データサイエンスの基礎
- 電子あり

内容紹介
おすすめの本
-
電子あり
確率を攻略する ギャンブルから未来を決める最新理論まで
-
電子あり
Polarsとpandasで学ぶ データ処理アイデアレシピ55
-
電子あり
ベイズ深層学習
-
電子あり
脱入門者のExcel VBA 自力でプログラミングする極意を学ぶ
-
電子あり
経済数学の直観的方法 確率・統計編
-
電子あり
バンディット問題の理論とアルゴリズム
-
新学習指導要領対応(2022年度) ドラゴン桜式 数学力ドリル 数学1・A
-
電子あり
統計的学習理論
-
イラストで学ぶ ヒューマンインタフェース 改訂第2版
-
ラズパイ4対応 カラー図解 最新 Raspberry Piで学ぶ電子工作 作る、動かす、しくみがわかる!
-
電子あり
データサイエンスのためのデータベース
-
電子あり
予測にいかす統計モデリングの基本 改訂第2版 ベイズ統計入門から応用まで
目次
第1章 リテラシーとしてのデータサイエンス
1.1 データサイエンスの目的と必要性
1.1.1 データサイエンス
1.1.2 フィッシャーによる三原則
1.1.3 統計、データサイエンスの歴史的推移
1.1.4 ランダムネスの懐柔と活用
1.2 リテラシーとデータの見方
1.2.1 第2 回メディアに関する全国世論調査
1.2.2 自動車事故死、飛行機事故死
1.3 確率的現象と決定論的現象
1.3.1 市町村人口の先頭桁の数字例
1.3.2 フィボナッチ数列の先頭桁の数字
第2章 確率
2.1 確率の定義と役割
2.1.1 確率のさまざまな定義
2.1.2 ベン図
2.2 確率の公理的定義
2.2.1 ベンフォードの法則
2.3 条件付き確率とベイズの定理
2.3.1 条件付き確率
2.3.2 ベイズの定理
第3章 データからの情報抽出
3.1 度数分布表とヒストグラム
3.2 統計グラフの活用
3.3 データの特性値(代表値、ばらつき)
3.3.1 データの代表値
3.3.2 データのばらつき
3.4 標準化と標準得点
3.5 散布図、共分散
3.6 相関係数と回帰直線
3.6.1 マーコヴィッツのポートフォリオ理論
3.7 回帰直線
3.7.1 ガウスの最小二乗法
3.7.2 アンスコムの回帰直線
3.7.3 OECD データの再考
第4章 確率的な現象の扱い
4.1 確率的な現象と確率変数(離散型・連続型)
4.2 確率変数の期待値(平均) と分散
4.3 確率分布
4.3.1 ベルヌーイ分布
4.3.2 二項分布
4.3.3 ポアソン分布
4.3.4 連続一様分布
4.3.5 正規分布
4.3.6 指数分布
4.4 同時分布と周辺分布、独立性
4.4.1 離散型確率分布の同時確率
4.4.2 同時確率分布と共分散、相関係数
4.5 2次元正規分布
4.6 大数の法則、中心極限定理
4.6.1 大数の法則
4.6.2 中心極限定理
4.6.3 視聴率調査における誤差
第5章 統計的な話題
5.1 シンプソンのパラドックス
5.2 無作為化回答法
関連シリーズ
-
応用基礎としてのデータサイエンス
-
コンピュータとネットワーク
-
イラストで学ぶ ヒューマンインタフェース
-
教養としてのデータサイエンス
-
ことばの意味を計算するしくみ
-
データサイエンスはじめの一歩
-
転移学習
-
アジャイルデータモデリング
-
詳解 3次元点群処理
-
入門講義 量子コンピュータ
-
現場で活用するための機械学習エンジニアリング
-
Juliaで作って学ぶベイズ統計学
-
はじめての機械学習
-
ディープラーニング 学習する機械
-
これならわかる機械学習入門
-
Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析
-
絵でわかるネットワーク
-
絵でわかるサイバーセキュリティ
-
Pythonで学ぶ強化学習
-
統計モデルと推測
-
スタンフォード ベクトル・行列からはじめる最適化数学
-
イラストで学ぶディープラーニング
-
テキスト・画像・音声データ分析
-
データサイエンスのためのデータベース
-
ベイズ深層学習
-
コンパクトデータ構造
-
しっかり学ぶ数理最適化
-
Raspberry Piではじめる機械学習
-
マスターアルゴリズム 世界を再構築する「究極の機械学習」
-
今度こそわかる量子コンピューター
-
絵でわかるスーパーコンピュータ
-
ベイズ推論による機械学習入門
-
これならわかる深層学習入門
-
情報メディア論
-
イラストで学ぶ 音声認識
-
イラストで学ぶ 機械学習 最小二乗法による識別モデル学習