Pythonによるはじめての機械学習プログラミング　[現場で必要な基礎知識がわかる]

（概要）
人工知能（AI)・機械学習と言ったバズワードを見ることは多くなりましたが、まだまだデータ解析のハードルは高いと考えられています。特に機械学習の入門書には高度な理論や前提知識を必要とされることも多く、学習する過程で挫折しまうことが多いようです。エンジニアのみなさんにとっては、Pythonの便利なツールを用いてデータに実際にふれて、機械学習の面白さや便利さを体験することも良い学習方法の1つです。 誤解をおそれずに言えば、目の前のデータをどう扱えば役に立つのか？ を理解してからでも理論を学ぶのは遅くはありません。本書では「勉強になった」で終わることなく現場のアプリーケーションを使うための機械学習の基礎を解説します。

（こんな方におすすめ）
・機械学習に興味のあるエンジニア
・これから機械学習を試してみたいエンジニア

（目次）
第1章　Pythonによる機械学習プログラミングの準備
1.1 本書で扱う重要なPythonパッケージ
Pandas
scikit-learn
Flask
Gensim
PyTorch
1.2 本書の読み方
コードおよびコマンドの表示
importの決まりごと
サンプルデータとサンプルコード
1.3 Pythonのセットアップ
本書で用いるPython環境とバージョン
macOSへのPythonのインストール
UbuntuへのPythonのインストール
WindowsへのPythonのインストール
MeCabのインストール
Graphvizのインストール
Pipenvによる仮想環境作成
Pythonを記述する環境
1.4 Visual Studio CodeによるPythonの実行
Visual Studio Codeのインストール
Visual Studio Codeの設定
Visual Studio Code上でのPythonファイルの実行方法
Visual Studio Codeを用いたPythonのデバッグ方法
1.5 JupyterLabの基本
JupyterLabの概要
セットアップ
JupyterLabの画面構成
Notebookの基本的な使い方
第2章　Pandasによる前処理とデータの分析
2.1 前処理とは
データ分析プロセスのフレームワークCRISP-DM
2.2 irisデータの操作
データの読み込み
データへのアクセス
1次元データ：Series
データの型
事例：型の変換
2.3 データフレームへの変換とデータフレームからの変換
データフレームの作り方
CSVファイルへの書き出し
データフレームをリストや辞書型に変換
2.4 データフレームを用いた計算や集計
カテゴリーデータの種類や頻度
ランキング
データの並び替え
基本的な集計
グループごとの集計
複数の集計を計算
2.5 その他のデータ形式の操作
TSV形式のデータ
Excel形式のデータ
htmlのテーブルを読む
メモリに乗らないデータを逐次的に読み込む
2.6 データベースからのデータ取得
データベースとは
SQLite形式のデータを作る
SQLの実行
集計と結合
2.7 Pandasによるデータ分析の例
ライブラリとデータの読み込み
カテゴリカルな列を特定
データの整形1 - 複数回答を異なる列へ展開
データの整形2 - 4種類の回答を3種類にまとめる
データの整形3 - 条件に一致する行を抽出
データの整形4 - 縦方向のデータを横方向のデータに変換
Plotlyによる可視化
1連の前処理を連続して記述するメソッドチェーン
正規化と正則化
外れ値
データのサンプリング
欠損を含むデータの削除
欠損値の補完
第3章　scikit-learnではじめる機械学習
3.1 機械学習に取り組むための準備
機械学習とは
機械学習を使うメリット
機械学習を使うデメリット・・・