データ分析に不可欠なAIスキルを最短で習得できる一冊

世界標準MIT教科書　データアナリティクスのための機械学習入門―アルゴリズム・実例・ケーススタディ―

世界標準MIT教科書　データアナリティクスのための機械学習入門―アルゴリズム・実例・ケーススタディ―

インプレスグループで理工学分野の専門書出版事業を手掛ける株式会社近代科学社は、2022年8月31日に、Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms,worked examples,and Case Studies原著で宮岡悦良氏、下川朝有氏、黒澤匠雅氏訳による、機械学習を実際のビジネスシーンに適用してデータ分析を行うための実践書「世界標準MIT教科書　データアナリティクスのための機械学習入門―アルゴリズム・実例・ケーススタディ―」を発売した。

宮岡悦良Profile
1987年　カリフォルニア大学バークレー校大学院修了　Ph.D.
現職　東京理科大学名誉教授

下川朝有Profile
2015年　東京理科大学大学院修了　博士（理学）
現職　東京理科大学理学部第二部数学科講師

黒澤匠雅Profile
2018年　東京理科大学大学院修了　博士（理学）
現職　SAS Institute Japan株式会社コンサルタント

「世界標準MIT教科書　データアナリティクスのための機械学習入門―アルゴリズム・実例・ケーススタディ―」内容紹介

「世界標準MIT教科書　データアナリティクスのための機械学習入門―アルゴリズム・実例・ケーススタディ―」は機械学習を実際のビジネスシーンに適用してデータ分析を行うための実践書。
機械学習そのものの解説ではなく、データ分析に不可欠な機械学習の手法を駆使して、ビジネスを予測的に改善する手法を解説している。
具体的な適用事例を用いて説明がなされるため、読者は目的やケースに合った手法（アルゴリズム）や実際の適用方法などを効率的に身に付けることができる。
原著はMITで使われている教科書であり、講義の目的に応じて章を選択可能。
ビジネスで使えるデータ分析手法を最短で習得したい読者に役立つ一冊となる。

「世界標準MIT教科書　データアナリティクスのための機械学習入門―アルゴリズム・実例・ケーススタディ―」目次

1 予測的データアナリティクスのための機械学習
1.1 予測的データアナリティクスとは？
1.2 機械学習とは？
1.3 機械学習はどのように機能するのか？
1.4 機械学習が機能しない場合
1.5 予測的データアナリティクスプロジェクトのライフサイクル：CRISP-DM
1.6 予測的データアナリティクスの道具
1.7 本書のこれからの内容
1.8 演習

2 データから知見そして意思決定へ
2.1 ビジネス課題から分析ソリューションへの変換
2.2 実現可能性の評価
2.3 ABT の設計
2.4 特徴量の設計と実装
2.5 要約
2.6 参考文献
2.7 演習

3 データ探索43
3.1 データ品質レポート
3.2 データを知る
3.3 データ品質問題の確認
3.4 データ品質問題の取り扱い
3.5 高度なデータ探索
3.6 データ準備
3.7 要約
3.8 参考文献
3.9 演習

4 情報量に基づく学習
4.1 考え方
4.2 基本
4.3 標準的なアプローチ：ID3 アルゴリズム
4.4 拡張法と他の手法
4.5 要約
4.6 参考文献
4.7 演習

5 類似度に基づく学習
5.1 考え方
5.2 基本
5.3 標準的なアプローチ：最近傍アルゴリズム
5.4 拡張法と他の手法
5.5 要約
5.6 参考文献
5.7 エピローグ
5.8 演習

6 確率に基づく学習
6.1 考え方
6.2 基本
6.3 標準的なアプローチ：ナイーブベイズモデル
6.4 拡張法と他の手法
6.5 要約
6.6 参考文献
6.7 演習

7 誤差に基づく学習
7.1 考え方
7.2 基本
7.3 標準的なアプローチ：勾配降下法による重回帰
7.4 拡張法と他の手法
7.5 要約
7.6 参考文献
7.7 演習

8 評価
8.1 考え方
8.2 基本
8.3 標準的なアプローチ：ホールドアウトテストセットによる誤分類率
8.4 拡張法と他の手法
8.5 要約
8.6 参考文献
8.7 演習

9 ケーススタディ：顧客離れ
9.1 ビジネスの把握
9.2 データの把握
9.3 データの準備
9.4 モデリング
9.5 評価
9.6 設置

10 ケーススタディ：銀河の分類
10.1 ビジネスの把握
10.2 データの把握
10.3 データ準備
10.4 モデリング
10.5 評価
10.6 設置

11 予測的データアナリティクスのための機械学習の技法
11.1 予測モデルのいろいろな側面
11.2 機械学習法の選択
11.3 次のステップ

A 機械学習のための記述統計とデータ可視化
A.1 連続型特徴量に対する記述統計
A.2 カテゴリ特徴量に対する記述統計
A.3 母集団と標本
A.4 データの可視化

B 機械学習のための確率の導入
B.1 確率の基礎
B.2 確率分布と周辺化
B.3 便利な確率法則
B.4 要約