データ特徴の発見とモデルの品質向上を目指す
データサイエンティスト育成講座

  Day 01：データサイエンティストの解説、Python 基礎・応用

詳細：

データサイエンティストとは？、データサイエンスプロジェクトのサイクル、実例紹介

Python, 数値演算、文字列操作、制御構文、関数、オブジェクト指向、データ型、組み込み関数、ファイル操作

扱うモデル/テクニック：Python

  Day 02：データ前処理

詳細：

データ加工処理：NumPy、配列操作、並び替え、乱数生成、ブロードキャスト、Pandas、データ抽出、データ加工、データ結合、集約演算、時系列データの取り扱い

データ可視化：Matplotlib, グラフの描画、グラフの描画、分析結果の見せ方

扱うモデル/テクニック：Numpy、Pandas、Matplotlib

  Day 03：統計的データ分析

詳細：

記述統計と単回帰：Pandas, Seaborn、scikit-learn、データの読み込み、要約統計量、探索的データ分析、単回帰、決定係数

確率・統計：数学的確率、統計的確率、確率変数、大数の法則、中心極限定理、統計的推定、統計的検定

扱うモデル/テクニック：ヒストグラム、分散と標準偏差、線形単回帰分析、統計的確率、ベイズの定理等

  Day 04：教師あり学習の基礎、モデル評価

詳細：

機械学習の基礎（教師あり学習）：scikit-learn、機械学習概要、重回帰、正則化、ロジスティック回帰、決定木、SVM、k-NN

モデルの検証方法とチューニング方法：モデル評価、ホールドアウト法、交差査検証法、ハイパーパラメータチューニング、混同行列、

ROC曲線、AUC、各種評価指標

扱うモデル/テクニック：ロジスティック回帰、決定木、k-NN、サポートベクターマシン等、ホールドアウト法と交差検証法、ハイパーパラメータチューニング、混同行列、ROC曲線とAUC、回帰モデルの評価指標等

  Day 05：モデルの精度向上、教師なし学習の基礎、特徴量エンジニアリング

詳細：

アンサンブル学習：アンサンブル学習、バギング、ブースティング、ランダムフォレスト、勾配ブースティング木

機械学習の基礎（教師なし学習）：クラスタリング、k-means、エルボー法、主成分分析

特徴量エンジニアリング：質的変数のエンコーディング、量的変数のスケーリング、量的変数の非線形変換、ビニング、特徴量選択

扱うモデル/テクニック：k-means法、主成分分析等、バギング、ブースティング、ランダムフォレスト、勾配ブースティング等

ビニング、PCAによる特徴抽出、潜在表現の解釈、one-hotエンコーディング、欠損値処理、特徴量選択等