本文へスキップします。

【参】モーダルJS:読み込み
書籍DB:詳細

NumPyによるデータ分析入門 配列操作、線形代数、機械学習のためのPythonプログラミング

NumPyによるデータ分析入門 配列操作、線形代数、機械学習のためのPythonプログラミング

NumPyを使いこなして科学計算や複雑な計算を楽に行う知識とスキルがマスターできる!

Pythonの数値計算用ライブラリNumPyは、複雑な計算を簡単に高速に行えるため、科学分野の研究者を中心に人気が高いツールです。複雑な計算を行うには、まず、仕組みをしっかり理解する必要があるのですが、本書ではPythonの数列と演算について、詳しく丁寧に説明します。また、サンプルとして使用するデータや手法も、現場で使えることを意識した、現実的で応用の利くものであることが特徴。数値計算だけでなく、機械学習や、画像処理などを行う上でも必要な、NumPyとそれに関連するPythonの配列と演算についての知識とスキルが、300弱のコンパクトなページ数で、手軽に学ぶことができます。
はじめに

Ⅰ部

1章 NumPy配列を操作する
1.1 技術的要件
1.2 NumPyが必要とされる理由
1.3 誰がNumPyを使うのか
1.4 ベクトルと行列の入門
1.5 NumPy配列オブジェクトの基本
1.6 NumPy配列の演算
1.7 多次元配列を取り扱う
1.8 インデックス付け、スライス、形状変換、サイズ変換、ブロードキャスティング
1.9 1章のまとめ

2章 NumPyの線形代数
2.1 ベクトルと行列の数学
2.2 固有値とその計算方法
2.3 ノルムと行列式の計算
2.4 線形方程式の解法
2.5 勾配の計算
2.6 2章のまとめ

3章 NumPyの統計関数で行う探索的データ分析:ボストン市の住宅価格データセット
3.1 ファイルの読み込みと保存
3.2 データセットの探索
3.3 基本統計量を調べる
3.4 ヒストグラムを計算する
3.5 歪度と尖度
3.6 データの刈り込みと統計量
3.7 ボックスプロット
3.8 相関を計算する
3.9 3章のまとめ

4章 線形回帰を用いて住宅価格を予測する
4.1 教師あり学習と線形回帰
4.2 独立変数と従属変数
4.3 ハイパーパラメータ
4.4 損失関数と誤差関数
4.5 勾配降下法を用いた線形単回帰
4.6 線形回帰を用いた住宅価格のモデリング
4.7 4章のまとめ

5章 NumPyで卸売業者の顧客をクラスタ分析する
5.1 教師なし学習とクラスタ分析
5.2 ハイパーパラメータ
5.3 損失関数
5.4 k平均法アルゴリズムを単一変数用に実装する
5.5 アルゴリズムの修正
5.6 5章のまとめ

6章 NumPyとSciPy、pandas、scikit-learnを併用する
6.1 NumPyとSciPy
6.1.1 SciPyとNumPyで行う線形回帰
6.2 NumPyとpandas
6.2.1 pandasで株価の定量的モデリングをする
6.3 SciPyとscikit-learn
6.3.1 scikit-learnでk平均法を用いて住宅価格データをクラスタリングする
6.4 6章のまとめ

7章 NumPy上級編
7.1 NumPyの内部構造
7.1.1 NumPyのメモリ管理方法
7.1.2 NumPyのコードをプロファイリングして性能を理解する
7.2 7章のまとめ

Ⅱ部

8章 高性能計算ライブラリの手引き
8.1 BLASとLAPACK
8.2 ATLAS
8.3 Intel Math Kernel Library
8.4 OpenBLAS
8.5 AWS EC2上でNumPyを低レベルライブラリを変えて構築する
8.5.1 BLASとLAPACKのインストール
8.5.2 OpenBLASのインストール
8.5.3 Intel MKLのインストール
8.5.4 ATLASのインストール
8.6 ベンチマークテスト用の計算集約的タスク
8.6.1 行列の分解
8.6.2 特異値分解(SVD)
8.6.3 コレスキー分解
8.6.4 LU分解
8.6.5 固有値分解
8.6.6 QR分解
8.6.7 疎線形系を取り扱うには
8.7 8章のまとめ

9章 ベンチマークテストで行う性能評価
9.1 なぜベンチマークが必要か
9.2 ベンチマークテストの準備
9.2.1 BLASとLAPACKを使った設定の性能
9.2.2 OpenBLASを使った設定の性能
9.2.3 ATLASを使った設定の性能
9.2.4 Intel MKLを使った設定の性能
9.3 結果
9.4 9章のまとめ

索引