第1章　データサイエンス入門

• 1.1　データサイエンスの基本
  • 1.1.1　データサイエンスの重要性
  • 1.1.2　データサイエンスの定義とその歴史
  • 1.1.3　データサイエンスにおけるモデリング
  • 1.1.4　データサイエンスとその関連領域
• 1.2　データサイエンスの実践
  • 1.2.1　データサイエンスのプロセスとタスク
  • 1.2.2　データサイエンスの実践に必要なツール
  • 1.2.3　データサイエンスの実践に必要なスキル
  • 1.2.4　データサイエンスの限界と課題
• コラム　ビジネス活用における留意点

第2章　RとPython

• 2.1　RとPython
  • 2.1.1　RとPythonの比較
• 2.2　Ｒ入門
  • 2.2.1　Rの概要
  • 2.2.2　Rの文法
  • 2.2.3　データ構造と制御構造
• 2.3　Python入門
  • 2.3.1　Pythonの概要
  • 2.3.2　Pythonの文法
  • 2.3.3　Pythonでのプログラミング
  • 2.3.4　NumPyとpandas
• 2.4　RとPythonの実行例の比較
  • 2.4.1　簡単な分析の実行例

第3章　データ分析と基本的なモデリング

• 3.1　データの特徴を捉える
  • 3.1.1　分布の形を捉える ─ ビジュアルでの確認
  • 3.1.2　要約統計量を算出する ─ 代表値とばらつき
  • 3.1.3　関連性を把握する ─ 相関係数の使い方と意味
  • 3.1.4　Rを使った相関分析 ─ 自治体のデータを使った例
  • 3.1.5　さまざまな統計分析 ─ 理論と実際の考え方
• 3.2　データからモデルを作る
  • 3.2.1　目的変数と説明変数 ─ 説明と予測の「向き」
  • 3.2.2　簡単な線形回帰モデル ─ Rによる実行と結果
  • 3.2.3　ダミー変数を使ったモデル ─ グループ間の差異を分析
  • 3.2.4　複雑な線形回帰モデル ─ 交互作用，モデル間の比較
  • 3.2.5　線形回帰の仕組みと最小二乗法
• 3.3　モデルを評価する
  • 3.3.1　モデルを評価するための観点
  • 3.3.2　この結果は偶然ではないのか? ─ 有意確率と有意差検定
  • 3.3.3　モデルはデータに当てはまっているか? ─ フィッティングと決定係数
  • 3.3.4　モデルは複雑すぎないか? ─ オーバーフィッティングと予測精度
  • 3.3.5　残差の分布 ─ 線形回帰モデルと診断プロット
  • 3.3.6　説明変数同士の相関 ─ 多重共線性
  • 3.3.7　標準偏回帰係数

第4章　実践的なモデリング

• 4.1　モデリングの準備
  • 4.1.1　データの準備と加工
  • 4.1.2　分析とモデリングの手法
• 4.2　データの加工
  • 4.2.1　データのクレンジング
  • 4.2.2　カテゴリ変数の加工
  • 4.2.3　数値変数の加工とスケーリング
  • 4.2.4　分布の形を変える ─ 対数変換とロジット変換
  • 4.2.5　欠損値の処理
  • 4.2.6　外れ値の処理
• 4.3　モデリングの手法
  • 4.3.1　グループに分ける ─ クラスタリング
  • 4.3.2　指標を集約する ─ 因子分析と主成分分析
  • 4.3.3　一般化線形モデル
  • 4.3.4　2値データを目的変数とする分析 ─ ロジスティック回帰
  • 4.3.5　セグメントの抽出とその特徴の分析 ─ 決定木
• 4.4　因果推論
  • 4.4.1　データから因果関係を明らかにする ─ 統計的因果推論
  • 4.4.2　因果関係に基づく変数選択

第5章　機械学習とディープラーニング

• 5.1　機械学習の目的と手順
  • 5.1.1　機械学習の基本
  • 5.1.2　機械学習の手順
  • 5.1.3　データの準備に関わる問題
  • 5.1.4　特徴抽出と特徴ベクトル
• コラム　機械学習と強化学習
• 5.2　機械学習の実行
  • 5.2.1　機械学習ライブラリの活用 ─ scikit-learn
  • 5.2.2　機械学習アルゴリズムの例 ─ ランダムフォレスト
  • 5.2.3　機械学習アルゴリズムの例 ─ サポートベクターマシン
  • 5.2.4　機械学習の実行例
• 5.3　ディープラーニング
  • 5.3.1　ニューラルネットワーク
  • 5.3.2　ディープラーニングを支える技術
  • 5.3.3　ディープラーニング・フレームワーク
  • 5.3.4　ディープラーニングの実行
  • 5.3.5　生成モデル