Python×データサイエンス

本書では、Pythonの基本から始め、データ解析に不可欠なデータの前処理を体系的に学びつつ、実践的なデータサイエンスのスキルを段階的に習得できるように構成しました。本書の目的は、読者がPythonの基礎、データの前処理、実践的なデータ解析を学ぶことで、データサイエンスの基礎を身につけ、任意のテーマに沿ったデータ解析を独力で遂行できるようになることです。 はじめに 第1章 本書の概要 1.1 本書について 1.2 プログラミング 1.3 Python の紹介 1.4 Google Colaboratory の使い方 第2章 Python の基礎 2.1 コード 2.2 変数 2.3 型 2.4 算術演算子 2.5 print() 関数 2.6 代入演算子 2.7 input() 関数 2.8 数学関数 2.9 文字列 第3章 制御構文 3.1 if文 3.2 for文 3.3 break continue文 3.4 while 文 第4章 リスト・タプル・集合・辞書 4.1 リスト (list) 4.2 タプル (tuple) 4.3 集合 (set) 4.4 辞書 (dict) 第5章 関数・オブジェクト指向 5.1 関数 5.2 モジュール 5.3 オブジェクト指向 第6章 ライブラリの利用方法 6.1 ファイル処理 6.2 NumPy について 6.3 Matplotlib について 第7章 Pandas の使い方 7.1 シリーズ (Series) 7.2 データフレーム (DataFrame) 第8章 データサイエンスプロジェクト 8.1 データサイエンスプロジェクトの流れ 8.2 データサイエンスプロジェクトを遂行する人材の役割 8.3 データサイエンティストに必要な知識とスキル 第9章 回帰問題 9.1 線形回帰モデル 9.2 多項式回帰と過学習 9.3 Ridge 回帰・Lasso 回帰と正則化係数 9.4 Elastic Net 回帰と Grid Search モジュール 9.5 サポートベクタマシン回帰分析 9.6 決定木回帰分析と Random Forest 回帰分析 9.7 XGBoost 回帰分析と LightGBM 回帰分析 第10章 分類モデル 10.1 ロジスティック回帰による分類 10.2 例題:乳がんデータセットから予測 10.3 サポートベクタマシン分類 10.4 決定木とランダムフォレストによる分類 10.5 XGBoost 分類と Optuna によるモデルチューニング 10.6 LightGBM 分類 第11章 クラスタリングと特徴量の次元削減 11.1 教師あり学習と教師なし学習 11.2 クラスタリング 11.3 k-means によるクラスタリング 11.4 GMMとV-GMMによるクラスタリング 11.5 DBSCAN によるクラスタリング 11.6 特徴量の次元削減 第12章 ニューラルネットワーク 12.1 ニューラルネットワークとは 12.2 ニューラルネットワークの基本概念 12.3 ニューラルネットワークによる回帰問題 12.4 ニューラルネットワークによる二値分類問題 12.5 マルチクラス分類問題 索引