Webサービス制作のための技術情報を。データ分析（Python、機械学習コンペ他）や自作野球ゲームMeisyoのこと中心。
統計学、機械学習に関することあれこれ
何度でも言いたいことですが、データ分析をするための技術はSQLが一番良いです。
PythonやRよりも制限が少なく、ビッグデータを扱えるのはSQLです。
分析に触れる第一歩としてこの本はいかがでしょうか？
青木峰郎
データ分析にはPythonやRという論調が多いですが、データサイエンス実務ではSQLの出番の方が多いのではないでしょうか。
テラバイト級データはSQLでは対応可能ですが、Pythonだけで分析をすることは困難です。
SQLでは技術的には様々な分析ができます。
本書では多種多様な分析の方法論を、実際に架空データを使いながら分析することでスキルの定着を図ります。
パソコンの操作
SQL, PostgreSQL, select, where, order_by, group_by, join, window関数, DWH, バッチ処理
その他の教材紹介ページはこちら → Skill Stacks
ビジネスサイド（経営・営業・人事やエンジニアリングマネージャーなど）のあなたが1冊でデータサイエンスの概要を理解したい。
そんな時にはこの1冊でOK、分からない単語が出てくれば辞書としても使えるこの一冊をおすすめしたいです！
Foster Provost, Tom Fawcett
データサイエンスの概要書。
データサイエンティストから見ても、この1冊でデータサイエンスの概要は全て記載されているのではと思う400ページ超えの一冊。
読み返しながら少しずつ理解していくために、手元にあって損はないだろう。
索引もついており辞書として使うことが可能。
なし
* 教科書的な本のため、一見すると難解な内容が存在する。図解はある程度存在するが、サッと読める本ではない。
ビジネスデータ分析, データマイニング, プロセス, 評価, 管理, 予測モデリング, 学習, オーバーフィッティング, 類似度, エビデンス, 性能可視化, テキストマイニング, ビジネス事例, ビジネス戦略, 提案レビューのガイド, 提案例
その他の教材紹介ページはこちら → Skill Stacks
データは揃った。ただ、どんな分析をすればいいのかわからない。そんな人に向けて、データのパターン別に分析方法をレクチャーする本を紹介します。
石村貞夫・石村光資郎
この本を利用して、統計処理はコンピュータに任せ、われわれは研究や調査に集中しましょう！と銘打って作成された本書。
元々は統計学者ではない研究者向けに書かれた本ではあるが、マーケターや販売管理者、初めて分析を行う初学者であれば本書は役に立ちます。
なし
記述統計量, 単変量解析, 多群分析, 多変量解析, 対応ある多群の分析, 相関, 多元配置分析, 時系列分析, アンケート分析
その他の教材紹介ページはこちら → Skill Stacks
自然言語処理の応用モデルであるBERTを今すぐに使いたい、機械学習の概要を知っている担当者レベルに向けた書籍を紹介します。
ストックマーク株式会社
近江崇宏、金田健太郎、森長誠、江間見亜利
自然言語処理で難易度の高いタスクがあり、BERTを使うことでどうにかしたいという担当者向けの技術的な書籍です。
機械学習や自然言語処理の説明はそこそこに、BERTを自分で使えるようにするために色々なレクチャーが行われます。
基本的な機械学習の知識（データ準備→学習→検証等）
Python, Pytorch, BertModel, Tokenizer, 事前学習, ファインチューニング, 文章の穴埋め, 文章分類, 固有表現抽出, 類似文章分類
その他の教材紹介ページはこちら → Skill Stacks
本当にそのモデルでいいんですか？
データ分析を活用する数理モデルにはいろいろな種類があります。ただ、問題設定に合わないモデルが設定されていることがままあります。今回紹介する書籍では、体系的に数理モデル全般を俯瞰しています。
江崎貴裕
本当にそのモデルでいいんですか？本書の帯にも記載されていますが、データ分析中のモデルの選択が非常に難しいです。データがどのようにして生まれるのか、多くの場合は考えずにモデルが適用（特に機械学習）されている現状です。正しい意思決定を行うためにも正しいモデリングが必要で、データの流れを正しく考慮するためにこの本で学びたいですね。
数理モデル, 理解指向型モデル, 応用指向型モデル, 線形モデル, 微分方程式モデル, 確率モデル, 統計モデル, 時系列モデル, 機械学習モデル, 強化学習モデル, 多体系モデル, エージェントベースモデル, モデル設計, パラメータ推定, モデル評価
その他の教材紹介ページはこちら → Skill Stacks
「データ分析の初心者はこれを読むべし」と思う本です。なぜなら、データの解釈・観測をはじめデータサイエンスは難しい事柄が多く、かつビジネスで分析をする際に、初心者をはじめ分析者全員が陥りやすい罠があるからです。今回は、それらの落とし穴を正しく考慮するための理解しやすい書籍を紹介します。
江崎貴裕
データサイエンスは難しいです。特に、簡単に思われがちなデータの観測、収集、抽出、操作について説明されている書籍は多くはありません。その時点でその分析は無価値・・・というより、有害になりえます。
今回の書籍はそれらの基礎的知識をはじめ、分析とは何なのか、どう再現性（科学的姿勢）を担保していくのかを解説しています。
なし
測定, 誤差の分解, バイアス, 交絡因子, 因果関係, サンプリング, 記述統計量, 分布, 多変量データ, 信頼性, 再現性
その他の教材紹介ページはこちら → Skill Stacks
ビジネスの因果構造をデータから理解することができれば、マーケティングやセールスで何を試みれば売上や利益が上がるのかがわかります。データから因果構造を推定できる、統計的因果探索の1手法LiNGAMの書籍を紹介します。
清水昌平
統計的因果推論の1つ、統計的因果探索は因果効果が未知の場合を分析の対象にしており、因果構造がわかっていないデータに適用されます。そのため、色々な困難な問題があり、多くの前提を置いて分析を試みます。その1手法であるLiNGAM（Linear non-Gaussian acyclic model）のアルゴリズムを学ぶことができます。
構造方程式, 反事実, 構造的因果モデル, ランダム化実験
LiNGAM, アルゴリズム, 独立成分分析, ICA-LiNGAM, 回帰分析, Direct-LiNGAM
本書と一緒に読むことで理解が捗ります。
統計的因果探索LiNGAM 手法解説
その他の教材紹介ページはこちら → Skill Stacks
広告やマーケティング施策のビジネスインパクトの測定はだいたい間違っています。
それを正しく測定するための因果推論に関して、日本語ベースのわかりやすい1冊を紹介します。
安井翔太
現実世界での比較は本来はとても難しいです。
比較が正しくできていないために、正しい因果関係を把握できておらず、間違った意思決定が行われることがままあります。本書では、そういった間違いを正しながら、ビジネスの現場で使える5つの因果推論手法を学ぶことができます。
基礎的な数学の知識（回帰分析が解けるレベル）
R, セレクションバイアス, ランダム化比較試験, 回帰分析（介入効果測定）, 傾向スコア法, 差分の差分法, 回帰不連続デザイン
その他の教材紹介ページはこちら → Skill Stacks
因果を推定することはビジネスにとってもインパクトがあります。
今回は、UCLAで教えられている因果推論の講義をまとめた、因果推論を使うための前知識として非常に重要な1冊を紹介します。
Judea Pearl, Madelyn Glymour, Nicholas P. Jewell
UCLA（カリフォルニア大学ロサンゼルス校）大学院、因果推論の講義をまとめた本書。
統計的因果推論の応用（傾向スコア、差分の差分法等）の理解に必要なグラフィカルモデルや介入・媒介等用語の基礎知識を得ることができます。その他の書籍では当たり前に使われている、本当はよく分かっていないかもしれない統計学・社会学の知識が明記されているため、学び直しには最適です。
数式に驚かない心（内容はよく読めば簡単なことをしている）
難解な文書の読解力（数式の説明（Why?）が読み解けない可能性あり）
確率と統計の基礎, グラフ, 因果構造モデル, d分離性
介入, 調整, 媒介, バックドア基準, フロントドア基準, IPW, 反事実
その他の教材紹介ページはこちら → Skill Stacks
米国大学のコンピューターサイエンスの講義を無料で、かつ日本語で公開されている教材がありましたので共有いたします。
深層学習 DS-GA 1008 · 2020年度春学期 · ニューヨーク大学データ・サイエンス・センター
ニュー欲大学データ・サイエンス・センター
Yann LeCun & Alfredo Canziani
深層学習の最新技術（基礎・応用）について無料で学ぶことができる。
応用技術のベースとして、教師あり・教師なし深層学習、ベクトル埋め込みや距離学習の方法、画像認識で重要な畳み込みニューラルネットワーク（CNN）、時系列処理で重要な再帰型ニューラルネットワーク（RNN）、近年の自然言語処理の躍進を支えてきたAttentionなどを学ぶ。応用技術として、画像認識、BERTをはじめとした自然言語処理、グラフ構造ネットワークを予測するGCNなどを、理論だけではなくPythonのコードも記載されているため、動かしながら学ぶことができる。
基礎的な機械学習及び数学の知識
・機械学習の流れが分かっていればOK
目的設定 → データ準備 → モデル設定 → 学習 → 検証
・大学教養課程の線形代数や微分
特に偏微分がふんだんに使われる
深層学習, CNN, RNN, GCN, EBM, Attention, BERT, Auto Encoder
その他の教材紹介ページはこちら → Skill Stacks
