ＭＣＭＣの基礎から実践までをていねいに解説。ベイズ統計や物理学を例にコードを書いてすぐに自分でできるようになる！ （まえがき抜粋） マルコフ連鎖モンテカルロ法は 複雑な積分をしたい 複雑な確率の計算をしたい という時に力を発揮する手法です。歴史的には物理学の分野で広く用いられてきましたが、最近では統計学の重要な道具として定着し、統計学的手法が重要な機械学習、金融などの分野でも用いられるようになっています。 マルコフ連鎖モンテカルロ法はそれほど難しいものではありません。むしろ、極めて素直な発想に基づいたシンプルな手法です。もちろん、「シンプル＝簡単なことしかできない」と考えるのは大間違いです。どんなことにも言えますが、シンプルで本質を捉えたものほど幅の広い応用が可能になります。事実、量子物理学、ベイズ統計、組合せ最適化問題など、分野の違いはあったとしても、多くの問題が最終的に確率と期待値の問題に帰着され、マルコフ連鎖モンテカルロ法がその威力を発揮します。 そんなわけで、マルコフ連鎖モンテカルロ法の基礎をある程度理解しておけば、分野に関係なく、自分で調べたいことができた時に、目的に合わせたコードがあっという間に書けてしまいますし、他の人が作った複雑なアルゴリズムの内容を理解できるようにもなります。良いことずくめです。 ところが、非常に残念なことに、マルコフ連鎖モンテカルロ法を基本から実用レベルまで順を追ってわかりやすく書いてあるような入門的な教科書が存在しません。となると、マルコフ連鎖モンテカルロ法を勉強しようと思ったら、あちこちから情報を集め、知識のある人にアドバイスをもらい、トライ・アンド・エラーを繰り返しながら習得しなければなりません。初心者が自習で実用レベルに到達するのが難しいというのが実情なのです。 そこで本書では、大学一年生程度の知識だけを仮定して、マルコフ連鎖モンテカルロ法の基礎的なアイデアを実例に基づいて解説し、この本一冊を読むだけで正しい考え方に基づいて自分でプログラムを書けるようになることを目標とします。実際に手を動かして理解できるように、本文中で扱う例の多くについて実際のプログラムを提供します。既存のソフトウェアパッケージを使えれば良いという人もいると思いますが、そのような人にとっても、ブラックボックスの中身がどうなっているかを理解するためのヒントになるはずですし、ソフトウェアパッケージが使えない問題に行き当たった時にどうしたら良いかもわかるようになります。実際に勉強してみるとわかると思いますが、マルコフ連鎖モンテカルロ法はとても簡単なので、短いコードを書くだけですぐに計算ができてしまいます。

※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。 ベイズ統計が注目されています。MCMCという柔軟なアルゴリズムによって，あまり考えなくてもいろいろな問題が簡単に解けてしまうように宣伝されていることが一因かもしれません。しかし，その計算の背後にある原理は忘れ去られがちです。また，簡単な問題なら，誤差の大きいMCMCを使わなくても，Rの一般的な関数だけで計算できます。そのような簡単な問題を簡単なRの命令を使っていくつも解きながら，ベイズ統計の考え方の基本と，従来の方法との結果の違いを，詳しく解説しています。最後の章でMCMCを扱いますが，ここでもブラックボックスとしてではなくRの簡単なコードで実際に計算して仕組みを理解できるようにしています。

※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。 ExcelとRを使って試しながらベイズ分析を学ぼう！ ベイズ分析の核となる事前分布と事後分布の考え方からマルコフ連鎖モンテカルロ法を用いたサンプリング技術まで。 本書では、多くの人にとって親しみやすいExcelと、データサイエンスの強力なツールRを使って、ベイズ分析の基本を試して結果を見ながら実践的に身につけることができます。ExcelのワークシートやVBA、Rのサンプルコード、サンプルデータなどもダウンロード可能。 1章　ベイズ分析とR：概観 1.1　ベイズの復権 1.2　事前分布の構築について 1.3　ある専門用語について 1.4　事前分布、尤度、事後分布 1.5　頻度論統計学とベイズ統計学の比較 1.6　まとめ 2章　二項分布の事後分布の生成 2.1　二項分布とは何か 2.2　Excelの二項分布関数 2.3　Rの二項分布関数 2.4　（ややこしくならない範囲での）数学による理解 2.5　まとめ 3章　ベータ分布の本質 3.1　Excelによるベータ分布の分析 3.2　ベータ分布と二項分布の比較 3.3　ExcelのBETA.DISTのヘルプページの解説 3.4　Rでの同様の分析 3.5　まとめ 4章　グリッドサーチとベータ分布 4.1　グリッドサーチについてもう少し詳しく 4.2　ベータ分布関数の結果の使い方 4.3　分布の形と位置の追跡 4.4　必要な関数の棚卸し 4.5　公式から関数へ 4.6　共益事前分布とは何か 4.7　まとめ 5章　母数が複数あるグリッドサーチ 5.1　準備作業 5.2　データの結合 5.3　まとめ 6章　ベイズ統計学の手法を使った回帰 6.1　頻度論の回帰分析 6.2　頻度論の回帰分析の具体例 6.3　行列代数による手法 6.4　quap関数による単回帰 6.5　重回帰の設計 6.6　ベイジアンの重回帰 6.7　まとめ 7章　名義変数の処理 7.1　ダミーコーディング 7.2　コードではなくテキストラベルを使う方法 7.3　群平均の比較 7.4　まとめ 8章　MCMCサンプリング 8.1　ベイズ分析のサンプリング手法の簡単な復習 8.2　MCMC分析の例 8.3　最後にひとこと Appendix 付録A　RStanとrethinkingパッケージのWindowsプラットフォームへのインストール方法 付録B　用語集 Conrad Carlberg： コロラド大学で統計学の博士号を取得し、マイクロソフトのExcel MVPを複数回受賞。定量分析、データ分析に造詣が深く、また、Microsoft Excel、SAS、Oracleなどの管理アプリケーションのエキスパート。著書に『Business Analysis with Microsoft Excel, Fifth Edition』『Statistical Analysis』など多数。 ※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。

※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。 時系列データとは気温や株価のように時間順に得られる系列データを指します。時系列データの分析方法にはさまざまありますが、本書では確定的な方法と確率的な方法を解説します。確定的な方法については移動平均法に基づく方法、確率的な方法については、状態空間モデルに基づく方法を取り上げ、これらの解説と合わせてどのようにコードに落とし込むかについても丁寧に解説します。初めて時系列分析を試みる方はもちろん、応用的な手法についても取り上げているのですでに時系列分析に携わっている方にも興味を持っていただける内容になっています。

　近年注目を集めているビッグデータという言葉に代表されるように、データのもつ価値についての認識はますます高まっている。さらに、自然科学分野から社会科学の分野、さらには政府関係の様々な施策に至るまで、データに基づいた意思決定の大切さが認識されている。数理統計学は、（ランダムネスを伴った確率現象として現れる）データの背後に確率モデルを想定して推測を行うための土台となる、数学的基礎を提供する。本書は、数理統計学に関する基礎的な内容はもとより、近年広く利用されている現代的な内容までを盛り込んだテキストである。 　最初に、統計的推測を行う上で必要な確率・確率分布の基本的な事項を説明する。次に、最初に準備した道具立てに基づいて、確率分布に関する推測方法を説明する。ここまでにおいては、必要な知識をシンプルに解説し、また内容の理解を深められるように、演習問題を豊富に盛り込んでいる。最後に、最も役に立つ統計モデルの1つである線形回帰モデル、点推定を中心とした推定の不偏性や不変性などのリスクに基づいた最適性の理論、MCMC法・ブートストラップ法・EMアルゴリズムなどの計算統計学、そして代表的な確率過程といった発展的な内容を扱う。 　初歩的な内容から始まりながらも、最後には現代的な内容まで到達することができる。初学者から意欲的な読者にまでおすすめできる、非常に内容豊富なテキストである。

「基本をより実践的に！」学べる新シリーズの第一弾は、「統計モデリングの世界」へのファーストブック。基礎から学べる超入門！・チュートリアル形式だから、すぐに実践できる！・統計、確率、ベイズ推論、MCMCの基本事項から、やさしくサポート！・brmsやbayesplotなどのパッケージの使い方も、しっかり身につく！・一般化線形モデル(GLM)→一般化線形混合モデル(GLMM)→動的線形モデル(DLM)→動的一般化線形モデル(DGLM)を体系的に学べる！【本書のサポートページ】https://logics-of-blue.com/r-stan-bayesian-model-intro-book-support/　【実践Data Scienceシリーズ】　「基本をより実践的に！」を合言葉に、データサイエンスで用いられる各種手法の基本を、プログラミングの実装とともに解説していきます。はじめて学ぶ大学生、大学院生、ソフトウェアエンジニアに向けた注目の新シリーズです。【主な内容】1部　【理論編】ベイズ統計モデリングの基本　1.はじめよう！　ベイズ統計モデリング　2.統計学の基本　3.確率の基本　4.確率分布の基本　5.統計モデルの基本　6.ベイズ推論の基本　7.MCMCの基本／2部　【基礎編】RとStanによるデータ分析　1.Rの基本　2.データの要約　3.ggplot2によるデータの可視化　4.Stanの基本　5.MCMCの結果の評価　6.Stanコーディングの詳細／3部　【実践編】一般化線形モデル　1.一般化線形モデルの基本　2.単回帰モデル　3.モデルを用いた予測　4.デザイン行列を用いた一般化線形モデルの推定　5.brmsの使い方　6.ダミー変数と分散分析モデル　7.正規線形モデル　8.ポアソン回帰モデル　9.ロジスティック回帰モデル　10.交互作用／4部　【応用編】一般化線形混合モデル 1.階層ベイズモデルと一般化線形混合モデルの基本 2.ランダム切片モデル 3.ランダム係数モデル／5部　【応用編】状態空間モデル　1.時系列分析と状態空間モデルの基本 2.ローカルレベルモデル 3.状態空間モデルによる予測と補間 4.時変係数モデル　5.トレンドの構造　6.周期性のモデル化　7.自己回帰モデルとその周辺　8.動的一般化線形モデル：二項分布を仮定した例　9.動的一般化線形モデル：ポアソン分布を仮定した例

※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。 機械学習エンジニア必見！ ベイズ統計の基礎から ベイズ統計モデリングまで Pythonプログラムをもとに丁寧に解説！ 【本書の内容】 ベイズ統計の基礎知識からベイズ統計モデリングまで、 Pythonのプログラムをもとにわかりやすく解説した書籍です。 前半ではベイズ統計の理解に必要な確率の説明からはじまり、 ベイズ統計学、ベイズの定理、ベイズ推定の基本事項をわかりやすく解説。 後半では線形モデルを例題として、MCMC法を用いたモデルの推定方法について解説します。 【本書で扱うベイズの定理について】 事後分布を求める際に問題となる、ベイズの定理の積分計算を回避する方法を2つ紹介します。 1つは、共役事前分布によって事後分布の解析解を求める方法です。 そしてもう1つは、MCMC法を使用することで数値計算によって事後分布を推定する方法です。 MCMC法はPythonのライブラリのPyMC3を用いて手軽に実践することができます。 【本書の扱うベイズ統計の範囲】 ・確率の基本 ・ベイズの定理 ・ベイズ推定 ・MCMC法：マルコフ連鎖モンテカルロ法 ・線形モデル ・一般化線形モデル 【対象読者】 ・ベイズ統計モデリングをこれから学ぼうとされる方 ・ベイズ統計モデリングの基礎知識が少ない機械学習エンジニア ※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。 ★いま物理学と密接に関わるデータサイエンスの世界に飛び出そう！ 統計の初歩から、ベイズ推定、MCMC、さらにはニューラルネットまで、 初めて活用する人に向けて物理学者ならではの視点で解説。 付録にPythonコードを付した。 【主な内容】 第0章　データサイエンス、機械学習……何が嬉しいの？ 第1章　推定と検定 第2章　高次元のモデルへ 第3章　ベイズモデリング 第4章　マルコフ連鎖モンテカルロ法 第5章　正則化とスパースモデリング 第6章　判別モデル 第7章　ガウス過程 第8章　ニューラルネットワーク 付録A　Pythonプログラム ※この商品は紙の書籍のページを画像にした電子書籍です。文字だけを拡大することはできませんので、タブレットサイズの端末での閲読を推奨します。また、文字列のハイライトや検索、辞書の参照、引用などの機能も使用できません。

ベイズ統計を支えるMCMCをやさしく丁寧に! マルコフ連鎖モンテカルロ法（MCMC）が驚くほど真面目によくわかる！　理解を助けるためのR言語のコードや章末の練習問題が充実！　モンテカルロ法の感覚を養ってもらうために「乱数の生成」を第2章で解説した。また，入門向けを標榜しながらも，後半の第4章以降では，和書で情報を得ることが難しい「エルゴード性」について踏み込んだ。 【主な内容】 1章 序論 2章 乱数 3章 積分法 4章 マルコフ連鎖 5章 ギフスサンプリング 6章 メトロポリス・ヘイスティングス法 【「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) 【推薦の言葉】 データサイエンスの教育の場や実践の場で利用されることを強く意識して、動機付け、題材選び、説明の仕方、例題選びが工夫されており、従来の教科書とは異なりデータサイエンス向けの入門書となっている。 ――北川源四郎(東京大学特任教授、元統計数理研究所所長) 国を挙げて先端IT人材の育成を迅速に進める必要があり、本シリーズはまさにこの目的に合致しています。本シリーズが、初学者にとって信頼できる案内人となることを期待します。 ――杉山将(理化学研究所革新知能統合研究センターセンター長、東京大学教授)