作品紹介・あらすじ
ＲとＰｙｔｈｏｎ両方学べる。コスパ最強の一冊！「データサイエンスの準備」にページを割いたから、プログラミング経験ゼロで大丈夫
◆RとPython両方学べる。コスパ最強の一冊！◆
・コードが理解の試金石！
・「データサイエンスの準備」にページを割いているから、プログラミング経験ゼロで大丈夫！
・自分に合った言語を見つけたい、言語を乗り換えたいという方にもおすすめ！
[サポートサイト]
https://github.com/taroyabuki/fromzero
[主な内容]
第1部 データサイエンスのための準備
1章 コンピュータとネットワーク
2章 データサイエンスのための環境
3章 RとPython
4章 統計入門
5章 前処理
第2部 機械学習
6章 機械学習の目的・データ・手法
7章 回帰1（単回帰）
8章 回帰2（重回帰）
9章 分類1（多値分類）
10章 分類2（2値分類）
11章 深層学習とAutoML
12章 時系列予測
13章 教師なし学習
付録A 環境構築
第1部 データサイエンスのための準備
1章 コンピュータとネットワーク
1.1 コンピュータの基本操作
1.2 ネットワークのしくみ
2章 データサイエンスのための環境
2.1 実行環境の選択
2.2 クラウド
2.3 Docker
2.4 ターミナルの使い方
2.5 RとPython
2.6 サンプルコードの利用
3章 RとPython
3.1 入門
3.2 関数
3.3 コレクション
3.4 データフレーム
3.5 1次元データの（非）類似度
3.6 Rのパッケージ，Pythonのモジュール
3.7 反復処理
3.8 その他
4章 統計入門
4.1 記述統計
4.2 データの可視化
4.3 乱数
4.4 統計的推測
5章 前処理
5.1 データの読み込み
5.2 データの変換
第2部 機械学習
6章 機械学習の目的・データ・手法
6.1 機械学習の目的（本書の場合）
6.2 機械学習のためのデータ
6.3 機械学習の手法
7章 回帰1（単回帰）
7.1 自動車の停止距離
7.2 データの確認
7.3 回帰分析
7.4 当てはまりの良さの指標
7.5 K最近傍法
7.6 検証
7.7 パラメータチューニング
8章 回帰2（重回帰）
8.1 ブドウの生育条件とワインの価格
8.2 重回帰分析
8.3 標準化
8.4 入力変数の数とモデルの良さ
8.5 変数選択
8.6 補足：正則化
8.7 ニューラルネットワーク
9章 分類1（多値分類）
9.1 アヤメのデータ
9.2 木による分類
9.3 正解率
9.4 複数の木を使う方法
9.5 欠損のあるデータでの学習
9.6 他の分類手法
10章 分類2（2値分類）
10.1 2値分類の性能指標
10.2 トレードオフ
10.3 2値分類の実践
10.4 ロジスティック回帰
11章 深層学習とAutoML
11.1 Kerasによる回帰
11.2 Kerasによる分類
11.3 MNIST：手書き数字の分類
11.4 AutoML
12章 時系列予測
12.1 日時と日時の列
12.2 時系列データの予測
13章 教師なし学習
13.1 主成分分析
13.2 クラスタ分析
付録A 環境構築
感想・レビュー・書評
関連する本
