概要

文系・理系を問わず大学教養課程で使えるデータサイエンスの基礎を体系的に学ぶ

想定読者

データサイエンスを初めて体系的に学ぶ大学生・社会人。数式アレルギーがあっても概念から入りたい人。2024年改訂の数理・データサイエンス・AI(リテラシーレベル)モデルカリキュラムに沿って学習したい人

こんな人には向いていない

• Pythonや統計学の基礎をすでに習得しており、実装力や発展手法を磨きたい実務エンジニア
• 機械学習モデルの構築・チューニングを目的とした学習には内容の深さが不足する
• 大学院レベルの数理統計や深層学習理論を扱う教材ではない

読了後にできるようになること

• ヒストグラム・箱ひげ図・相関係数・回帰直線など記述統計の基本指標を解釈できる
• クラスタリング・決定木・ニューラルネットワークなど主要な機械学習手法の概念と使いどころを説明できる
• Excel・R・Pythonを用いた基礎的なデータ分析の流れを実行できる
• マーケティング・金融・品質管理・医療など実社会の応用事例を通じてデータサイエンスの役割を把握できる
• データ収集・管理・情報倫理(プライバシー・バイアス等)の基本的な考え方を身につける
• 生成AIを含む最新キーワードについての基礎的な位置づけを理解できる

本書のキー概念(章解説)

• 第 1 章 現代社会におけるデータサイエンス — データサイエンスの社会的役割・情報倫理・データ取得と管理を扱う。学習の動機づけに適した導入章
• 第 2 章 データ分析の基礎 — ヒストグラム・散布図・相関係数・回帰直線など統計の核心。数式を使わずグラフで解説しており、最も繰り返し参照される章
• 第 3 章 データサイエンスの手法 — クロス集計からニューラルネットワーク・AIまで7手法を概説。各手法の選び方の直感を掴むのに向いている
• 第 4 章 コンピュータを用いた分析 — Excel・R・Pythonの三択で実際に手を動かす章。すでに使い慣れたツールがある場合は対応節だけ読む運用も可
• 第 5 章 データサイエンスの応用事例 — マーケティング・金融・品質管理・画像処理・音声処理・医学の6分野。自分の職種に近い節から読み始めると実感が掴みやすい
• 第 6 章 より進んだ学習のために — 次の学習ステップへの案内。本書の到達点を確認してから次書選びに使う

ハイライト

• ビッグデータ時代を生きるすべての大学生が身につけておくべきリテラシーとしてのデータサイエンスへの入門をコンパクトに解説するとともに、より進んだ学習への橋渡しともなる教科書(本書の立ち位置を端的に示す。入門と次のステップへの橋渡しという二重の役割が明示されている)
• 文科系の学生にも読みやすいように、数式はできるだけ使わずにグラフなどで直観的な説明を与え、データサイエンス全般を概観できる内容となっている(対象読者層と学習スタイルの特徴が最も明確に表れている箇所)

外部からの言及

• データサイエンスの入門書80冊まとめ記事(likes 351)に竹村彰通著として収録。情報科学・統計学の基本知識をおさえデータから新たな価値を引き出す学び方を紹介する書として位置づけられている(qiita)

編集メモ

Qiita上での本書ISBN直接引用記事は確認できず(0件)。ただしデータサイエンスおすすめ書籍まとめ(Qiita、likes 351)に『竹村彰通著のデータサイエンス入門』として収録実績あり。2024年版カリキュラム準拠の第3版は2024年12月刊行で外部言及蓄積はこれから見込まれる段階

読む前に押さえておきたいこと

• 高校数学(関数・グラフの読み方)程度の数学リテラシー
• Excelの基本操作(データ入力・グラフ作成程度)

学習のコツ

• 文系出身者は第1・2章を丁寧に読んだ後、第5章の応用事例から自分の職種に近い節を選んで読み、実感を持ってから第3章の手法解説に戻るとモチベーションが続きやすい
• 第4章のツール節はExcel・R・Pythonから1つだけ選んで深く触ること。全部を均等にやろうとすると時間が分散する
• 2024年改訂モデルカリキュラムに準拠しているため、データサイエンティスト検定(リテラシーレベル)の学習範囲確認表として目次を活用できる
• 第3章のニューラルネットワーク・AIの節は概念紹介にとどまる。深層学習の実装を学びたい場合は第6章の案内に従って専門書に移行することを推奨