、勾配決定木や畳み込みは強いのか？】 【結局、ベイスの定理は何に使えるのか？】 すべての疑問が間違いなく解消されます！