「データサイエンスを学びたいけれど、何から勉強すればよいのか分からない」
そんな疑問をもったことはありませんか？データサイエンスは広範囲の知識が必要で、特に初心者の方は何を学べばよいか悩んでしまうのは事実です。今回は、データサイエンスのおすすめ本の中で初心者の方に役に立つ本を紹介いたします。
書籍を活用するメリットは体系的に学べ、深い理解が得られる点です。デメリットは情報が古いこともある。一方でウェブのメリットはあるテーマ、キーワードをすぐに調べやすいことが挙げられます。ウェブのデメリットとしては最新情報が載っているい峰で断片的な記事が多く、網羅的に調べるのに時間がかかる点があります。ある程度まとまった内容であれば書籍の方が効率的に学習できます。双方のメリット・デメリットを把握した上で使い分けると良いです。おすすめのウェブサイトは別記事で紹介します。
■機械学習アルゴリズム
・Python機械学習プログラミング 達人データサイエンティストによる理論と実践
機械学習全般を外観するのによい教科書です。よくまとまっています。理論とコードの解説が充実しています。これ1冊で入門レベルは突破できます。いきなり全部理解するのは難しいので、何度も読み返すと身についてくるでしょう。
・ゼロから作るDeep Learning
名著で知られています。一からモデルを組み上げてコードで実践しながら解説していくアプローチで、深層学習(DL:Deep Learning)の原理を学ぶのに適した書籍です。コードを動かしながら読み進めると理解が進みます。微分など数学の知識が必要ですが、そのあたりも基礎から解説されているので読みやすいです。
・ゼロから作るDeep Learning2
第2弾です。自然言語処理、RNN(リカレントニューラルネット)の理論で、前著よりはレベルが上がります。
・最短コースでわかる PyTorch &深層学習プログラミング
深層学習の実装ではライブラリ(フレームワーク)を用いますが、実際に使うには設定項目が多く、ハードルが高い印象があります。そこで、この本ではテンソルの概念など、初学者がつまずきやすいところをかみ砕いて解説しており、読者ファーストで書かれている点が優れています。手順がフロー図に沿って、本書記載のコードに沿って実行すると大きな流れはつかめます。まさに「pytorchを最短で使えるようにする」の通り、理にかなっています。
■解釈系
・機械学習を解釈する技術 予測力と説明力を両立する実践テクニック
AIが出したアウトプットは一般にブラックボックスですが、どのようにして解釈性を持たせるかいに書かれた書籍。予測精度の高さも重要ですが、解釈性の向上は納得感のある意思決定につながり、意義は大きいです。解釈性に優れた線形回帰モデルをベースに、機械学習モデルのアウトプットに対する解釈の説明が数式を交えて、展開されていくので分かりやすいです。ゲーム理論を応用した指標値であるSHAPは各特徴量の貢献度の加算で計算でき、どの特徴量がどの程度寄与したかが定量的に分かる手法とのことで興味深いです。使いどころが難しいですが、機械学習モデルに依らず使える点が大きなメリットと言えそうです。
・XAI(説明可能なAI) そのとき人工知能はどう考えたのか?
上記(機械学習を解釈する技術)と同じテーマを扱っています。こちらの方がXAIの概略や全体像が示されており、イメージがわきやすいです。
■実践テクニック
・kaggleで勝つデータ分析の技術
kaggleコンペの取り組み方について書かれており、実践的で読みやすいです。初心者から上級者まで学ぶところは多いです。難しいところはひとまず、飛ばして後から読むかたちがよいです。機械学習モデルの選択、チューニング、特徴量エンジニアリングなどkaggleコンペ以外のデータ分析でも生きるアドバイスが豊富でためになります。
・Pythonで儲かるAIをつくる
実務上で使える事例パターンについて詳しく書かれており、実践的で良いです。5章で回帰分析、prophetモデルによる時系列分析、アソシエーション分析、クラスタ分析の実践例が書かれており、データ分析から結果の考察までの作業手順が分かりやすく解説されています。
・Kaggleで磨く 機械学習の実践力–実務xコンペが鍛えたプロの手順
kaggleコンペでの効率的な取り組み方が書かれています。データ分析の上達方法について、コラム欄が興味深かったです。着手してから早い段階で評価まで完成させる(ベースラインを作成する)、コンペ後振り返りが重要でコンペでやったことを資料化し発表する、他の解法の良いところを取りいれるなど、他の書籍にはない情報があります。
まとめ
データサイエンスの初心者向けにおすすめの本を紹介しました。
