機械学習エンジニア＆データサイエンティスト必携！ 初学者でもpandasによる前処理手法がわかる 【本書の背景】 機械学習やデータサイエンスでは、いかに「きれいなデータ」を用意できるかが非常に重要です。データクレンジングともいわれますが、実際の現場のデータは、機械学習やデータ分析にすぐ利用できるデータは皆無に等しく、エンジニアによりデータの前処理が必須となってきています。 【本書の概要】 本書は、機械学習やデータサイエンスの現場では、データ処理に必要な定番のライブラリ「pandas」を用いて、前処理の基本と様々な前処理手法について、あますところなく解説した書籍です。 初学者向けにシンプルでわかりやすいサンプルを用いていますので、pandasの基本操作方法やデータ構造、さらに前処理の基本の理解についてもしっかり学ぶことができます。 pandasを理解することで、様々な機械学習・データ分析タスクがスムーズに行えるようになります。 【本書の対象読者】 ・機械学習エンジニア（初学者） ・データサイエンティスト（初学者） 【著書からひとこと】 本書では機械学習「初学者向け」にpandasの基本的な操作を解説しています。初歩的な要約統計量の算出やグループ化やダミー変数、さらに文字列や時系列データの基本操作など、幅広い範囲をカバーしています。 日々、データを業務で取り扱う機械学習エンジニアやKaggle等のデータ分析競技をやられている方に向けて、pandasを使ったデータ前処理のお役に立てばと思い執筆いたしました。 ※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。

【データ加工の技とモダンなコードで織りなすAwesomeな実践知識を厳選！】 　BigQuery、Pandas、Polarsを使った実用的なモダン前処理を学びましょう！ 　データ分析において前処理が重要かつ多くの時間をとられる業務であることは広く知られてきました。同時に前処理を実現するためのライブラリは大きく改善されてきています。また、機械学習モデルの進化によって、求められる前処理の内容も変わってきています。本書は、初めて学ぶ方にも昔学んでから知識をアップデートしていない方にも、悪いサンプルコードと良いサンプルコードを紹介しながら丁寧にデータ分析の前処理を学べる技術書です。 　本書は、第一版の前処理大全から大きく構成や内容を変更しています。SQLはBigQuery準拠に変更し、Pandasは最新バージョンの思想に沿い新機能を使ったコードに変更しました。Rの代わりにR同様にパイプラインで書きやすくかつ処理エンジンがRustベースで書かれているため高速なPolarsに変更しました。また、前処理内容も大きく変更し、より現在よく使われる処理を実用ケースとともに解説しています。また、新たな試みとしてコラムとして少しマニアックだけど役立つプログラムの裏側の解説や分析テクニックを紹介しており、中級者の方にとっても有用な知識をお届けしています。 ■こんな方におすすめ データ処理業務に従事するエンジニア、データ分析者 ■目次 ●Part1 前処理の基礎知識 　　第1章 前処理とは 　　第2章 SQL 　　第3章 pandas 　　第4章 Polars ●Part2 データの構造を対象とした前処理 　　第5章 抽出 　　第6章 集約 　　第7章 結合 　　第8章 分割 　　第9章 整形 ●Part3 データの内容を対象とした前処理 　　第10章 数値 　　第11章 カテゴリ 　　第12章 日時 　　第13章 文字列 　　第14章 ウィンドウ関数 ●Part4 実践前処理 　　第15章 演習問題 ■著者プロフィール 本橋智光（モトハシトモミツ）：SIerの研究員、Web系企業の分析者を経て、SUSMEDのCTO。株式会社ホクソエムのメンバーでもある。基盤・Webアプリ・機械学習・数理最適化等幅広くこなす。最近の好きなプログラミング言語はRust。 橋本秀太郎（ハシモトシュウタロウ）：北海道大学 大学院情報科学研究科 博士後期課程修了。博士（情報科学）。大学院修了後はSIerでデータ分析関連の研究開発やコンサルティングに従事。現在は国内でも有数の膨大なデータを持つインターネット企業に勤め、データサイエンスチームのリードとして、日々サービスグロースのためのデータ分析を行う。

Apache Sparkの仕組みとビッグデータ向けの大規模処理とML開発を徹底解説 本書は、ビッグデータを主な対象としたデータ分析フレームワークであるApache Spark、MLflow、Delta Lakeの中級入門書です。「動かしてみる」だけではなく、どのような仕組みになっているのか、どうすれば効率的な実装が行えるかまで踏み込みつつ、データAIの実装者がApache Spark、MLflow およびDelta Lakeを使いこなすための解説を行います。 本書では、単純なデータ分析と複雑なデータ分析を実行し、どのように機械学習アルゴリズムを採用していくか、解説していきます。Apache Sparkの導入から解説をはじめ、Spark SQLとデータフレーム、データセットを紹介していきます。そこから、Apache Sparkを利用した実践的な機械学習の方法を解説していきます。本書での学習を通じて、次のことが学習できます。 ・Python、SQL、Scala、またはJavaの高レベルの構造化APIの学習 ・Spark の操作とSQLエンジンの理解 ・Spark 構成とSpark UIを使用したSpark操作の検査、調整、デバッグ ・JSON、Parquet、CSV、Avro、ORC、Hive、S3、またはKafkaといったデータソースへの接続 ・構造化ストリーミングを使用してバッチ データとストリーミング データの分析を実行 ・オープンソースのDelta LakeとSparkを使用して信頼性の高いデータ パイプラインを構築 ・MLlibを使用する機械学習パイプラインの開発、MLflowを使用するモデルの管理、本番化 ・［日本語版オリジナルコンテンツ］pandas DataFrame、SparkDataFrameに関する各種データフレームの使い分け ・［日本語版オリジナルコンテンツ］LLMやEnglish SDK for SparkなどAIを活用した新たなコーディングスタイル、LLMの利用方法の実践 ※本書は『Learning Spark: Lightning-Fast Data Analytics 2nd Edition』の邦訳です。 ※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。

企業や政府・自治体などが一般に公開している各種データがオープンデータです。本書は政府が公開しているオープンデータ「e-Stat」をAPI経由で取得し、分析目的の決め方、Pythonのライブラリpandasで整形、その後Matplotlibでの可視化までを一連の流れとして解説しています。実行環境はWebブラウザがあればすぐ実行できる環境となっており、身近なオープンデータの分析にすぐに活かすことができます。

※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。 プログラミング系YouTubeとしては国内最大級の13万人の登録者数を誇るYouTube キノコード / プログラミング学習チャンネルと連動!! 本書はPythonによる仕事の自動化を、プログラミングが初めての人でも分かるように基礎から解説した一冊です。 会社でルーティン業務に追われて、本来やるべき業務への時間を取れずに悩んでいませんか? 定期的にExcelでレポートを作成したり、業務連絡をメールで送ったり•••これらの1回の作業時間は短いですが、年間で換算すると膨大な時間がかかっているはずです。 本書はこうした業務の効率化に苦悩する、ビジネスパーソンにうってつけの内容になっています。 この一冊を最後まで学習していただければ、ExcelやGmailの自動化、Webスクレイピングができるようになります。 学習したことを応用すれば、会社で日々行っている多くの仕事を自動化できることでしょう。 また本書の内容は、全てKinoCodeのYouTube動画と連動しており、ページに設置されたQRコードを読み取って動画をご視聴いただくことができます。 Part1でPythonの基礎を、Part2でPythonライブラリのPandasを学んでいただきます。 これらは自動化のプログラムを作成するベースとして必要となる大事な知識です。 Part3ではExcel作業の自動化、Webスクレイピングやメールの自動化といった仕事にいかせる内容を学んでいただきます。 学習を進めていくうちに、会社の業務を自動化するアイディアが自然と湧いてくると思います。 是非そのアイディアを実現して、業務の効率化を推進してください。 本書がビジネスシーンでお役に立てば幸いです。

JupyterLabは、Jupyter Notebookをベースにして誕生し、Pythonユーザを中心に人気の高いオープンソースのデータ分析環境です。Jupyterはインタラクティブにコードを実行でき、その結果を多彩なグラフや表などによって容易に表現できます。本書では、Jupyterをこれから利用する方はもちろんのこと、すでに利用している方にとっても役立つことを目指し、実践的な活用ノウハウを豊富に交えて解説します。また、可視化に際しては、Pythonで人気のライブラリ「pandas」「Matplotlib」「seaborn」を中心に解説します。さらに、最終章では「Google Colaboratory」の使い方を紹介します。

科学技術計算向けの，Pythonの実践的な入門書。理工系の学部や研究室等でもPython採用実績が増えてきています。本書では，実験やシミュレーション等で役立つPythonによる開発の基本を徹底解説。冒頭でロケットシミュレータの作成場面を想定し，コーディングの基礎からデバッグやテストまで，いつ，何をするか，具体的なフローを平易に紹介します。押さえておきたいライブラリであるNumpy/SciPy/Matplotlib/pandas等もコンパクトな例と共に紹介。広く初学者の方々へ，言語の基本から実践テクニックまで一挙にわかる1冊です。

※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。 機械学習を理解し実践するために必要な要素を選抜して解説した、実践的ガイドブック！ 　本書は、機械学習の入門者から中級者までをおもな対象として、機械学習を理解し実践するために必要なさまざまな要素を選抜して解説した、機械学習のガイドブックです。 　機械学習の概要から解説をはじめ、機械学習の歴史と主要なアルゴリズム、機械学習を実践するためのプログラミング言語であるRとPythonそれぞれの説明と連携、機械学習を正しく使いこなすためのさまざまな注意点、Kerasを活用したディープラーニングの実践、そして強化学習の例としてアルファゼロを取り上げています。付録には機械学習の理論的裏付けとなる数学の概要も取り上げています。 　入門者の方はまず本書の第1章「機械学習とは何か、どんな働きをするのか」を読み、第5章「さあ機械学習の本質を体験してみよう」の実践を繰り返してみてください。だんだんと機械学習に関する多くのことが見えるようになってきて、中級者への道が開けるでしょう。 　中級者の方には前半はやや簡単かもしれませんが、第8章「Kerasを使ったディープラーニングの実践」、第9章「さまざまなゲームの攻略法をゼロから学習するアルファゼロ」の内容が十分に理解できたのであれば、かなりのレベルに達したのだと思います。簡単かもしれない前半部分にも、参考になるさまざまな要素を仕込みました。 　機械学習の入門から中級者への道をガイドする1冊となっています。 はじめに 第1章 機械学習とは何か、どんな働きをするのか 第2章 機械学習小史：機械学習ブームの基盤を作った主人公たち 第3章 ぜひ使ってみたい役に立つアルゴリズム 第4章 RとPython 第5章 さあ機械学習の本質を体験してみよう 第6章 機械学習を上手に使いこなすコツ 第7章 RとPythonの連携 第8章 Kerasを使ったディープラーニングの実践 第9章 さまざまなゲームの攻略法をゼロから学習するアルファゼロ 付録A 機械学習の基盤となる数学の概要 A.1 機械学習の数学的基盤となるベクトル空間 A.2 ベクトル空間、ノルム空間、内積空間、ユークリッド空間とその関係 A.3 ドット積、行列、行列積 A.4 さまざまな行列の性質とその演算 A.5 行列と線形写像、固有値、テンソル、カーネル関数と射影 A.6 確率空間、確率変数、確率分布 A.7 統計的推定 A.8 最適化の手法 付録B RとPythonのデータ分析に関連する基本的コマンドの比較 B.1 基本的機能 B.2 ベクトル、行列などの作成と操作および数値計算（NumPy機能の対応） B.3 データフレームの作成・操作など（Pandas機能の対応） おわりに 参考文献とそのガイド

★★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。 深層学習でネットワークを解析する世界最前線の研究を1冊で学ぶ！ 　深層学習をグラフ（ネットワーク）で表される構造データに対して適用するための研究が盛んになっています。それが、本書で解説するグラフニューラルネットワークです。グラフ中の頂点やグラフ全体を高精度に分類できれば、高度な画像認識、推薦システム、交通量予測、化合物分類、さらには新型コロナウイルス（COVID-19）への対処のための応用なども期待できる、世界最前線の研究です。 　本書では、グラフニューラルネットワークの基本的な知識および研究事例について説明し、PyTorchによる実装について紹介するとともに、今後の学習のための情報源についても解説します。Google Colaboratoryで解説するとともに、サンプルコードもついています。 まえがき 第1章　グラフニューラルネットワークとは 　1.1　はじめに 　1.2　グラフを対象とした畳み込み 　1.3　グラフを対象とした機械学習タスク 　　1.3.1　ノード分類 　　1.3.2　グラフ分類 　　1.3.3　リンク予測 　　1.3.4　グラフ生成 　1.4　グラフニューラルネットワークの応用 　　1.4.1　画像認識 　　1.4.2　推薦システム 　　1.4.3　交通量予測 　　1.4.4　化合物分類 　　1.4.5　組み合わせ最適化 　　1.4.6　COVID-19とグラフニューラルネットワーク 　まとめ 第2章　グラフエンベディング 　2.1　グラフエンベディング手法の概観 　2.2　次元縮約に基づく手法 　2.3　グラフ構造に基づく手法 　　2.3.1　DeepWalk 　　2.3.2　LINE 　　2.3.3　node2vec 　　2.3.4　GraRep 　2.4　ニューラルネットワークに基づく手法 　まとめ 第3章　グラフにおける畳み込み 　3.1　グラフ畳み込みにおけるアプローチ 　3.2　Spectral Graph Convolution 　　3.2.1　フーリエ変換 　　3.2.2　グラフラプラシアン 　　3.2.3　ChebNet 　　3.2.4　GCN 　3.3　Spatial Graph Convolution 　　3.3.1　PATCHY-SAN 　　3.3.2　DCNN 　　3.3.3　GraphSAGE 　まとめ 第4章　関連トピック 　4.1　グラフオートエンコーダ 　4.2　GAT 　4.3　SGC 　4.4　GIN 　4.5　敵対的攻撃 　4.6　動的グラフのエンベディング 　4.7　時空間グラフ畳み込みネットワーク 　4.8　説明可能性 　まとめ 第5章　実装のための準備 　5.1　Python 　5.2　NumPy 　5.3　SciPy 　5.4　pandas 　5.5　Matplotlib 　5.6　seaborn 　5.7　Scikit-learn 　5.8　t-SNE 　5.9　Jupyter Notebook 　5.10 Google Colaboratory 　まとめ 第6章　PyTorch Geometricによる実装 　6.1　PyTorch 　　6.1.1　データセット 　　6.1.2　モデル 　　6.1.3　損失 　　6.1.4　最適化 　6.2　PyTorch Geometric入門 　　6.2.1　PyTorh Geometricとは 　　6.2.2　類似ライブラリとの比較 　　6.2.3　PyTorch Geometricによるグラフのデータ構造 　　6.2.4　よく使われるベンチマークデータセット 　　6.2.5　ミニバッチ 　　6.2.6　データ変換 　　6.2.7　グラフの学習手法 　6.3　PyTorch Geometricによるノード分類・グラフ分類 　　6.3.1　PyTorch Geometricによるエンベディング 　　6.3.2　PyTorch Geometricによるノード分類 　　6.3.3　PyTorch Geometricによるグラフ分類 　まとめ 第7章　今後の学習に向けて 　7.1　書籍 　7.2　サーベイ論文 　7.3　動画 　7.4　リンク集など 　7.5　Open Graph Benchmark 　まとめ おわりに 参考文献 索引

研究や開発、データ分析に使える！ 科学技術計算における Python利用の基礎を習得 【本書の概要】 高機能で、学びやすいPythonは、科学技術計算の用途でも広く利用されています。 本書は、コンピュータを用いて数学的問題の解決に取り組む学生、エンジニア、研究者の方に向けて、 Pythonの基礎知識と、科学技術計算への利用方法について解説した書籍です。 【本書の対象読者】 ・科学・工学系研究（シミュレーション）を行う理工学生、エンジニア、研究者 ・データサイエンティスト 【本書で特徴的な内容】 ・科学技術計算に必要なPythonに特化 ・数値計算、代数計算、データの可視化を行う、NumPy、SciPy、SymPy、Matplotlibの使用方法 ・データ処理で利用されるpandasの使用方法 ・様々なファイル形式を使ったデータの入出力方法 ・CythonとNumbaを用いたPythonコードの高速化 【著者プロフィール】 かくあき 東京工業大学工学部および同大学院理工学研究科を2012年に修了。 学生時代から数値解析を中心にPython、Matlab、Fortran、C、LISPなどのプログラミング言語を利用。 Pythonの普及の一助となるべく、Udemyで講座を公開、KDPでの電子書籍を出版するなど情報発信。 ※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。 身近なデータをPythonで分析できるようになるための知識を、最短コースで身に付けられる本です。Pythonのホントの基本から、データ分析に必要なPythonライブラリの使い方、データ分析の実践例までを一気に学べます。プログラミングの経験がない方もこの1冊を読めば、実際のデータ分析を始められます。 　 　ベストセラーの「最短コースでわかる ディープラーニングの数学」「Pythonで儲かるAIをつくる」などを執筆した著者が送るデータ分析＆AI書籍の第4弾。いつもの平易な解説で、初学者も安心して学べます。 　本書は次のような方に最適です。 （1）プログラミング言語自体を知らないが、データ分析のためにこれから勉強したいという方 （2）Pythonのプログラミングは理解しているが、pandasなどの分析用ライブラリがわからないのでAI書籍の実習コードが読めない方 （3）データ分析の全体像がつかめず、いざデータ分析をしようとすると、どこから手を付けていいかわからない方 　実際にデータ分析ができるようになるには、さらに「洞察の導出」という難しいタスクがあります。このタスクは内容が抽象的なだけに、なかなか体系的には学べません。そこで本書では「この業務要件でこのデータを分析した場合、こんな洞察が得られる」という話をたくさん入れ込みました。このような具体例を通して、自分自身のテーマに対して洞察を導くためのヒントが得られます。 　本書を読了した方は、プログラミングとデータ分析という必須スキルを身に付けられ、ニーズの高いDX人材のど真ん中に位置できます。

※この商品は固定レイアウトで作成されており、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。 端末により、見開き表示で、左右が逆になる場合があります。 未来へのドアを開けよう! 本書は今もっとも注目されているプログラム言語Python 3.6の入門書です。プログラミングを学ぶベストプラクティスはコードを読み、コードを書くことに尽きます。538本のサンプルコードと154本のPythonファイルを使って、Pythonの基礎をしっかり学び、その応用として機械学習プログラミングの扉を叩きましょう。 本書は段階的に3つのパートに分かれています。 Part 1 準備:Python 3をはじめよう まず最初にPython 3を実行する環境を整えます。NumPy、Matplotlib、Pandas、scikit-learnといった科学計算や機械学習に欠かせない外部ライブラリを同時にインストールすることができるAnacondaディストリビューションをインストールします。準備ができたならば、対話型インタプリタを使ってPythonを実行する方法を試し、ファイルに保存したPythonコードを実行します。 Part 2 基礎:基本構文を学ぶ Pythonプログラミングの基礎となるシンタックスを丁寧に詳細に説明します。コードの書き方、値と変数、演算子、組み込み関数、モジュールの読み込み、メソッドの実行、制御構造、例外処理、リスト、タプル、セット、辞書、ユーザ定義関数、関数オブジェクトとクロージャ、イテレータとジェネレータ、クラス定義・・・と、後半の章では初心者には少し難しい内容まで到達します。わかりにくい概念は図解し、コードにはコメント文だけでなく下線やマーカーで細かく補足説明が書き加えてあります。随所に埋め込まれた関連ページへの参照と充実した索引もしっかりサポートします。 Part 3 応用:科学から機械学習まで テキストファイルの読み出しと書き出し、Matplotlibを使ってのグラフ描画、NumPyの配列について詳しく解説します。これらはPythonを活用する場面で必ず求められる知識です。最終章では、集大成としていよいよ機械学習に取り組みます。機械学習プログラミングの基礎知識に続いて、代表的な3つの学習データセット(手書き数字、アヤメの計測データ、ボストン住宅価格)を使って、学習器のトレーニングや評価を行います。 Pythonは1991年に誕生し、Apple、マイクロソフト、Googleといった大企業を含めた欧米の企業や研究機関でよく使われているプログラム言語です。Pythonは機械学習プログラミングに使われることが多いことから、人工知能への期待を反映するように学ぼうという人が増えています。もうそれは遠いSFではなく、自分に起きる身近な出来事として胸騒ぎがするからでしょう。できれば、手にとって確かめたい。未来への扉をこじ開けて、未来の自分に会ってみたい。Pythonはそう思わせるプログラム言語です。

※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。 生成AIを使った、新しいプログラミング学習！ 本書は、プログラミングが初めての方、またはPythonを少しだけ触ったことのある方を対象に、「ChatGPTを使いながら」、Pythonを勉強できるように導きます。 Chapter 1 ChatGPTでPythonを学ぶってどういうこと？ Chapter 2 ChatGPTでPythonを学ぶ準備をしよう Chapter 3 Pythonに触れてみよう Chapter 4 数字と文字列を操作しよう Chapter 5 条件で分けたり、繰り返したりしよう Chapter 6 たくさんのデータを扱おう Chapter 7 関数とクラスを使おう Chapter 8 pandasライブラリを使ってデータ処理をしよう Chapter 9 Webのデータを活用しよう Chapter 10 プログラムの中からChatGPTを使おう 日本初のMac専門月刊誌『Mac+』の頃から主にMac系雑誌に寄稿する。ハイパーカードの登場により「ビギナーのためのプログラミング」に開眼。以後、Mac、Windows、Web、Android、iPhoneとあらゆるプラットフォームのプログラミングビギナーに向けた書籍を執筆し続ける。 ・ 近著：『Amazon Bedrock超入門』『Next.js超入門』『プログラミング知識ゼロでもわかるプロンプトエンジニアリング入門』『Python Django 4 超入門』（秀和システム）、『Google Vertex AIによるアプリケーション開発』『Python/JavaScriptによるOpen AIプログラミング』（ラトルズ）、『Azure OpenAIプログラミング入門』（マイナビ出版） ※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。 ※本書内容はカラーで制作されているため、カラー表示可能な端末での閲覧を推奨いたします

※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。 東大 松尾研究室が提供するあの人気講座が待望の書籍化！ 本書は、2017年と2018年に東京大学で実施された講座で使われた教材がベースになっています。約400名ほどの受講枠（2年間）に、のべ1,800人以上の応募があった人気の講義です。この本のベースとなるコンテンツをさらに精査、ブラッシュアップし、読みやすく整えたものが本書になります。 本書には、データサイエンティストになるための基礎をつめこんでいます。データサイエンティストは、Pythonや確率・統計、機械学習など、幅広くさまざまな分野の知識を必要とします。 この本は主にPython 3を使って、基本的なプログラムの書き方、データの取得、読み込み、そのデータ操作からはじまり、さまざまなPythonのライブラリの使い方、確率統計の手法、機械学習（教師あり学習、教師なし学習とチューニング）の使い方についても学びます。取り扱っているデータは、マーケティングに関するデータやログデータ、金融時系列データなどさまざまで、モデリングの前にそれらを加工する手法も紹介しています。データサイエンティストになるには、どれも必要なスキルです。 本書には、さらに以下の3つの特徴があります。 ・実際のデータを使って手を動かしながら、データサイエンスのスキルを身に付けることができる ・データ分析の現場で使える実践的な内容（データ前処理など）が含まれている ・練習問題や総合問題演習など実際に頭を使って考える内容がたくさんある ◆目次 Chapter 1 本書の概要とPythonの基礎 Chapter 2 科学計算、データ加工、グラフ描画ライブラリの使い方の基礎 Chapter 3 記述統計と単回帰分析 Chapter 4 確率と統計の基礎 Chapter 5 Pythonによる科学計算（NumpyとScipy） Chapter 6 Pandasを使ったデータ加工処理 Chapter 7 Matplotlibを使ったデータ可視化 Chapter 8 機械学習の基礎（教師あり学習） Chapter 9 機械学習の基礎（教師なし学習） Chapter 10 モデルの検証方法とチューニング方法 Chapter 11 総合演習問題 Appendix　本書の環境構築について/練習問題解答/参考文献・参考URL

※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。 データ分析の現場にあって入門書にないもの――それは、「汚いデータ」（ダーティデータ）です。本書は、データ分析の現場では、どんなデータに出会い、どのような問題が生じ、どう対応すればよいのかというノウハウを解説します。事前の加工（視覚化）から機械学習、最適化問題まで、100本ノックをこなして、ビジネス現場で即戦力になれる「応用力」を身につけましょう！ Pandas、Numpy、Matplotlibなど10個のライブラリを練習します。

※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。 ◇スクレイピング・テクニックの基礎と実践を学べる。Webからデータを収集、適切なデータセットを作成しよう！―本書では、HTTP／HTML／CSSといった基本技術の仕組み、フォーム／ログイン／Cookie／JavaScriptへの対応、クローラーの開発、ベストプラクティスを解説。データサイエンス指向の15のサンプルも収録。Pythonの各種ライブラリを活用！［requests、Beautiful Soup、Selenium、records、matplotlib、pandas、scikit-learn … etc.］◇Webページから情報を取得するスクレイピングは、データサイエンスに必須の技術です。本書では、Pythonを使ったスクレイピングの基本と実践を解説。有用なツール、ベストプラクティス、実用サンプルについても説明。本当に興味深いプロジェクトは、情報という宝の山を探索することから始まります。本書を携えて探索の旅を進めていきましょう。◇本書は『Practical Web Scraping for Data Science: Best Practices and Examples with Python』の翻訳書です。◇Pythonプログラミングの基礎を理解していることを前提に解説しています。

【本書の概要】 本書は株式会社アイデミーで大人気の講座『ディープラーニングで画像認識モデルを作ってみよう!』を書籍化したものです。 機械学習の基本からはじまり、Pythonの基礎、データの処理、深層学習の基本から応用ついて、 サンプルを元に実際に動かしながら、わかりやすく解説します。 各項には練習問題がありますので、学習効果を確かめながら読み進めることができます。 本書を読めば、機械学習から深層学習の基本を一気通貫で学習できます。 これから深層学習をはじめたい、初学者の方におすすめの1冊です。 【本書の対象】 人工知能関連の開発に携わる初学者（開発者、研究者、理工系学生） 【本書の構成】 第1章から第3章で機械学習の基本を、 第4章から第6章ではPythonの基礎知識を、 第7章から第9章ではNumPyやPandasの基礎知識を、 第10章から第13章では可視化の基礎知識を、 第14章から第15章ではデータの扱い方の基本を、 第16章から第18章では教師あり学習やハイパーパラメータとチューニングを、 第19章から第22章では深層学習について基本から応用まで、 丁寧に解説します。 【著者プロフィール】 石川 聡彦（いしかわ・あきひこ） 株式会社アイデミー　代表取締役社長　CEO。 東京大学工学部卒。株式会社アイデミーは2014年に創業されたベンチャー企業で、 10秒で始める先端テクノロジー特化型のプログラミング学習サービス「Aidemy」を提供。 様々な企業のアプリケーション制作・データ解析を行った。現在の主力サービス「Aidemy」は AIやブロックチェーンなどの先端テクノロジーに特化したプログラミング学習サービスで、 リリース100日で会員数10,000名以上、演習回数100万回以上を記録。 早稲田大学主催のリーディング理工学博士プログラムでは、AIプログラミング実践授業の講師も担当した。 著書に『人工知能プログラミングのための数学がわかる本』（KADOKAWA/2018年）などがある。 ※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。

PyQの大人気コンテンツ書籍化第2弾 Pythonで数理最適化と問題解決手法を学んでみよう！ 【本書の背景】 今日、数理最適化は、生産計画の最適化や勤務シフト表の作成、効率的なリソース配分の計画など幅広い分野で使われています。しかし、その理論的な深さや応用範囲の広さから、初学者が挫折感を覚えることも多いです（「はじめに」より抜粋）。 【本書の内容】 理論や詳細な内容を最小限に抑えて、Pythonのコードを動かしながら最適化を体験できるようにしました。さらに、簡単な確認問題を解くことで、理解度を確認しながら読み進められるように構成しました。（「はじめに」より抜粋）。 【PyQ（パイキュー）とは】 株式会社ビープラウドが運営する、ブラウザだけで学べるオンラインPython学習サービス。 【学習環境】 実行環境：PyQ、または、PC上のJupyterLab 利用言語：Python 3.11 利用ライブラリ：mip(1.15.0)、mip-tool(0.3.2)、pandas(2.1.3)、JupyterLab(4.0.9)、 Matplotlib(3.8.2) 【対象読者】 ・数理最適化を使って、社会や身近な問題解決に活かしたいという方 ・数理最適化を勉強したけど身につかず挫折した方 【前提知識】 ・高校数学のベクトルの知識 ・Pythonの文法知識 【目次】 Prologue PyQでPythonや数理最適化を学ぶ 第0章 本書の使い方 第1章 数理最適化による問題解決 第2章 数理モデルって何だろう 第3章 Pythonで数理モデルを作ろう 第4章 たくさんの変数はベクトルで 第5章 混合整数最適化って何だろう 第6章 Python-MIPのクラス 第7章 問題解決ってどうやるの？ 第8章 輸送費を減らしたい 第9章 もっと食べたくなる献立を 第10章 お酒をわけよう 第11章 シフト表を作りたい 第12章 pandasで数理モデルを作ろう 第13章 pandasで再モデル化 【著者プロフィール】 ・株式会社ビープラウド ・PyQチーム ・斎藤 努（さいとう・つとむ） 　株式会社ビープラウドにてPyQなどを担当。 ※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。

「データサイエンス」という言葉だけ聞くと、複雑な数式や高度で高価なソフトウェアパッケージが必要と考えるかもしれません。ところが近年では、「R」や本書で紹介する「Python」など、データ分析に適した様々なオープンソースのソフトウェアやプログラミング言語が公開されており、必要な知識さえあれば誰でも簡単に高度な分析を行う環境が整ってきています。 本書はIT エンジニアの読者を対象とし、データサイエンスの入門としてPython を使用してデータ集計や機械学習などのデータ分析手法を習得することを目的としています。 効率的なデータ分析を実践し、自らのサービスにフィードハックを加えたいエンジニアにとって、必読の一冊になっています。 Numpy（ナムパイ）、Pandas（パンダス）といったPython独自の便利なライブラリを短時間で習得できます。 ・著者プロフィール 東京工業大学 大学院 生命理工学研究科を卒業し、バイオ・インフォマティクスを学ぶ。現在は機械学習を用いたサービスのシステム設計や様々なサービスのデータ分析に従事している。趣味は家庭菜園であり、自宅のベランダは様々な植物で占拠されている（別な意味でもサイエンティスト）。

●データの加工や分析の実践スキルを身につけよう 本書は、Pythonやpandasの基礎を身につけた方が、データ分析を行ううえで知っておきたい「データ分析の実務で使うノウハウ」をまとめた書籍です。 さまざまな種類のデータの読み込みから加工、可視化、データの評価、pandasやNumPyの活用方法など、Pythonを使ってデータを加工し分析する方法を詳しく学べます。データ加工のレシピやデータ分析に必要な数学の知識についても学べます。 【本書で学べること】 ・データ加工の基礎知識 ・データの種類と読み込み ・表形式データの加工 ・NumPyと数値データ ・データの評価 ・時系列データの処理 ・テキスト情報の処理 ・画像データの処理 ・グラフデータの処理 ・地理空間データの処理 ・データ分析に必要な線形代数 【本書で学べること】 「Pythonのデータ活用や加工をより詳しく理解したい」「実務でデータ分析をしたい」「幅広いデータ形式の知識を持ちたい」「普段からPythonでデータ分析をしているが、データハンドリングの知識を学びたい／ツールの使い方を調べたい」といった方におすすめの一冊です。

匿名加工医療データの登場により、医療保険開発や健康管理アプリ開発などの自由度が高まりました。それと同時に、開発者はこれまでの分析方法を適用していいのかという戸惑いを持ち、また分析者は時に急遽、分析担当としてアサインされ、期限のある中でデータに慣れて分析手法を学び、結果を出すことが求められます。本書では医療データを手元のPCで擬似生成し、生成した擬似データを分析しながらPythonに慣れ、分析手法を身に着けていただくことを目的にしています。 医療データを分析する上で、統計学以外に「疫学」「医療統計学」「線形代数学」の知識が必要となります。しかしこれらの専門書は医療データ分析の範囲を大きく超えます。企画している書籍は、1つの学問体系を説明する学術書ではなく、分析手法を網羅するような一般的な内容でもありません。この書籍は「いかにして医療データ（生物データ）からイベント（死亡・疾病等）の起こりやすさを推定するか」をテーマとして、様々な知識体系からアプローチし、得られた分析結果の妥当性を検証していく実用書です。

Jupyter NotebookはPythonユーザを中心に人気の高い，オープンソースのデータ分析環境です。インタラクティブにコードを実行でき，その結果を多彩なグラフや表などによって容易に表現できます。本書では，実践的な活用ノウハウを豊富に交えて解説します。また，可視化に際しては，Pythonで人気のライブラリ「pandas」「Matplotlib」「Bokeh」を中心に解説します。

※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。 “脱Excel”で実務力アップ！ Pythonは、データ分析にぴったりのプログラミング言語です。なぜなら、Pythonには、数値計算やデータ集計、グラフ描画などの様々なライブラリが用意されているからです。 まずは、「Anaconda」というPythonプログラミング環境を構築します。Anacondaに同梱されている様々なPythonライブラリの中から、数値計算ライブラリの「NumPy」、データの加工・集計を効率化するライブラリの「pandas」、グラフ描画ライブラリの「Matplotlib」を使ってみます。 データ分析を行うには、統計学の基礎を知っておく必要があります。統計学の概念を理解し、記述統計や推測統計のプログラムをPythonで実装します。 さらに、データ分析の手法として、機械学習のアルゴリズムを知っておくとよいでしょう。大量のデータを扱うには、SQLの知識も必要です。 基礎知識を身につけたら、実践的なデータ分析プログラミングに挑戦します。企業の財務情報を分析するプログラムや、検索エンジンのプログラムを作ります。 本ムックを活用して、Pythonでのデータ分析プログラミングを習得し、実務力を向上させましょう！ ≪目次≫ 第1章　「Anaconda」開発環境構築ガイド 第2章　Python数値計算ライブラリ「NumPy」入門 第3章　Pythonライブラリ徹底攻略 第4章　11個のキーワードで学ぶ統計学入門 第5章　Pythonで学ぶ統計 記述統計編／推測統計編 第6章　機械学習アルゴリズム事始め 第7章　データサイエンス時代のSQL 第8章　Pythonで理解する財務分析 第9章　「Elasticsearch」と「kibana」で検索エンジン開発とデータ分析

※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。 【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】 PyQの人気コンテンツが書籍化！データサイエンス力を試してみよう！ 【本書の背景】 今日、Pythonを取り巻くデータサイエンスの実務の中で、pandasは欠かすことのできないライブラリーです。pandasには豊富な機能が用意されていますが、実務で使いこなすためには自分の頭で考え、手を動かして試行錯誤することが重要です。また、他の人が書いたコードを読むことで「そんな効率の良い書き方、知らなかった！」といった新たな気づきが得られることもあります（「はじめに」より抜粋）。 【本書の内容】 pandasを使ったプログラミングの腕試しができるように、9つのトピックについて全部で51個の問題を用意しました。各問題にはメインとなる模範解答以外にも「別解」を用意し、なるべくいろいろな考え方に触れられるよう構成しています（「はじめに」より抜粋）。 【PyQ（パイキュー）とは】 株式会社ビープラウドが運営するブラウザだけで学べるオンライン学習サービス。 【本書の問題の一例】 ・最小と最大を抽出するには ・条件で行を絞り込むには ・文字列を日付時刻に変換するには 【学習環境】 実行環境：PyQ、Jupyter Lab 利用言語：Python 3.11 利用ライブラリ：pandas：1.5.2、JupyterLab：3.5.1、Matplotlib：3.6.2 【対象読者】 ・Pythonとpandasの基本的な操作を学んだ入門者 ・pandasでもっと効率的な書き方を知りたい・知識を広げたい方 【前提知識】 ・Pythonの基本的な文法 ・pandasおよびNumPyの基本的な使い方 【目次】 第0章 本書の使い方 第1章 pandasの基礎知識 第2章 データを入出力しよう 第3章 データの概要を確認しよう 第4章 データを部分的に参照しよう 第5章 データを変形しよう 第6章 データを加工・演算しよう 第7章 データをグループ化しよう 第8章 文字列を操作しよう 第9章 日付時刻型のデータを操作しよう 第10章 テーブル表示を見やすくしよう 【著者プロフィール】 株式会社ビープラウド PyQチーム 斎藤 努（さいとう・つとむ） 株式会社ビープラウドにてPyQなどを担当。 古木 友子（ふるき・ともこ） 株式会社ビープラウドにて分析業務などを担当。 ※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。 ＜データサイエンス／データ分析の基本技術を体系的に網羅！＞ ＜pandasの威力を実感！ 効率的なデータ操作と可視化を実践できる＞ データ分析や機械学習を利用する現場では、データを取り込み、変換／整備する必要があります。 そうしたデータの取り込みや前処理から始め、データ解析をスムーズに進めるための Pythonライブラリとして、pandasが用意されています。 本書では、pandasなどを使ったデータ分析全体の基本手法を体系的・網羅的にカバー。 巻末の付録では、Python環境のインストールや文法などPythonの基本事項も確認できます。 初中級レベルの方がコードを試しながら理解を深めたり、おぼろげな知識について 確認したりすることで、基礎技術の定着やスキルアップが図れる一冊になっています。 「データクリーニング／前処理に慣れてから、モデリングを解説！ 解釈しやすい形にデータセットを変更できる」 ※本書は『Pandas for Everyone, 2nd Edition』の翻訳書です。 ■本書の「序文」から抜粋 pandasを使うと、Pythonによるデータ分析が理解しやすくなり、 組織的で保守が可能なデータセットを作ることができ、 しかも（最も重要なことですが）整然としたデータセットが得られます。

※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。 本書は、主に、仕事でデータを扱うことが多かったり、繰り返しの業務が多いビジネスパーソン向けのPython入門書です。 データの集計やグラフ化、レポート作成、Webからのデータ取り込みなど、日々の業務を簡単にするようなサンプルを使いながら、Pythonを学びます。 環境は、Webブラウザだけで使えるGoogle Colaboratoryを採用。会社のルールでソフトのインストールに制限があったり、古いPCやスペックの低いPCでも、すぐに学習できるようになっています。 プログラミングをこれから始めてみたい方はもちろん、今まではVBAを使って自動化を図っていた方、RPAで業務の効率化を考えている方に、ぜひ読んでいただきたい1冊です。 「Chapter1 Google Colaboratoryを使おう」では、本書で使うプログラミングの環境であるColaboratoryの使い方を解説します。 「Chapter2 Pythonの基本文法を覚えよう」では、Colaboratoryで簡単なプログラミングを入力・実行しながら、Pythonの文法について学びます。Pythonプログラミングの一番基本的なところから、本書で登場する文法を一通り学習します。 「Chapter3 Markdownでレポート作成しよう」では、Markdownを使って、文章とプログラミングを組み合わせてレポートを作る方法を紹介します。プログラミングを実行する部分と、文章を組み合わせたレポートが作れるのはColaboratoryならではのメリットです。 「Chapter4 pandasでデータを集計しよう」では、ある程度の量があるデータをPythonで操作するためのいろいろな方法を解説しています。合計・平均・最小値・最大値などの算出や、データのグループ化、検索、並び替えなど、一般的に利用頻度の高いデータの操作方法を学べます。 「Chapter5 Altairでデータをグラフ化しよう」では、データをもとにさまざまなグラフを作る方法をまとめています。棒グラフ、折れ線グラフ、エリアグラフなどの作成方法、データのグループ化や、細かな色の設定など、ビジュアル性の高いグラフを作る方法を解説しています。 「Chapter6 テキストファイルを利用しよう」では、ファイルを読み込んで利用する方法について解説しています。テキストファイルの読み書きはもちろん、プログラミングでよく利用するJSONデータの読み書きも学びます。 「Chapter7 Excelデータを活用しよう」では、CSVファイルやExcelファイルの操作方法を学びます。CSVファイルからデータを読み込みグラフ化したり、Excelファイルからデータを取り出したり、Excelファイルにアクセスして関数を書き込んだりといった操作を学びます。 「Chapter8 データベースを使おう」では、SQLite3というデータベースを使って、データベースの作成、レコードの作成、表示、検索、更新、削除といった操作を行います。データベースが使えると、CSVファイルなどでは扱いの難しい大量のデータも柔軟に利用できるようになります。 「Chapter9 ネットワークアクセスしよう」では、インターネット情報のさまざまなデータにアクセスする方法を学びます。Webサイトにアクセスして検索を行ったり、RSSやWebページから必要な情報だけを取り出したり、それを整形して表示するといった操作を解説します。 「Chapter10 マップを活用しよう」では、プログラミングで地図を表示したり、それにマークを付けたりする方法を学びます。Markdownと組み合わせることで、地図を組み込んだレポートを作成することもできます。また、都道府県別のデータをもとに、地図に色付けをするプログラムも紹介します。

※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。 ※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。 サポートベクトルマシンの理論と実践の基礎・基本が，この1冊で学べる！ サポートベクトルマシンは、データの分類、回帰、はずれ値検知など、機械学習のさまざまな場面で強力かつ柔軟性の高いモデルとして知られています。そのアルゴリズムは直観的であり数学的な曖昧さがないことから、昨今注目されている「機械学習の解釈可能性」というモデルの評価基準に照らしても有力な手法といえます。そのため、自然科学や経済学等の研究成果や経験則的な業務知識をモデルに生かすことも容易です。 本書は、サポートベクトルマシンの理論的枠組みを高校レベルの数学からやさしく展開するとともに、Pythonによるわかりやすい実装例を紹介します。また、応用上重要な非線形サポートベクトルマシンで用いられるカーネル法も、図解や具体例を通してわかりやすく解説します。 第1章　はじめに 1.1　人工知能と機械学習 　1.1.1　人工知能による推論 　1.1.2　人工知能による学習 　1.1.3　機械学習 1.2　機械学習モデル 　1.2.1　モデル 　1.2.2　機械学習モデル 1.3　機械学習分類モデルの作りかた 1.4　サポートベクトルマシンの概要 1.5　サポートベクトルマシンの特徴 1.6　本書の読みかた 第2章　数学の基礎 2.1　ベクトル 　2.1.1　ベクトルとは何か 　2.1.2　位置ベクトル 　2.1.3　三角比と余弦定理 　2.1.4　ベクトルの内積 　2.1.5　点と直線の距離 　2.1.6　Pythonでベクトル 2.2　行列 　2.2.1　行列とは何か 　2.2.2　行列の演算 　2.2.3　転置行列 　2.2.4　半正定値行列 　2.2.5　Pythonで行列 2.3　関数 　2.3.1　関数とは何か 　2.3.2　指数関数 　2.3.3　対数関数 　2.3.4　Pythonで指数関数・対数関数 2.4　微分 　2.4.1　平均変化率 　2.4.2　微分 　2.4.3　合成関数の微分 　2.4.4　指数関数・対数関数の微分 　2.4.5　偏微分 　2.4.6　級数展開 第3章　線形サポートベクトルマシン（線形SVM） 3.1　線形SVM 　3.1.1　線形ハードマージンSVM 　3.1.2　線形ソフトマージンSVM 3.2　線形SVMの最適化 　3.2.1　ラグランジュの未定乗数法 　3.2.2　KKT条件 　3.2.3　線形SVM最適化の方法 3.3　線形SVMによる分類問題の解法 　3.3.1　ペンギン分類モデル 　3.3.2　Pythonでペンギンの分類 　3.3.3　2値分類モデルの評価 　3.3.4　ペンギン分類モデルの評価 第4章　非線形サポートベクトルマシン（非線形SVM） 4.1　非線形SVM 　4.1.1　カーネル法 　4.1.2　カーネル関数の具体例 　4.1.3　カーネル化SVMの定式化 4.2　非線形SVMの最適化 　4.2.1　逐次最小最適化アルゴリズム（SMO） 　4.2.2　非線形SVM最適化の方法 4.3　非線形SVMによる分類問題の解法 　4.3.1　カーネル化SVMによる非線形分類モデル 　4.3.2　カーネル化SVMによる分類問題の解法 　4.3.3　Pythonでアヤメ分類 付録　Pythonの基礎 A.1　開発環境Colab A.2　Python文法の要点 　A.2.1　データ型 　A.2.2　演算子 　A.2.3　条件分岐 　A.2.4　繰返し 　A.2.5　組込み関数 　A.2.6　関数定義 　A.2.7　クラス 　A.2.8　変数のスコープ A.3　Pythonライブラリ群 　A.3.1　NumPy 　A.3.2　pandas 　A.3.3　SymPy 　A.3.4　matplotlib 　A.3.5　scikit-learn 本書を読み終えた後に