ISBN 9784297134211
Pythonで学ぶはじめてのデータサイエンス
概要
数理・データサイエンス・AI教育プログラム（リテラシーレベル）に準拠した全職種向け入門教科書
想定読者
データサイエンスをゼロから体系的に学びたい大学生・大学院生、および文系・理系問わず数学的バックグラウンドを持たない社会人学習者。講義教材としての活用を想定した教員にも適する。
こんな人には向いていない
- すでにPythonでpandas・scikit-learnを使った機械学習モデル構築の経験がある実務者には、内容の大半が復習になる
- 深層学習・強化学習・大規模言語モデルなど先端AIを主目的に学びたい読者には、本書の扱いは概論レベルにとどまる
- 数学的厳密性を求めて統計検定や線形代数を体系的に学びたい読者には、理論説明が意図的に簡略化されている
読了後にできるようになること
- Pythonプログラミングの基本とデータ構造を、データサイエンスのユースケースに即して習得できる
- 公開データの収集・アンケート設計からデータクレンジングまでの前処理フローを一通り理解できる
- 確率・基本統計量・推測統計の概念を演習問題を通して実践的に把握できる
- A/Bテストによる平均値の差の検定・独立性の検定を自分で実施できる
- 回帰・分類・クラスタリング・レコメンドの各AIアルゴリズムをPythonで試す感覚を得られる
- 時系列分析・自然言語処理・画像分析（CNN）の概要と実装の入り口まで把握できる
本書のキー概念(章解説)
- 第 1 章 データサイエンスへのいざない — データ・データサイエンス・データサイエンティストの定義を俯瞰する導入。読了後は第2章へ直行してよい
- 第 2 章 データサイエンスのためのPythonプログラミング — Python未経験者はここに時間をかける。既習者は演習問題だけ確認して飛ばせる
- 第 3 章 データサイエンスのためのデータ収集
- 第 4 章 データサイエンスのためのデータ前処理 — データクレンジングは実務でも最も頻度が高い作業。念入りに演習する価値がある
- 第 5 章 データサイエンスのための確率統計 — 集合・確率・基本統計量を扱う。数式が苦手な読者はここで立ち止まらず概念把握を優先して先に進む
- 第 6 章 統計的検定を用いたデータサイエンス
- 第 7 章 A/Bテストを用いたデータサイエンス — Webサービス・マーケティング業務に直結するトピック。非エンジニアの実務者にも有用
- 第 8 章 データサイエンスのためのアルゴリズム
- 第 9 章 回帰AIを用いたデータサイエンス — 重回帰分析まで扱う。機械学習モデルの第一歩として理解しやすい章
- 第 10 章 分類AIを用いたデータサイエンス — 決定木・アンサンブル学習を実装付きで解説
- 第 11 章 クラスタリングAIを用いたデータサイエンス
- 第 12 章 レコメンドAIを用いたデータサイエンス — 協調フィルタリングの仕組みを理解するとECや動画配信の推薦エンジンの見え方が変わる
- 第 13 章 時系列データ分析AIと自然言語処理AIを用いたデータサイエンス
- 第 14 章 画像分析AIを用いたデータサイエンス — CNNの概念まで踏み込む。深層学習の入り口として位置づけ、実装の全容は扱わない
ハイライト
- 文理を問わないすべての大学生が身に着けるべきデータサイエンスの基礎を、Pythonを使った演習を行いながら実践的に学べる教科書です。数学的なバックグラウンドが無くても、概要を理解しながら飽きずに進めることができる内容です。(本書の対象読者と設計思想を最も端的に表している一節)
編集メモ
Qiita言及記事0件・likes合計0。数理・データサイエンス・AI教育プログラム認定準拠という制度的裏付けはあるが、外部シグナルからは定番書としての評価を確認できない。大学講義の教科書用途では実績がある可能性があるが、オンラインコミュニティでの引用実績は現時点では確認できていない。
読む前に押さえておきたいこと
- PC操作・ブラウザ・ファイル管理の基本（プログラミング未経験でも可）
- 高校数学レベルの四則演算と割合の感覚（大学数学は不要）
- Jupyter NotebookまたはGoogle Colabの基本操作（初回起動前に5分程度で確認できる）
学習のコツ
- 第2章（Pythonプログラミング）はすでにPythonを書いたことがある読者なら演習問題だけ確認して第3章へ進むと時間効率がよい
- 第5・6章の統計理論は初読では完全に消化しようとせず、第7章（A/Bテスト）まで進んでから振り返ると理解が定着しやすい
- 各章末の演習問題はGoogleColab等で自分でコードを動かしながら解くことで、読むだけでは得られない実装感覚が身につく
- 第9〜14章は独立性が高く、業務で必要なアルゴリズムの章から先に読み始めることも可能
出版社による内容紹介
文理を問わないすべての大学生が身に着けるべきデータサイエンスの基礎を、Pythonを使った演習を行いながら実践的に学べる教科書です。数学的なバックグラウンドが無くても、概要を理解しながら飽きずに進めることができる内容です。数理・データサイエンス・AI教育プログラム認定制度（リテラシーレベル）に準拠。大学、大学院の講義で教科書として使用しやすいよう、全14章で構成しています。 ■第1章 データサイエンスへのいざない ◆1-1 データ（Data） ◆1-2 データサイエンス（Data science） ◆1-3 データサイエンティスト ◆1-4 データサイエンスにおける分析手法 ■演習問題 ■第2章 データサイエンスのためのPythonプログラミング ◆2-1 プログラミングの基本 ◆2-2 データの構造 ◆2-3 Pythonの準備と実行 ■演習問題 ■第3章 データサイエンスのためのデータ収集 ◆3-1 公開データの収集 ◆3-2 アンケート調査 ■演習問題 ■第4章 データサイエンスのためのデータ前処理 ◆4-1 データの蓄積 ◆4-2 データ加工の技術 ◆4-3 データクレンジング ■演習問題 ■第5章 データサイエンスのための確率統計 ◆5-1 直感と数学 ◆5-2 数え上げ ◆5-3 集合と場合の数 ◆5-4 確率 ◆5-5 基本統計量 ■演習問題 ■第6章 統計的検定を用いたデータサイエンス ◆6-1 確率分布 ◆6-2 推測統計 ■演習問題 ■第7章 A/Bテストを用いたデータサイエンス ◆7-1 A/Bテスト ◆7-2 「平均値の差の検定」と「独立性の検定」 ◆7-3 アンケート調査によるデータの分析 ■演習問題 ■第8章 データサイエンスのためのアルゴリズム ◆8-1 ソフトウェアとアルゴリズム ◆8-2 組み合わせ爆発 ◆8-3 探索問題 ■演習問題 ■第9章 回帰AIを用いたデータサイエンス ◆9-1 回帰（Regression） ◆9-2 回帰分析 ◆9-3 重回帰分析 ■演習問題 ■第10章 分類AIを用いたデータサイエンス ◆10-1 分類AI ◆10-2 決定木 ◆10-3 アンサンブル学習 ■演習問題 ■第11章 クラスタリングAIを用いたデータサイエンス ◆11-1 クラスタリング ◆11-2 階層的クラスタリング ◆11-3 非階層的クラスタリング ■演習問題 ■第12章 レコメンドAIを用いたデータサイエンス ◆12-1 連関分析 ◆12-2 協調フィルタリング ■演習問題 ■第13章 時系列データ分析AIと自然言語処理AIを用いたデータサイエンス ◆13-1 時系列データ ◆13-2 文章データ分析 ■演習問題 ■第14章 画像分析AIを用いたデータサイエンス ◆14-1 AIによる画像分析 ◆14-2 ニューラルネットワーク ◆14-3 畳み込みニューラルネットワーク（Convolutional neural network） ■演習問題
この本がどの学習段階で役立つかは、 関連する ロードマップ から確認できます。