目次
第I部入門編1
第1 章Python プログラミング入門
1 – 1 Colab とは
1 – 2 生成AI を使わず写経と改変で身につける学習方針
1 – 3 エラーメッセージとの向き合い方
1 – 4 データとデータ型の基本
1 – 5 Python の関数
1 – 6 組み込み関数
1 – 7 算術演算子
1 – 8 Python のモジュールと関数
1 – 9 ライブラリとモジュール
1 – 10 特定のモジュールや関数だけを取り込む方法
第2 章Python で学ぶ高校数学
2 – 1 組み合わせnCr
2 – 2 順列nPr
2 – 3 階乗n!
2 – 4 式の展開
2 – 5 因数分解
2 – 6 素因数分解
2 – 7 方程式を解く
2 – 8 微分
2 – 9 積分
第3 章Python で学ぶ様々な関数
3 – 1 関数とは
3 – 2 パラメータ
3 – 3 関数のパラメータの値を求める
3 – 4 関数のパラメータの値を推定する
3 – 5 SymPy のplot() 関数
3 – 6 多項式関数：1 次関数
3 – 7 多項式関数：2 次関数
3 – 8 多項式関数：3 次関数以上
3 – 9 三角関数
3 – 10 指数関数
3 – 11 対数関数
3 – 12 分数関数
3 – 13 無理関数
3 – 14 絶対値を含む関数
3 – 15 活性化関数とは
3 – 16 ステップ関数
3 – 17 シグモイド関数
3 – 18 tanh（ハイパボリックタンジェント）関数
3 – 19 ReLU 関数
第4 章確率の基礎
4 – 1 確率
4 – 2 確率変数
4 – 3 離散型確率変数と連続型確率変数
4 – 4 確率分布
4 – 5 離散型確率分布のグラフ
4 – 6 連続型確率分布のグラフ
4 – 7 確率分布の性質
4 – 8 確率分布を関数で表す
4 – 9 離散型確率分布と確率質量関数
4 – 10 確率関数を用いて確率を求める
4 – 11 確率分布のパラメータの値を推定する
第5 章離散型確率分布
5 – 1 離散型一様分布
5 – 2 ベルヌーイ分布Ber(p)
5 – 3 二項分布Bin(n, p)
5 – 4 ポアソン分布Po(λ)
5 – 5 幾何分布Geo(p)
第6 章連続型確率分布
6 – 1 確率密度関数
6 – 2 累積分布関数
6 – 3 パーセント点関数
6 – 4 正規分布N(μ, σ2)
6 – 5 標準正規分布N(0, 1)
第II 部Python で学ぶ確率・統計
第7 章Python で求める基本統計量
7 – 1 データの個数
7 – 2 最小値と最大値
7 – 3 総和
7 – 4 平均値
7 – 5 中央値
7 – 6 最頻値
7 – 7 分散と標準偏差
7 – 8 変量の標準化
7 – 9 【番外編】偏差値
第8 章データハンドリング
8 – 1 データフレーム
8 – 2 データ書き出し
8 – 3 CSV データ読み込み
8 – 4 データの確認
8 – 5 データの行数・列数の確認
8 – 6 統計量の確認
8 – 7 特定の列を抽出
8 – 8 欠損値の確認
8 – 9 欠損値の置換（fillna）
8 – 10 データフレームの結合（concat）
8 – 11 データフレームの結合（merge）
8 – 12 データの並び替え
8 – 13 ユニーク（一意）な値を抽出
8 – 14 条件に一致するデータを抽出（query）
8 – 15 グループごとに集計（groupby）
第9 章Python でデータを可視化
9 – 1 Matplotlib とPlotly
9 – 2 japanize_matplotlib による日本語表示
9 – 3 折れ線グラフ
9 – 4 棒グラフ
9 – 5 円グラフ
9 – 6 箱ひげ図
9 – 7 ヒストグラム
9 – 8 散布図
9 – 9 【番外編】コロプレスマップ
第10 章Python で離散型確率分布を可視化
10 – 1 離散型一様分布
10 – 2 ベルヌーイ分布Ber(p)
10 – 3 二項分布Bin(n, p)
10 – 4 ポアソン分布Po(λ)
10 – 5 幾何分布Geo(p)
第11 章Python で確率質量関数から確率を求める
11 – 1 ベルヌーイ分布Ber(p)
11 – 2 二項分布Bin(n, p)
11 – 3 ポアソン分布Po(λ)
11 – 4 幾何分布Geo(p)
第12 章Python で連続型確率分布を可視化
12 – 1 正規分布N(μ, σ2) の確率密度関数
12 – 2 正規分布N(μ, σ2) の累積分布関数
12 – 3 正規分布N(μ, σ2) のパーセント点関数
12 – 4 標準正規分布N(0, 1) の確率密度関数
12 – 5 標準正規分布N(0, 1) の累積分布関数
12 – 6 標準正規分布N(0, 1) のパーセント点関数
第13 章Python で連続型確率分布を活用
13 – 1 累積分布関数から確率を求める
13 – 2 パーセント点関数からパーセント点を求める
第14 章Python で確率分布に従うデータを生成
14 – 1 離散型一様分布
14 – 2 ベルヌーイ分布Ber(p)
14 – 3 二項分布Bin(n, p)
14 – 4 正規分布N(μ, σ2)
14 – 5 標準正規分布N(0, 1)
第III 部発展編
第15 章信号の統計モデル
15 – 1 なぜ統計か
15 – 2 二値信号の性質
15 – 3 ガウス雑音のある信号
15 – 4 幾何分布、指数分布、ポアソン分布
第16 章最尤推定とベイズ推定
16 – 1 データのパラメータ推定
16 – 2 最尤推定
16 – 3 最小二乗法
16 – 4 ベイズ推定
16 – 5 最大事後確率(MAP) 推定
16 – 6 ベイズ推定の事前分布
第17 章統計的学習理論
17 – 1 確率的近似(PAC) 学習
17 – 2 Vapnik-Chervonenkis (VC) 次元
17 – 3 サポートベクトルマシン(SVM)
17 – 4 カーネル法
17 – 5 SVM の改良版
17 – 6 SVM の応用
第18 章SVM の幾何学
18 – 1 ν-SVM とその双対問題
18 – 2 ν-SVM の幾何学
18 – 3 幾何学的性質の利用
第19 章ブースティング
19 – 1 ブースティングの定式化
19 – 2 ブースティングの幾何学
第20 章変数選択
20 – 1 変数選択の必要性
20 – 2 一般化線形モデル
20 – 3 スパース信号処理
20 – 4 SHAP
第21 章時系列の機械学習
21 – 1 生成AI と時系列
21 – 2 再帰による時系列の学習
21 – 3 LSTM (Long Short-Term Memory)
21 – 4 トランスフォーマー
第22 章生成AI を活用した機械学習プログラミング
22 – 1 生成AI を使う前に知っておきたいこと
22 – 2 生成AI にコードを作ってもらう
22 – 3 生成AI にコードを説明してもらう
22 – 4 生成AI と一緒にコードを改善する
22 – 5 自分のデータで試してみよう
22 – 6 生成AI とともに学ぶ力を育てる
付録A（理解度チェック）