| 書誌種別 |
図書 |
| タイトル |
Python,Rで学ぶデータサイエンス |
| シリーズ名 |
DIGITAL FOREST |
| タイトルヨミ |
パイソン アール デ マナブ データ サイエンス |
| シリーズ名ヨミ |
ディジタル フォレスト |
| 人名 |
Chantal D.Larose／著
Daniel T.Larose／著
阿部 真人／訳
西村 晃治／訳
|
| 人名ヨミ |
Chantal D Larose Daniel T Larose アベ マサト ニシムラ コウジ |
| 人名ヨミ |
|
| 出版者・発行者 |
東京化学同人
|
| 出版者・発行者等ヨミ |
トウキョウ カガク ドウジン |
| 出版地・発行地 |
東京 |
| 出版・発行年月 |
2020.11 |
| ページ数または枚数・巻数 |
17,242p |
| 大きさ |
21cm |
| 価格 |
￥２４００ |
| ISBN |
978-4-8079-0995-7 |
| ISBN |
4-8079-0995-7 |
| 注記 |
原タイトル:Data science using Python and R |
| 分類記号 |
007.609
|
| 件名 |
データマイニング
／
プログラミング(コンピュータ)
|
| 内容紹介 |
データに触れ、可視化し、予測モデルを構築し、性能を評価するというデータサイエンスに必要な一通りの流れを学べるテキスト。データ分析の実践的な問題を多数収載し、PythonとRの両方で分析コードを紹介する。 |
| 言語区分 |
JPN |
| タイトルコード |
1009812445870 |
| 目次 |
1.イントロダクション |
|
1・1 なぜデータサイエンスが必要なのか／1・2 データサイエンスとは何か／1・3 データサイエンスの方法論／1・4 データサイエンスのタスク／練習問題 |
|
2.PythonとRの基礎 |
|
2・1 Pythonのダウンロード／2・2 Pythonプログラミングの基礎／2・3 RとRStudioのダウンロード／2・4 Rプログラミングの基礎／参考資料／練習問題 |
|
3.データ準備 |
|
3・1 銀行マーケティングデータセット／3・2 分析課題を設定する／3・3 データの準備／3・4 インデックスの付与／3・5 モデルに悪影響をもたらす変数値の変換／3・6 カテゴリ変数から数値変数への変換／3・7 数値変数の正規化／3・8 外れ値の特定／参考資料／練習問題 |
|
4.探索的データ解析 |
|
4・1 探索的データ解析(EDA)と仮説検定／4・2 複合棒グラフと目的変数／4・3 分割表／4・4 複合ヒストグラム／4・5 説明変数のビン化／参考資料／練習問題 |
|
5.モデル構築下準備 |
|
5・1 第4章までのおさらい／5・2 データ分割／5・3 データ分割の評価／5・4 学習用データセットの均衡化／5・5 モデル性能のベースラインの策定／参考資料／練習問題 |
|
6.決定木 |
|
6・1 イントロダクション／6・2 CARTアルゴリズム／6・3 C5.0アルゴリズム／6・4 ランダムフォレスト／参考資料／練習問題 |
|
7.モデルの評価 |
|
7・1 イントロダクション／7・2 分類モデルの評価指標／7・3 感度と特異度／7・4 適合率,再現率,Fβ値／7・5 モデル評価手法／7・6 モデル評価の適用例／7・7 不均等な損失の考慮／7・8 不均等な損失の有無によるモデル比較／7・9 データドリブンな損失の定義／練習問題 |
|
8.単純ベイズ分類器 |
|
8・1 単純ベイズの紹介／8・2 ベイズの定理／8・3 最大事後確率／8・4 条件付き独立／8・5 単純ベイズ分類器の適用例／参考資料／練習問題 |
|
9.ニューラルネットワーク |
|
9・1 ニューラルネットワーク入門／9・2 ニューラルネットワークの構造／9・3 結合の重みと組合わせのための関数／9・4 シグモイド型の活性化関数／9・5 誤差逆伝播法／9・6 ニューラルネットワークの適用例／9・7 ニューラルネットワークにおける重みの解釈／9・8 Rでのニューラルネットワークの使い方／練習問題 |
|
10.クラスタリング |
|
10・1 クラスタリングとは何か?／10・2 k‐meansクラスタリングアルゴリズム入門／10・3 k‐meansクラスタリングの適用／10・4 クラスターの検証／10・5 Pythonによるk‐meansクラスタリングの実行方法／10・6 Rによるk‐meansクラスタリングの実行方法／練習問題 |
|
11.回帰モデル |
|
11・1 推定タスク／11・2 記述的回帰モデル／11・3 多変量回帰モデルの応用例／11・4 Pythonを用いた重回帰／11・5 Rを用いた重回帰／11・6 推定に対するモデルの評価／11・7 ステップワイズ回帰／11・8 回帰のベースとなるモデル／参考資料／練習問題 |
|
12.次元削減 |
|
12・1 次元削減の必要性／12・2 多重共線性／12・3 分散拡大係数を用いた多重共線性の確認／12・4 主成分分析／12・5 主成分分析の応用／12・6 何個の成分まで取り出すか／12・7 k=4でPCAを実行する／12・8 主成分の検証／12・9 Pythonを用いた主成分分析の実行法／12・10 Rを用いた主成分分析の実行法／12・11 多重共線性が問題にならないとき／参考資料／練習問題 |
|
13.一般化線形モデル |
|
13・1 一般化線形モデルの概要／13・2 一般化線形モデルとしての線形回帰／13・3 一般化線形モデルとしてのロジスティック回帰／13・4 ロジスティック回帰の例／13・5 ポアソン回帰／13・6 ポアソン回帰の例／参考資料／練習問題 |
|
14.アソシエーションルール |
|
14・1 イントロダクション／14・2 アソシエーションルールの簡単な抽出例／14・3 支持度,信頼度,リフト値／14・4 アソシエーションルールの抽出／14・5 指標の確認／14・6 信頼度差分基準／14・7 信頼度比率基準／参考資料／練習問題 |
|
付録:データの要約と可視化 |
|
A・1 要約1:データ分析のブロックの構築／A・2 可視化:データを要約および整理するためのグラフと表／A・3 要約2:中心,ばらつき,位置の尺度／A・4 2変量の関係の要約と可視化 |
