第1章　データサイエンス

1.1　データサイエンスとは
1.2　データサイエンスの要素技術
統計学／ベイズ統計／プログラミング言語・ソフトウェア／データベース／多変量解析／パターン認識／機械学習／データの視覚化／データマイニング／テキストマイニング
1.3　AIの時代
AIとIoTの歩み／AIの活用
第1章のポイントと課題


第2章　データと前処理

2.1　ビッグデータとは
2.2　データベースとデータの収集
データベースの種類／リレーショナルデータベース（RDB）
2.3　時系列データ
2.4　基本統計量
2.5　クロス集計
2.6　データの整理・視覚化
度数分布表／ヒストグラム／箱ひげ図／散布図／おもなグラフの特徴
2.7　データの標準化
標準化（正規化）／変数変換／記号データの数値化
2.8　ファジィ
ファジィの考え方／ファジィ集合とメンバーシップ関数
第2章のポイントと課題


第3章　モデル化と最適化

3.1　目的関数と因子
3.2　実験計画法
完全実施型要因計画／部分要因計画
3.3　応答曲面法
3.4　シンプレックス最適化法
シンプレックスとは／正規シンプレックス法／改良シンプレックス法／SMS法／適用の注意点
3.5　カーブフィッティング
3.6　モンテカルロ法
3.7　グリッドリサーチ
第3章のポイントと課題


第4章　パターン認識

4.1　パターン認識とは
4.2　教師なしのパターン認識
主成分分析法／因子分析／クラスター分析
4.3　教師ありのパターン認識
線型学習機械／k-NN法／判別分析／ロジスティック回帰分析／決定木
第4章のポイントと課題


第5章　多変量解析

5.1　多変量解析とは
5.2　相関と回帰
単回帰モデル／回帰の評価尺度
5.3　重回帰分析
重回帰分析とは／モデル構築上の留意点／モデルの評価／重回帰分析の応用
5.4　数量化理論Ｉ類
5.5　主成分回帰分析
5.6　PLS回帰分析
5.7　クロスバリデーション
第5章のポイントと課題


第6章　遺伝的アルゴリズム

6.1　遺伝的アルゴリズムとは
6.2　遺伝的アルゴリズムの基本的操作
選択／交叉／突然変異
6.3　遺伝的アルゴリズムの処理の流れ
6.4　遺伝期アルゴリズムの応用
応用分野／組合せ最適化問題への応用／
6.5　遺伝的アルゴリズムの長所・短所
第6章のポイントと課題


第7章　サポートベクターマシン

7.1　サポートベクターマシン（SVM）とは
7.2　カーネル法
7.3　LIBSVMによる機械学習実行例
ソフトウェアのインストール／SVM の実行例
7.4　SVMの応用例
第7章のポイントと課題


第8章　ニューラルネットワーク

8.1　ニューラルネットワークとは
ニューロン／シグモイド／ニューラルネットワークの分類
8.2　学習方法
バックプロパゲーション／教師信号がない学習
8.3　学習データ
入力変数と前処理／データ数
8.4　ニューラルネットワークの構造と学習
層の数／各層のニューロン数／学習パラメータ／過学習
8.5　応用例
8.6　ニューラルネットワークの限界
第8章のポイントと課題


第9章　ディープラーニング

9.1　ディープラーニングとは
9.2　畳み込みニューラルネットワーク
畳込み層／プーリング層／多層ニューラルネットワーク
9.3　強化学習
9.4　ディープラーニングの活用分野・展望
第9章のポイントと課題

さらに勉強したい人のための参考書

索引

／COLUMN／
薬物の設計にも用いられる重回帰分析
サポートベクター回帰による肺ガン死亡率の関連要因の検討
世界の貧富格差の決定要因のサポートベクター回帰による探索
ニューラルネットワークによる企業格付け