出版書誌データベース

本書は、Python を使って「確率・統計」そして「機械学習」の世界を、やさしく、そして着実に学んでいくための一冊です。数式をただ読むだけでなく、実際にコードを書いて動かしてみることで、「なるほど、こういうことだったのか」と納得しながら理解を深めていきます。
まず第I部「入門編」では、Python の基本操作からスタートします。関数や確率の基礎、確率分布の考え方を、少しずつステップアップしながら学べる構成です。プログラミングが初めての方でも安心して読み進められるよう、やさしい言葉と具体的な例を用いて解説しています。
続く第II部「Python で学ぶ確率・統計」では、実際のデータを扱いながら、平均や分散といった統計量の計算、グラフによる可視化、確率分布の操作などを学びます。「コードを書いて確かめる」ことを通して、数学の知識が自分の中で生きたものになっていくはずです。
そして第III部「発展編」では、統計的推定や学習理論といった少し高度なテーマに挑戦します。SVM やブースティング、時系列解析など、実際の機械学習につながる内容を扱いながら、近年注目されている生成AI の活用方法にも触れます。AI の時代を生きる私たちにとって、「考えながら使う力」がどれほど大切かを感じられるでしょう。

本書は、Python を通してデータの世界に一歩踏み出したいと考えるすべての人に向けています。プログラミングや統計に初めて触れる高校生・大学生はもちろん、データ分析やAI に興味を持つ社会人の方にもおすすめです。
「数学は苦手だけど、Python でなら試してみたい」「AI がどうやって学んでいるのかを知りたい」そんな方にこそ、手に取ってほしい一冊です。
特別な前提知識は必要ありません。基本的なパソコン操作と「自分で手を動かして学びたい」という気持ちがあれば十分です。各章には、考えながら進められるように理解度チェックやコード例を多く用意しています。

読者が本書を通して、
• Python の基本文法とデータの扱い方を身につける
• 確率や統計の考え方をプログラムで理解する
• AI・機械学習の基礎を体験的に学ぶ
ことを目指しています。

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）

著：池田　和司
1966年静岡生まれ。1989年東京大学工学部計数工学科卒、1991年同大学院工学系研究科計数工学専攻修士課程修了、1994年同博士課程修了、博士（工学）
1994年金沢大学工学部電気・情報工学科助手、1997年同講師、1998年京都大学大学院情報学研究科システム科学専攻講師、2003年同助教授、2008年奈良先端科学技術大学院大学情報科学研究科情報生命科学専攻教授。
機械学習や適応フィルタの理論研究に従事するとともに、融合領域・境界領域の諸問題に数理モデルで取り組む研究を推進している。

著：丸野　由希
京都女子大学現代社会学部卒業後、企業の研究開発部門において社内システム開発やデータ解析業務に従事。6年間にわたる実務を通して、統計や機械学習を「現場で使える形で理解すること」の重要性を実感する。これを背景に、奈良先端科学技術大学院大学情報科学研究科に進学し、機械学習の応用研究に取り組み、博士（工学）を取得。2015年には学部生とともに国際サイバーセキュリティデータマイニングコンペティションで優勝。現在は関西大学ビジネスデータサイエンス学部准教授として、実務と研究の両方の経験を生かした教育を行っている。本書は、現場で求められる視点を踏まえ、初学者が「理解し、使える」ことを目標に構成されている。