書誌事項 Rで学ぶデータサイエンス 金明哲編集 共立出版, 2009- タイトル読み R デ マナブ データ サイエンス この図書・雑誌をさがす 関連文献: 20件中 1-20を表示 1 ネットワーク分析 鈴木努著 共立出版 2017. 5 第2版 Rで学ぶデータサイエンス / 金明哲編集 8 所蔵館177館 2 経営と信用リスクのデータ科学 董彦文著 2015. 6 19 所蔵館158館 3 マーケティング・モデル 里村卓也著 2015. 4 13 所蔵館133館 4 マシンラーニング 辻谷將明, 竹澤邦夫著 2015. 2 6 所蔵館161館 5 樹木構造接近法 下川敏雄, 杉本知之, 後藤昌司著 2013. 10 9 所蔵館200館 統計データの視覚化 山本義郎, 飯塚誠也, 藤野友和著 2013. 5 12 所蔵館285館 7 計量政治分析 飯田健著 2013. 4 14 所蔵館206館 シミュレーションで理解する回帰分析 竹澤邦夫著 2012. 10 20 所蔵館250館 一般化線形モデル 粕谷英一著 2012. 7 10 所蔵館315館 ブートストラップ入門 汪金芳, 桜井裕仁著 2011. 12 所蔵館275館 11 デジタル画像処理 勝木健雄, 蓬来祐一郎著 2011. 11 所蔵館264館 社会調査データ解析 鄭躍軍, 金明哲著 2011. Rで学ぶデータサイエンス マシンラーニング. 9 17 所蔵館279館 2010. 12 所蔵館203館 地理空間データ分析 谷村晋著 2010. 7 所蔵館330館 15 ベイズ統計データ解析 姜興起著 所蔵館342館 16 カテゴリカルデータ解析 藤井良宜著 2010. 4 所蔵館349館 パターン認識 金森敬文, 竹之内高志, 村田昇著 2009. 10 所蔵館320館 18 2009. 9 所蔵館311館 多次元データ解析法 中村永友著 2009. 8 所蔵館357館 2009. 6 所蔵館292館
書籍の概要 この本の概要 本書は野村総合研究所のシステムコンサルティング事業本部で実施している「アナリティクス研修」をベースにした書籍で,「統計的なモデリングとは何か?」「モデルに基づく要因の分析と予測の違いとは?」「具体的なモデルの作り方」「結果を解釈する際の落とし穴の見分け方」など,ビジネスの現場感を重視した構成です。実務で遭遇するデータ品質や加工のポイント,さらにRとPythonを利用し,データからモデルを作成して結果を得るという基本的な手順を体験できます。これからデータ分析や統計解析,機械学習を学び,現場でそれらを活用したい方に最短学習コースでお届けします。 こんな方におすすめ データ分析・統計解析や機械学習について知りたい方 データサイエンティストになりたい方 目次 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. 2 データサイエンスの定義とその歴史 1. 3 データサイエンスにおけるモデリング 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 データサイエンスの実践に必要なツール 1. 3 データサイエンスの実践に必要なスキル 1. 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 RとPythonの比較 2. 2 R入門 2. 1 Rの概要 2. 2 Rの文法 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. これからデータサイエンスを始めるならR言語はやめておこう|BigData tools. 2 Pythonの文法 2. 3 Pythonでのプログラミング 2. 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 分布の形を捉える ─ ビジュアルでの確認 3. 2 要約統計量を算出する ─ 代表値とばらつき 3. 3 関連性を把握する ─ 相関係数の使い方と意味 3. 4 Rを使った相関分析 ─ 自治体のデータを使った例 3. 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. 1 目的変数と説明変数 ─ 説明と予測の「向き」 3.
5 生成モデル 著者プロフィール 有賀友紀(ありがゆき) 株式会社野村総合研究所にて,企業のIT活用動向に関わる調査・研究に携わる。大学での専攻(心理学)で定量分析を扱った経験から,データの適切な活用と課題解決が定着するよう施策検討を行っている。データサイエンスに関する社内研修の企画・コンテンツ作成と講師も手掛ける。修士(人間科学)。 大橋俊介(おおはししゅんすけ) 修士(工学)を取得後に株式会社野村総合研究所入社。入社後はサプライチェーン領域でデータを活用したコンサルティングをきっかけにデータサイエンス業務に従事する。現在は,幅広い業種・業務領域において機械学習や混合整数計画などの最適化を用いた業務の効率化・高度化を実施。 この本に関連する書籍 Kaggleで勝つデータ分析の技術 データサイエンスの認知の高まりとともに,データ分析に関するコンペティションが多数開催されるようになってきました。最も有名なコンペティションプラットフォームで...
2 簡単な線形回帰モデル ─ Rによる実行と結果 3. 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. 4 複雑な線形回帰モデル ─ 交互作用,モデル間の比較 3. 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. 1 モデルを評価するための観点 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 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. 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. 5 残差の分布 ─ 線形回帰モデルと診断プロット 3. 6 説明変数同士の相関 ─ 多重共線性 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 データの準備と加工 4. 2 分析とモデリングの手法 4. 2 データの加工 4. 1 データのクレンジング 4. 2 カテゴリ変数の加工 4. 3 数値変数の加工とスケーリング 4. 4 分布の形を変える ─ 対数変換とロジット変換 4. 5 欠損値の処理 4. 6 外れ値の処理 4. 3 モデリングの手法 4. 1 グループに分ける ─ クラスタリング 4. 2 指標を集約する ─ 因子分析と主成分分析 4. 3 一般化線形モデル 4. 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. Amazon.co.jp: Python,Rで学ぶデータサイエンス : Chantal D. Larose, Daniel T. Larose, 阿部 真人, 西村 晃治: Japanese Books. 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. 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. 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 機械学習の基本 5. 2 機械学習の手順 5. 3 データの準備に関わる問題 5. 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. 1 機械学習ライブラリの活用 ─ scikit-learn 5. 2 機械学習アルゴリズムの例 ─ ランダムフォレスト 5. 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. 4 機械学習の実行例 5. 3 ディープラーニング 5. 1 ニューラルネットワーク 5. 2 ディープラーニングを支える技術 5. 3 ディープラーニング・フレームワーク 5. 4 ディープラーニングの実行 5.
しかも、鉄道オタクが内定し、仮に鉄道事業に配属になったとしましょう。趣味と同じ仕事ができて幸せかもしれませんが、鉄道オタクからは評価の高い車両をスクラップする、人気の高いローカル線を廃止する、利用頻度の高い割引きっぷを廃止する、なども仕事となる可能性があります。そうした厳しい決断を下せるでしょうか? もちろん、その企業の製品やサービスが好きであることは悪いことではありません。 ただ、そこから、ビジネスのできる人材だろう、と企業が考えないと採用されません。そのあたりが鉄道オタクであれ、他のオタクであれ、趣味に通じる企業からすれば敬遠する傾向があります。 オタク趣味だからと言って、落ちるわけではないですが、こうした事情を理解していれば就活で苦戦しなくても済むはずです。(石渡嶺司)
佐藤 :商社パーソンの基本は、安く売られているものを見つけて買い、それを高く売ってもうけることです。今、商社は大人気で 「ストップ高」 のような状態。 既に高値になっている、つまり成長のほぼ終盤に来ている会社を選ぼうと考えること自体、商人あるいは事業投資家としてはセンスがないことだと思いませんか? 学生時代に頑張ったことがない人向けのガクチカの書き方 | OfferBox(オファーボックス) | オファーが届く逆求人型就活サイト. ──冒頭からなかなか手厳しいご意見です。今は「センスがない人」が商社に集まっているということですか。 佐藤 :そんなことはないと思いますが、ぶっちゃけ「アンテナが低くて、頭がいい人」というのが、今の商社パーソンのボリュームゾーンでしょう。 出来上がったシステムをうまく運用しながら、延々と持久走ができる人というイメージです。逆に事業をゼロから作れる人は、商社にほぼいないと思います。 プライドが高い商社の人たちは認めないと思いますが。 ──そうなんですか? 事業投資なども行っていますし、起業との親和性が高いと思っている学生は少なくないと思います。 佐藤 : 6を9にすることは得意だけれど、1から5にするのはそれほど得意ではないし、 ゼロから何かを作るという経験を持っている人はほとんどいないという印象です。 私よりもっと前の時代の人、それこそ、総合商社にまだベンチャーマインドが残っていた頃の人は0からやった経験をたくさん持っていると思うのですが、今いる人には、その機会も戦闘能力も残っていないんじゃないでしょうか。 ──昔はあったのに、なぜ0から作る能力がなくなってしまったんですか? 佐藤 :商社が扱っているものが変わったからだと思います。例えば、資源ビジネスで大きな金額を稼げるようになってしまったことで、 コンシューマービジネスやスタートアップに近い、0から1の立ち上げリスクを取るメリットが相対的に薄れてしまった……みたいな話です。 ──では0→1をやりたいと思っている人に、商社は向かない? 佐藤 :怒られることを覚悟で言いますが、 ほとんどの商社パーソンにとってベンチャーをゼロから立ち上げるのは難しいと思います。 なぜなら、彼らにはプロダクトを作った経験もなければ、ゼロから泥臭い営業をして数字を追いかけた経験もないからです。 ──起業だけでなく、商社パーソンにはベンチャーを経営する能力もないと思いますか。 佐藤 :すでに規模が大きくなっている海外企業が、日本展開をする場合のカントリーマネージャーなどには向いているかもしれません。 リソースがある程度潤沢にあった状態で、物事を回す経験は積んでいると思いますから。 やりたいことを「全て」やらせてもらえた商社には、感謝しかない ──なるほど。確かに「今」選ぶ理由としては、商社は弱くなっているのかもしれません。とはいえ、佐藤さん自身、新卒で三井物産に入社されていますよね。それはなぜですか?
3年生はサークルに元々加入していた人たちが引退する年なので、入れないことはありませんが、よくわからなくなっています。 3年生まで来ると、もうコミュニティとしての形も完全に出来上がっているので、 とても入りづらい です。 インカレサークルなら入れる インカレサークルであれば3年生からでも加入できますし、友達を作ることも可能です。 しかし、かなり浅い関係しか作れないので、求めているような楽しさはないかもしれません。 一瞬一瞬はとても楽しいかもしれませんが、 長く続く関係を作ることはほとんど出来ない ので、インカレサークルに3年生から入る際は考慮すると良いでしょう。 サークルに途中から入るときのまとめ サークルに途中から入る時のポイントや注意点についてまとめました。 途中から加入すること自体は可能ですし、仲良くすることもできるので、ぜひ諦めずにサークルに加入することを考えてみてください、
佐藤 :三井物産の経営に携わってみたい……と考えたこともあります。ただ、そこにたどり着くにはさらに20年以上かかります。そこまでは待てないと考えました。 総合商社はバケモノ。その有機体の血肉となるか、新たな生命体を生み出すか ──例えば、佐藤さんの今の経営者としての経験を生かして、「もう一度商社で働いてみないか?」と誘われても戻ることはないですか?