研究・開発・売上分析・集客など様々な場面でデータマイニングは現代の必須ツールである。本書は、その基礎となる代表的な手法を、Pythonを用いて自分で実装し、基盤となる数理的知識から体系的に理解することを目指すデータ解析の決定版テキストである。まえがき第1章 データ解析を学ぶ1.1 はじめに／1.2 本書の構成／1.3 データサイエンス教育に関するスキルセットとの対応／1.4 学習の進め方／1.5 記号表第2章 Python の基礎2.1 Python プログラミング言語／2.2 算術演算／2.3 変数／2.4 関数／2.5 if 文と条件分岐／2.6 リスト／2.7 文字列／2.8 for 文と繰り返し／2.9 辞書／2.10 プログラムの作成第3章 Python のモジュール3.1 モジュール／3.2 pandas ライブラリ／3.3 NumPy ライブラリ／3.4 Matplotlib ライブラリ第4章 データ分析の基礎4.1 データとは／4.2 データの収集／4.3 データの観察と理解／4.4 データの整形と加工第5章 テキストデータの分析5.1 テキストデータ／5.2 テキストの分かち書きと形態素解析／5.3 テキストのベクトル表現／5.4 テキストの類似度／5.5 プログラミング第6章 ネットワークデータの分析6.1 ネットワーク分析／6.2 ネットワークの行列表現／6.3 最短経路／6.4 中心性／6.5 固有ベクトル中心性／6.6 ページランク／6.7 プログラミング第7章 機械学習の基礎7.1 データの表現／7.2 教師あり学習／7.3 汎化性能／7.4 教師なし学習／7.5 機械学習のモデル／7.6 プログラミング第8章 クラスタリング8.1 クラスタリング／8.2 階層化クラスタリング／8.3 K-means 法／8.4 【発展】確率分布モデルによる K-means 法の解釈／8.5 プログラミング第9章 主成分分析9.1 主成分分析による次元削減／9.2 主成分分析の考え方／9.3 主成分分析の詳細／9.4 プログラミング第10章 線形回帰10.1 線形回帰／10.2 最小二乗法／10.3 勾配降下法／10.4 勾配降下法の一般化／10.5 正規方程式の一般化／10.6 モデルの評価／10.7 【発展】最尤法によるパラメータ推定／10.8 プログラミング第11章 モデル選択11.1 過学習／11.2 モデル選択／11.3 交差検証／11.4 交差検証によるモデル選択の例第12章 ロジスティック回帰12.1 ロジスティック回帰モデルによる分類／12.2 ロジスティック回帰モデルのパラメータ推定／12.3 ロジスティック回帰モデルのパラメータ推定の一般化／12.4 【発展】多クラス分類／12.5 分類結果の評価／12.6 プログラミング第13章 ニューラルネットワークの基礎13.1 ニューロンとニューラルネットワーク／13.2 多層ニューラルネットワーク／13.3 【発展】ニューラルネットワークによる関数の表現／13.4 【発展】ニューラルネットワークの学習／13.5 確率的勾配降下法／13.6 深層ニューラルネットワーク付録 Python のプログラミング環境付.1 Colaboratory／付.2 Anaconda さらに勉強するために索引