内容紹介
Pythonの基礎を学びながらデータ解析の実践技術が身につく！
本書は『Pythonによる統計分析入門』の多変量解析編に相当するものですが、前著のより発展的な内容として、ネットワーク解析まで扱っています。Pythonの基本を学びながら、より実践で活用できるデータ解析を習得できます。Pythonの解析ライブラリを使った独習書として、多次元データの解析、アソシエーション分析、ネットワーク解析などを丁寧に解説し、実務的な課題にも応用できるようになっています。
このような方におすすめ
○顧客ニーズの調査やリサーチを行うマーケティング担当者など、データ解析の基本を知って業務に活かしたい人
○データに基づいて意思決定をしたい経営者
○データを扱う情報工学科などの学生
○データサイエンティストを目指す人
○Pythonユーザー
目次
主要目次
第 1 章 データ解析の基礎知識
第 2 章 Pythonとデータ解析ライブラリ
第 3 章 統計的な手法を使った多変量の分析 ～ 相関分析・回帰分析・主成分分析・因子分析
第 4 章 学習の手法を使った多変量の分析 ～ クラスタ解析・k-近傍・決定木・SVM
第 5 章 アソシエーション分析
第 6 章 時系列データの解析
第 7 章 ネットワークの解析
詳細目次
第 1 章 データ解析の基礎知識
1.1 データ解析とは
1.2 いろいろな量・データの種類
1.3 分析手法の概観
第 2 章 Pythonとデータ解析ライブラリ
2.1 Pythonの紹介
2.2 動かす環境・Jupyter Notebook
2.3 データ解析パッケージ NumPy と pandas
2.4 可視化のための描画パッケージ Matplotlib
2.5 データアクセス
2.6 欠損データの取り扱い
第 3 章 統計的な手法を使った多変量の分析 ～ 相関分析・回帰分析・主成分分析・因子分析
3.1 相関分析と回帰分析
3.2 カテゴリデータの連関分析
3.3 主成分分析
3.4 因子分析
3.5 コレスポンデンス分析
第 4 章 学習の手法を使った多変量の分析 ～ クラスタ解析・k-近傍・決定木・SVM
4.1 クラスタリングの考え方
4.2 階層型クラスタリング
4.3 k-means法による非階層型クラスタリング
4.4 EMアルゴリズムによる混合ガウス分布の推定
4.5 k-近傍法による分類学習
4.6 決定木学習による分類学習
4.7 サポートベクターマシン (SVM) による分類学習
第 5 章 アソシエーション分析
5.1 アソシエーション分析
5.2 Pythonでのアソシエーション分析
5.3 アソシエーション分析の例
第 6 章 時系列データの解析
6.1 時系列データの解析
6.2 自己回帰移動平均 (ARMA) モデル
第 7 章 ネットワークの解析
7.1 ネットワーク解析の考え方
7.2 基礎的な指標 ～ 経路長・次数・推移性・構造
7.3 中心性・ネットワーク構造・類似性
続きを見る