Pythonによる予測分析

本書は，データ分析，特にデータの「予測」を中心に取り扱う予測分析に焦点を当てている。数多く存在するデータ分析に関する書籍の中でも本書がユニークな点は，アルゴリズムや技法の説明に終始するのではなく，現実世界において予測分析をおこなう過程そのものについて詳説する構成にある。具体的には，予測分析を用いてビジネス課題を解いていく全ての過程（ビジネス課題の発見・理解から予測モデルのデプロイまで）において，Pythonとそのエコシステムをいかに適用できるのかを実際の例を通して解説している。 ビジネスの実務とデータ分析の書籍で学べる方法論の間には未だに大きなギャップがあるが，本書が提供する一貫した実践的な観点とプロセス全体を見通す俯瞰的な視点は，そのギャップを埋め，読者をデータ分析の実践的なステージへと導くだろう。 [原著：Hands-On Predictive Analytics with Python: Master the complete predictive analytics process, from problem definition to model deployment, 2020] 第1章　予測分析プロセス 1.1　実行環境 1.2　予測分析とは何か 1.3　予測分析の重要な概念の復習 1.4　予測分析プロセス 1.5　Pythonデータサイエンススタックへのクイックツアー 1.6　まとめ 参考文献 第2章　問題理解とデータ準備 2.1　実行環境 2.2　ビジネス上の問題理解とソリューションの提案 2.3　事例1：ダイヤモンドの価格問題 2.4　事例2：クレジットカードのデフォルト問題 2.5　まとめ 参考文献 第3章　データセットの理解ー探索的データ解析ー 3.1　実行環境 3.2　EDAとは 3.4　2変量EDA 3.5　グラフィカル多変量EDAへの手引き 3.6　まとめ 参考文献 第4章　機械学習による数値変数の予測 4.1　実行環境 4.2　機械学習へのイントロダクション 4.3　モデリング前の実用的な検討事項 4.4　重回帰分析（MLR:MultipleLinearRegression） 4.5　Lasso回帰 4.6　kNN 4.7　トレーニング誤差と汎化誤差 4.8　まとめ 参考文献 第5章　機械学習によるカテゴリの予測 5.1　実行環境 5.2　分類タスク 5.3　クレジットカードのデフォルトデータセット 5.4　ロジスティック回帰 5.5　分類木 5.6　ランダムフォレスト 5.7　トレーニング誤差と汎化誤差 5.8　多クラス分類 5.9　ナイーブベイズ分類器 5.10　まとめ 参考文献 第6章　予測分析のためのニューラルネットワークの紹介 6.1　実行環境 6.2　ニューラルネットワークモデルの紹介 6.3　TensorFlowとKerasの紹介 6.4　ニューラルネットワークによる回帰 6.5　ニューラルネットワークによる分類 6.6　ニューラルネットワークの魔術的な世界 6.7　まとめ 参考文献 第7章　モデル評価 7.1　実行環境 7.2　回帰モデルの評価 7.3　分類モデルの評価 7.4　k-分割交差検証 7.5　まとめ 参考文献 第8章　モデルのチューニングとパフォーマンスの向上 8.1　実行環境 8.2　ハイパーパラメータチューニング 8.3　パフォーマンスの向上 8.4　まとめ 第9章　Dashを用いたモデルの実装 9.1　実行環境 9.2　モデルのコミュニケーション/デプロイ段階 9.3　Dashの紹介 9.4　予測モデルをWebアプリケーションとして実装する 9.5　まとめ 参考文献 索引