◆◆機械学習の成否を分かつ「前処理」◆◆
◆◆実務に直結するテクニックを習得◆◆

データ分析技術の中心には、分析アルゴリズムやモデリング手法があります。
しかし実務の現場では、むしろ「前処理」の重要性に直面します。
その方法は「分析目標」と「データ形式」によって異なり、
そこからどのように特徴量を作り出すかで、機械学習の成否が左右されます。

本書では、構造化データ、画像データ、時系列データ、自然言語について、
機械学習における前処理の手順を紹介。
演習問題を経て、Pythonによる実装までを体験します。
データ分析のフレームワークCRISP-DMに沿って実装を進めるので、
実務に近い形で前処理のテクニックが身に付きます。



◆◆本書の主な構成◆◆

第1章　データ分析・活用を始めるために
1 データドリブンな時代へ
2 データ分析プロジェクトに必要な要素
3 データ分析人材のスキル

第2章　データ分析のプロセスと環境
1 ビジネス理解
2 データ理解
3 データ準備
4 モデル作成
5 評価
6 展開・共有
7 データ分析環境の選択
8 Jupyter Notebook の使い方

第3章　構造化データの前処理
1 データ理解
2 データ準備
3 モデル作成
4 再びデータ準備へ
5 再びモデル作成へ
練習問題の解答

第4章　構造化データの前処理（2）
1 顧客の特性を知る
2 顧客のグループ化
3 潜在ニーズの抽出

第5章　画像データの前処理
1 データ理解
2 機械学習のためのデータ準備
3 深層学習のためのデータ準備
練習問題の解答

第6章　時系列データの前処理
1 データ理解
2 データ準備
3 教師データの作成
練習問題の解答

第7章　自然言語データの前処理
1 データ理解
2 機械学習のためのデータ準備
3 深層学習のためのデータ準備
4 トピック抽出のためのデータ準備

付録
1 JupyterLab ローカル環境の構築
2 画像認識モデルの作成
3 記事分類モデルの作成
4 記事トピックの抽出
5 様々な可視化ツール