概要

データサイエンスの全体像を5領域で俯瞰し、学習地図を描く

想定読者

データサイエンスに初めて取り組む社会人・学生で、統計・機械学習・ディープラーニングの全域を短時間で概観したい人

こんな人には向いていない

• 機械学習や統計学の実務経験がすでにある人には、各トピックの説明が概説レベルにとどまり物足りない可能性がある
• Pythonなどによる実装を中心に学びたい人には、コードよりも概念中心の構成が合わない
• 自然言語処理・画像解析など特定分野を深く掘り下げたい人には、1冊で20章をカバーする性質上、扱いの深さに限界がある

読了後にできるようになること

• データサイエンスを構成する数学・アルゴリズム・統計学・機械学習・ディープラーニングの5領域とその相互関係を説明できる
• 回帰・分類・教師なし学習の違いと、それぞれどのような問題に適用するかを判断できる
• ニューラルネットワークの基礎からディープラーニングによる画像・系列データ解析までの概念的な流れを追える
• トピックモデルやネットワーク分析といった、機械学習以外のデータ分析手法が存在することを認識できる

本書のキー概念(章解説)

• 第 1 章 第1部: データサイエンスの基本 — データサイエンスとは何かを概観する導入。全体像の位置づけとして最初に読む章
• 第 2 章 第2部: データサイエンスの基礎技術 — 計算機の仕組みからアルゴリズム・データベース・最適化まで。プログラミング未経験でも概念把握を目的として読める
• 第 3 章 第3部: 統計学・機械学習の基礎 — 過学習・回帰・アンサンブル・分類・教師なし学習を扱う本書の中核。実務との接点が多く優先的に読む価値がある
• 第 4 章 第4部: コーパスとネットワークの分析 — トピックモデルとネットワーク分析。機械学習に偏らない視点を補完する章として、興味に応じて読む
• 第 5 章 第5部: ディープラーニング — ニューラルネットワークから画像・系列解析まで。概念整理が目的であり、実装の詳細は別書で補完する前提で読む

ハイライト

• データサイエンスとは？という基礎から、実際にデータ分析するために必要なパソコンの知識、プログラミングの基礎、機械学習、画像解析まで。気鋭の若手研究者による、データサイエンス入門の一冊。(本書のカバー範囲の広さが端的に示されており、入門書としての立ち位置が明確に表れている箇所)
• データサイエンス系、ちょっと迷走しているところがあったためわかりやすくまとめられている本を探していてみつけた本。(学習の方向性を見失いかけた読者が本書で整理できたという実体験として、ターゲット読者像に合致する声)

外部からの言及

• AIや機械学習に関心を持ち始めた読者が、学習範囲の全体像を把握するための参考文献として参照するケースが複数見られる。460いいねを集めたAI活用入門記事でも、機械学習手法とデータ形式の理解を深めるための推薦書として取り上げられた(qiita)
• データサイエンティスト・AIエンジニアを目指す初学者向けの学習ロードマップ記事において、本書の5領域構成を学習計画の骨格として活用した事例がある。知名度は高くないものの、学習範囲の地図として機能する点が評価されている(qiita)

編集メモ

Qiita言及4件 / 累計likes 561(うち460はAI入門記事の参考文献としての言及1件) / 出版2018年。言及件数が5件未満でRakutenランキング情報なし。likesの大半は単一記事由来のため、data-scienceトピックの補完的な選択肢として位置づける

読む前に押さえておきたいこと

• 高校数学レベルの関数・確率・行列の概念(完全な理解でなくてよいが、用語に拒否反応がない程度)
• PCの基本操作(第2部の計算機の仕組みを理解するうえでの最低限の前提)

学習のコツ

• 第3部(統計学・機械学習の基礎)を先に読み、どのトピックに興味があるかを確認してから第2部(基礎技術)に戻ると、数学的な背景の必要性が実感しやすい
• 第5部(ディープラーニング)は概念の流れを把握する目的で読み、コードの実装は別の専門書に委ねるのが効率的
• 全20章を均等に読もうとすると負荷が高いため、まず各部の冒頭の1節だけ拾い読みして自分の優先学習領域を絞り込んでから精読する