AI 機械学習 のおすすめの教材8選！ 【 2023年3月 最新版】

みんなのAI講座は、誰に対しても開かれた人工知能、機械学習の講座です。プログラミングや数学の事前知識はほとんど必要ありません。

難解な数式やプログラミングが学習の妨げであった方でも、問題なく学習できます。

文系や非エンジニアの方にもお勧めです。

Udemyの受講生数が数万人に及ぶ経験豊富な講師が指導します。

本コースでは、人工知能技術全般の解説を行いますが、実際にを書くのは主に機械学習のコードです。

機械学習のコードは、人工知能の分野で最もメジャーなプログラミング言語、Pythonで記述します。

開発には、Google Colaboratoryという開発環境を使います。これにより、初心者の方が躓きやすい環境設定が大幅に楽になります。ターミナルなどのコマンドラインを開く必要はありません。

データの分類や、文字認識、株価分析などの実践も行います。

その他コースの特徴は、以下通りです。

- 理論よりも体験を、手を動かすことを重視します。

- 可能な限り、簡単な数学を用いて解説します。

- 必要な数学はグラフィカル、直感的に解説します。

- ニューラルネットや機械学習などの難しい概念は、細かく分解して少しずつ学習します

- プログラミング初心者、未経験者でも大丈夫です。プログラミング言語Pythonを基礎から勉強します。

- 機械学習の基礎が身につきます。機械学習のコードを一から実装します。既存の有名ライブラリの解説も行います。

なお、大学レベル以上の数学や、機械学習の深い理論の解説は行いませんのでご注意ください。

ディープラーニングに関しては、概念のみの解説となります。

2021.4.26 Section2、Section7にレクチャーが追加されました。

2022.1.27 Section8にレクチャーが追加されました。

2023.1.10 Section7、Section8にレクチャーが追加されました。

1. 人工知能の概要と開発環境
2. 教材の使い方について
3. イントロダクション
4. 講座の概要
5. 人工知能の概要
6. Pythonの概要
7. 学習の心構え
8. 開発環境について
9. 演習: 人工知能の概要と開発環境
10. 質疑応答: 人工知能の概要と開発環境
11. Pythonの基礎
12. セクション2の教材
13. セクション2の概要
14. Pythonの基礎1
15. Pythonの基礎2 PART1
16. Pythonの基礎2 PART2
17. Pythonの基礎3 PART1
18. Pythonの基礎3 PART2
19. Pythonの基礎4（2021.4.26追加）
20. 演習: Pythonの基礎
21. 質疑応答: Pythonの基礎
22. 必要な数学の学習
23. セクション3の教材
24. セクション3の概要
25. 関数の描画
26. べき乗とネイピア数
27. シグモイド関数
28. 演習: 必要な数学の学習
29. 質疑応答: 必要な数学の学習
30. ニューラルネットワーク
31. セクション4の教材
32. セクション4の概要
33. ニューラルネットワークの概要
34. 単一ニューロンの実装
35. 外部データの導入
36. ニューラルネットワークの実装
37. 演習: ニューラルネットワーク
38. 質疑応答: ニューラルネットワーク
39. 機械学習
40. セクション5の教材
41. セクション5の概要
42. 学習の仕組み
43. 出力層の学習
44. 中間層の学習
45. 演習: 機械学習
46. 質疑応答: 機械学習
47. 機械学習ライブラリの活用
48. セクション6の教材
49. セクション6の概要
50. scikit-learnの概要
51. 手書き文字認識
52. 株価の予測
53. 演習: 機械学習ライブラリの活用
54. 質疑応答: 機械学習ライブラリの活用
55. さらに学ぶために
56. セクション7の教材
57. セクション7の概要
58. 機械学習ライブラリの紹介
59. 数学の活用
60. 発展技術の解説
61. CPUとGPU（2021.4.26追加）
62. AIを利用したサービス（2021.4.26追加）
63. Generative AIの躍進（2023.1.10追加）
64. 人工知能の未来
65. 質疑応答: さらに学ぶために
66. 付録
67. 「付録」について（2022.1.27追加）
68. 内包表記（2022.1.27追加）
69. 無名関数とコールバック（2022.1.27追加）
70. LaTeXによる数式の記述（2023.1.10追加）
71. ボーナスレクチャー
72. ボーナスレクチャー

このコースは全世界で220万人を超える受講者を持ち、人工知能、機械学習、深層学習の第一人者、SuperDataScienceTeamによってUdemyで公開されているベストセラー「Machine Learning A-Z」の完全日本語版です。

オリジナルの講義の内容を、「講義/Pythonを用いた実装」という形で一から再収録しました（Rの実装は除いています）。

昨今メディアなどで人工知能、AI 、機械学習と言ったキーワードを聞かない日はありませんが、多くの方は 「興味は持っているものの、何から手を付けて良いのか分からない。」 「数学が苦手でとっつきにくい」 と感じている方も多いのではないでしょうか。

本コースはそのような学習者の為にデザインされたコースです。

文書の翻訳といった分野にとどまらず、IPhoneの音声認識、AmazonやNetfrixなどにおけるお勧め機能、Facebookなどにおける画像認識をはじめ、医療、宇宙開発、拡張現実など、あらゆる領域において活用できる可能性を秘めているのが人工知能・機械学習なのです。

また、世の中で生み出されるデータの量の増加により、今後更なる発展が期待される分野とも言えるでしょう。

その一方で、初学者にとって機械学習を学ぶにはハードルが高いという難点がありました。

機械学習の参考書を手に取ってはみたものの、複雑な数式だらけで挫折してしまった、という方もいらっしゃるかもしれません。

更に、機械学習は異なる領域の専門家がそれぞれの見解を元に書籍が作られているため、学ぶ内容に一貫性がないというもの非常に大きな問題でした。

機械学習を学んだことがあるが、挫折してしまった。そんな方にこそ是非受講して頂きたいコースです。

本コースでは、機械学習で用いられる26のアルゴリズムに関し、まずは直観的な理解をし、その上で実装をしていきます。 難しい数式は極力使わないように配慮していますので、数学に苦手意識がある方でもスムーズに学習を進めることが可能です。

また、それぞれのアルゴリズムをカテゴリに分け、まとめて学習を進めていきますので、それぞれの学習内容が有機的につながっていくでしょう。

本コースの内容は以下のとおりです。

• Part 1 - データの前処理

• Part 2 - 回帰: 単回帰, 重回帰, 多項式回帰, サポートベクトル回帰, 回帰木, ランダムフォレスト（回帰）

• Part 3 - 分類: ロジスティック回帰, K近傍法, サポートベクトルマシン, カーネルSVM, ナイーブベイズ, 分類木, ランダムフォレスト（分類）

• Part 4 - クラスタリング: K平均法, 階層クラスタリング

• Part 5 - Association Rule Learning: Apriori, Eclat

• Part 6 - 強化学習: Upper Confidence Bound, Thompson Sampling

• Part 7 - 自然言語処理: Bag-of-words model

• Part 8 - ディープラーニング: ニューラルネットワーク, 畳み込みニューラルネットワーク

• Part 9 - 次元削減: 主成分分析, 線形判別分析, カーネル PCA

• Part 10 - Model Selectionとブースティング: k分割交差検証, グリッドサーチ, XGBoost

本講義を終えた時には、機械学習のアルゴリズムに対する理解がぐっと深まっているでしょう。

これからも需要が伸びることが予想される機械学習の分野で、ライバルに差を付けたいという方は、ぜひとも本コースを受講してみてください。

本コースを終えた時には、機械学習に対する見え方が変わっていることをお約束します。

1. はじめに
2. ごあいさつ
3. はじめに
4. コースの道筋
5. 機械学習、ディープラーニング、AI（人工知能）の違い
6. 機械学習の具体例
7. 講義を進める上での参考情報
8. 講義で用いていくデータ
9. 講義で用いるデータの扱い方
10. Google Colabの使い方（オンラインで実装）
11. Spyderの使い方（手元のパソコンで実装）
12. コーヒーブレイク1：機械学習のおすすめ本
13. --------------------Part1 データの前処理--------------------
14. データの前処理
15. データの前処理
16. 実装で使うフォルダの確認
17. 前処理とは
18. ライブラリのインポート
19. 補足）独立変数と従属変数に分ける理由
20. 補足）ilocメソッド
21. データセットのインポート
22. オブジェクト指向プログラミングの概要（直観的な理解）
23. 欠損値の処理1（欠損値について）
24. 欠損値の処理2（実装）
25. カテゴリ変数のエンコーディングについて
26. 独立変数のエンコーディング
27. 従属変数のエンコーディング
28. 訓練用データセットとテスト用データセットへの分割
29. 補足）訓練用とテスト用にデータセットを分ける理由
30. feature scaling
31. 補足）feature scalingが必要な理由
32. コーヒーブレイク：統計学の追加講義のご案内
33. --------------------Part2 回帰--------------------
34. 回帰
35. 単回帰分析
36. 単回帰分析の直観的な理解1
37. 単回帰分析の直観的な理解2（最小二乗法）
38. 実装で使うフォルダの確認
39. 単回帰分析の実装 1
40. 単回帰分析の実装 2
41. 単回帰分析の実装 3
42. 単回帰分析-ボーナス問題
43. 単回帰分析
44. 重回帰分析
45. データセットについて
46. 重回帰分析の直観的な理解1
47. 重回帰分析の直観的な理解2（高次元のイメージをつかむ）
48. 重回帰分析の直観的な理解3（線形回帰の前提）
49. 重回帰分析の直観的な理解4（ダミー変数トラップ）
50. p値について
51. 重回帰分析の直観的な理解5（変数の選択1）
52. 重回帰分析の直観的な理解5（変数の選択2）
53. 重回帰分析の直観的な理解5（変数の選択3）
54. 実装で使うフォルダの確認
55. 重回帰分析の実装1
56. 重回帰分析の実装2
57. 重回帰分析の実装3
58. 重回帰分析の実装4
59. （参考）変数減少法の実装について
60. 重回帰分析-ボーナス問題
61. 重回帰分析
62. 多項式回帰
63. 多項式回帰の直観的な理解1
64. 実装で使うフォルダの確認
65. 多項式回帰の実装1
66. 多項式回帰の実装2
67. 多項式回帰の実装3
68. 多項式回帰の実装4
69. 補足）Polinomial featureが前処理に属する理由
70. サポートベクトル回帰
71. サポートベクトル回帰の直観的な理解
72. 参考：非線形のSVR（カーネルSVM）
73. 実装で使うフォルダの確認
74. サポートベクトル回帰の実装1
75. サポートベクトル回帰の実装2
76. サポートベクトル回帰の実装3
77. サポートベクトル回帰の実装4
78. 補足）サポートベクトル回帰の実装
79. 補足）SVRではフィーチャースケーリングが必要な理由
80. 回帰木
81. 回帰木の直観的な理解
82. 実装で使うフォルダの確認
83. 回帰木の実装1
84. 回帰木の実装2
85. 回帰木の実装3
86. 補足）回帰木の実装
87. ランダムフォレスト（回帰）
88. ランダムフォレストの直観的な理解
89. 実装で使うフォルダの確認
90. ランダムフォレスト（回帰）の実装1
91. 回帰モデルの評価
92. 決定係数
93. 自由度修正済み決定係数
94. Pythonにおける回帰モデルのまとめ
95. 実装で使うフォルダの確認
96. 各回帰モデルの評価
97. 回帰のまとめ
98. --------------------Part3 分類--------------------
99. 分類
100. ロジスティック回帰
101. ロジスティック回帰の直観的な理解1
102. ロジスティック回帰の直観的な理解2
103. 実装で使うフォルダの確認
104. ロジスティック回帰の実装1
105. ロジスティック回帰の実装2
106. ロジスティック回帰の実装3
107. ロジスティック回帰の実装4
108. ロジスティック回帰の実装5
109. ロジスティック回帰の実装6
110. ロジスティック回帰の実装7
111. 補足）分類の境界が直線になる理由
112. ロジスティック回帰
113. K近傍法
114. K近傍法の直観的な理解
115. 実装で使うフォルダの確認
116. K近傍法の実装1
117. K近傍法の実装2
118. K近傍法の実装3
119. サポートベクトルマシン
120. サポートベクトルマシンの直観的な理解
121. 実装で使うフォルダの確認
122. サポートベクトルマシンの実装1
123. サポートベクトルマシンの実装2
124. サポートベクトルマシンの実装3
125. カーネルSVM
126. カーネルSVMの直観的な理解1
127. カーネルSVMの直観的な理解2（高次元へのプロット）
128. カーネルSVMの直観的な理解3（rbfカーネル）
129. カーネルSVMの直観的な理解4（カーネル関数を使ったサポートベクトル回帰）
130. 実装で使うフォルダの確認
131. カーネルSVMの実装1
132. カーネルSVMの実装2
133. カーネルSVMの実装3
134. ナイーブベイズ
135. ナイーブベイズの直観的な理解（ベイズの定理）
136. ナイーブベイズの直観的な理解（問題の整理）
137. ナイーブベイズ（車の場合）
138. ナイーブベイズの補足
139. 実装で使うフォルダの確認
140. ナイーブベイズの実装1
141. ナイーブベイズの実装2
142. ナイーブベイズの実装3
143. 分類木
144. 分類木の直観的な理解
145. 実装で使うフォルダの確認
146. 分類木の実装1
147. 分類木の実装2
148. 分類木の実装3
149. ランダムフォレスト（分類）
150. ランダムフォレストの直観的な理解
151. 実装で使うフォルダの確認
152. ランダムフォレストの実装1
153. ランダムフォレストの実装2
154. ランダムフォレストの実装3
155. Pythonにおける分類モデルのまとめ
156. 実装で使うフォルダの確認
157. 各分類モデルの評価
158. モデルの評価
159. false positiveとfalse negative
160. 混同行列（confusion matrix）
161. accuracy paradox
162. cap curve
163. cap curveの分析
164. 分類のまとめ
165. --------------------Part4 クラスタリング--------------------
166. クラスタリング
167. K平均法
168. K近平均の直観的な理解
169. Random Initialization Trap
170. クラスターの数の決め方（エルボー法）
171. 実装で使うフォルダの確認
172. K平均法の実装1
173. K平均法の実装2
174. K平均法の実装3
175. K平均法
176. 階層クラスタリング
177. 階層クラスタリングの直観的な理解
178. 樹形図の作成
179. 実装で使うフォルダの確認
180. 階層クラスタリングの実装1
181. 階層クラスタリングの実装2
182. 階層クラスタリングの実装3
183. 階層クラスタリングの実装4
184. 階層クラスタリング
185. クラスタリングのまとめ
186. --------------------Part5 Association rule learning--------------------
187. Association rule learning
188. Apriori
189. Aprioriの直観的な理解
190. 実装で使うフォルダの確認
191. Aprioriの実装1
192. Aprioriの実装2
193. Aprioriの実装3
194. Aprioriの実装4
195. Aprioriの実装5
196. Eclat
197. Eclatの直観的な理解
198. 実装で使うフォルダの確認
199. Eclatの実装
200. -------------------Part6 強化学習--------------------

学生さんには半額でご提供いたします。興味のある学生さんはご連絡ください。

Pythonを用いてスペクトルデータの解析を行います。

このコースを受講することで、PLSやSVMの内容と実装を理解できます。

またハイパースペクトルデータを自由に取り扱うことができるようになります。

スペクトルデータとして近赤外スペクトルを用いますが、このコースで学ぶ内容は（質量データスペクトルなど）どのようなスペクトルデータにも適応できます。

Python、ケモメトリクス（機械学習）、近赤外分光法すべて基礎から始めますので、

初学者にも最適です。

またこれまでケモメトリクス解析を行ったことがある方にも有用なコースとなっています。

Pythonのダウンロードは無料なので、PC一台ですべて完結します！

1. コース全体の概要と目的
2. コース全体の概要と目的
3. 各セクションの説明
4. Pythonの基礎
5. セクション2-Pythonの基礎の概要
6. 1_1. インストールと基礎
7. 1_2.変数の取り扱い
8. 1_3.リスト
9. 1_4.タプルと辞書
10. 1_5.bool
11. 2_1.if文
12. 2_2.for文
13. 2_3.関数
14. 3_1.ライブラリのダウンロード
15. 3_1_append.ライブラリのダウンロード（verを指定して）
16. 3_2.numpyのインポートと基礎
17. 3_3.行列の抽出・切り取り・結合
18. 3_4.行列の四則計算の説明
19. 3_5.numpyによる行列の四則計算
20. 3_6.numpyを用いて連立方程式を解こう
21. 4_1.ファイルのダウンロード
22. 4_2_dataframeの取り扱い
23. 4_3.スペクトルデータの一括インポート
24. 4_4.dataframe とndarrayの関係
25. 近赤外分光法について
26. 近赤外分光法について
27. ケモメトリクス
28. セクション4-ケモメトリクスの概要
29. 0_2.ケモメトリクスとは
30. 0_3.PLSrを理解するまでの流れ
31. 1_1.Lambert-Beer則
32. 2_1.CLSの概要
33. 2_2.pythonでCLS_正規分布の作成
34. 2_3.pythonでCLS_CLSの作成
35. 2_4.pythonでCLS_CLSのまとめ
36. 3_1.ILSの概要
37. 3_2.pythonでILS
38. 3_3.ILSのまとめ
39. 4_1.PCAの概要
40. 4_2.PCA_データの作成
41. 4_3.PCAの実行
42. 4_4.SVDによるPCA(生データを用いて)
43. 4_5.シミュレーションデータ(正規分布)にPCAを適用
44. 4_6.ローディング・スコア・スペクトルの関係
45. 5_1.PCRの概要
46. 5_2.NIRスペクトルにPCAを適用する
47. 5_2.append_用いるNIRスペクトルの説明
48. 5_3.PCRに挑戦!
49. 5_4.回帰係数の算出
50. 6_1.appendix(不偏標準偏差)
51. 6_2.appendix(PCAと分散共分散行列の計算)
52. 7_1.PLSrの概要
53. 7_2.PythonでPLSR
54. 7_3.ウェイトローディングとローディング、スコア、回帰係数
55. 7_4.クロスバリデーションの概要と実装
56. 8_1.モジュールを使いこなす
57. 8_2.スペクトル前処理の概要
58. 8_3.波長分解能について
59. 8_4.スペクトル前処理をモジュール化
60. 8_5.Grid-SearchPLSrをモジュール化
61. 8_6.スペクトルのノイズ
62. 8_7.PCRとPLSRの比較
63. 測定データの解析
64. セクション5-測定データの解析の概要
65. 1_1.PLS用データの確認
66. 1_2.PLSの実行
67. 1_3.ローディングの観察
68. 2_1.SVMの概要
69. 2_2.SVMによる分類
70. 2_3.用いるデータの説明
71. 2_4.SVM分類の実装①
72. 2_4_SVM分類の実装2
73. 3append_1_ラグランジュ
74. 3append_2_相対問題について
75. ハイパースぺクトラルイメージングデータの取り扱い
76. セクション6-HSIの概要
77. 2.概要とデータ
78. 3.平均スペクトルを算出
79. 4.相関スペクトルの算出
80. 5.PLSr
81. 6.PCAスコアをマッピング

『ゴール逆算により圧倒的短時間で習得しよう』

創業から９ヶ月、受講生の総数１０００人を突破している株式会社キカガクの『脱ブラックボックスセミナー』がUdemy用にアレンジして登場！

微分・線形代数といった数学の基礎から、Pythonでの実装まで短時間で習得しましょう。
キカガクこだわりのスタイルである『手書きの数学』『ハンズオン形式のプログラミング』で実際に手を動かしながら学んでいただければ、理解できること間違いなしです。

初級編では機械学習で必要な数学のエッセンスがたくさん詰まっている「単回帰分析」をゴールに、機械学習の考え方、微分、単回帰分析まで一気通貫で解説します。

数学は中学校の復習から始め、Pythonも環境構築・プログラミングの文法から解説しますので、初めての方でも学べる内容となっています。

中級編・上級編とステップアップしながら学ぶことで、データ解析の実務に必要なスキルと考え方が学べる構成となっています。

1. コース紹介
2. コース紹介
3. 概念の紹介
4. 人工知能・機械学習・ディープラーニングとは？
5. 機械学習に必要な数学
6. 機械学習の３大トピック
7. 簡単な機械学習と内挿・外挿
8. 微分
9. 微分は「何」に使えるのか？
10. 微分（導関数）を求めよう１ - 中学編 -
11. 微分（導関数）を求めよう２ - 高校編 -
12. 微分の公式
13. 偏微分
14. 単回帰分析
15. 問題設定 - 部屋の広さから家賃を予測しよう -
16. Step1：「モデル」を決める
17. Step2：「評価関数」を決める
18. Step3：評価関数を「最小化」する
19. Python速習
20. プログラミングの環境構築
21. 変数
22. 基本構文
23. 複数の変数を扱おう
24. 制御構文
25. 関数
26. 単回帰分析の実装
27. Numpy: 数値計算
28. Pandas: データベース操作
29. Matplotlib: グラフの描画
30. 実データに対して単回帰分析を実装しよう
31. ボーナスレクチャー：AI人材としてプロフェッショナルになるための教育とは？
32. ボーナスレクチャー：AI人材としてプロフェッショナルになるための教育とは？

「データ分析」、「機械学習」を始めたいとお考えの皆さん、自信を持って本コースをおすすめいたします。

　長時間のコースですが、セクションを適切に分割しているため、途中で道に迷うことなく最後までワンステップずつ受講を進めていただけます。

　本コースの最終目標は、皆さんが新規のデータセットを自ら分析・整理し、機械学習モデルを構築し、評価できるようになることです。18時間以上にも及ぶ学習コースの中で、その目標達成に必要となる事柄を広く深く、丁寧に解説しています。データ分析・機械学習のベースとして、このコースはパーフェクトな内容に仕上がっていると自負しております。

　豊富な演習問題（240題以上、合計で400問以上のExercise）を通して各セクションで学んだ内容を着実に身に付けていくことができます。学習効率を考慮して、演習問題のビデオには音声解説は付けず、短時間で繰り返し確認してもらえるようにまとめています（倍速などで無駄なくスピーディーに復習できます）。

　最後のKaggle（世界最大の機械学習コンペのプラットフォーム）のセクションに至る頃には、テンポよく、楽しみながらデータの分析やモデルの構築などを進められるようになっているはずです。「次はどんなデータセットに挑戦してみようか？」という段階まで、皆さんを導いていきます。

　機械学習のモデルにはscikit-learnに含まれる代表的なアルゴリズムを使用します。本コースは元々、Pandasのデータフレームの操作とMatplotlib/Seabornでのデータの視覚化までにする予定でした。ですが、実践まで踏み込んで楽しめるようにと考え直し、別に予定していたコースを合併し１本に集約しました。

　長時間のコースとは言え、当然すべてを網羅できるわけではなく、強化学習、ディープラーニングなどの分野へは到底踏み込むことはできません。本コースでは教師あり学習の代表的なアルゴリズムに絞って回帰や分類の課題に集中的に取り組み、基礎を築いていきます。この強固な基礎の上であれば他者のコード（Kaggleの公開コードが非常に参考になります）を参照して新しい知識をどんどん積み上げていけるものと思います。

　データ分析の大半はデータの前処理であるとよく言われます。「データ前処理」（Data Preprocessing）とは、具体的には欠損値や重複値の処理、意味のあるデータへの変換、外れ値の取り扱い、機械学習のアルゴリズムに乗せるために求められるスケーリングやダミー変数化などが挙げられます。この分野に関しては特に検討を重ね、段階的に適切に理解が進むように設計しています。データ前処理とモデルの評価までの一連の流れを学んだ後には、アルゴリズムをさらに詳細に学んだり、ニューラルネットワーク、ディープラーニングに挑戦したりするなどの次に達成すべき課題がはっきりと見えてくると思います。

　実践課題としては、前述のKaggleを利用して、データ分析＋機械学習の実践を進めていきます。Kaggle notebook（Kaggleサイト上で使えるJupyter notebookと考えてよい）の使用方法、その他サイトに関わる事柄についても解説を行います。コンペへの参加は非常に高い壁ですが、ここから「データの世界」が一気に広がっていくことを実感していただけるはずです。

ぜひ、本コースへチャレンジしてみてください。

力作です。是非ご期待ください。

1. コースの紹介とファイルの一括ダウンロード
2. ようこそ！本コースのご紹介
3. コースで使用するファイルの一括ダウンロード
4. Google Colaboratoryで学習する方へ
5. Jupyter NotebookとGoogle Colaboratoryについて
6. Google Colaboratoryの環境を整える
7. Google Colaboratoryの基本的な使い方を知る
8. Numpy、特にndarrayを理解する
9. このセクションについて（Numpyの公式サイトを確認する）
10. Numpy多次元配列の「タイプ」と要素の「データタイプ」
11. Numpy多次元配列の演算と統計量、そして形状
12. Numpy多次元配列のデータタイプの種類とその変換
13. 2種類のメソッドを利用して数列を作成する
14. randomモジュールで乱数配列、連続一様分布配列を生成する
15. 分散、標準偏差、正規分布とは
16. 多次元配列の次元、形状、サイズ、形状の変換
17. 多次元配列の演算例
18. 演習問題、演習解答レクチャーについて
19. Numpy Exerciseにチャレンジ！
20. 演習問題（Numpy）：スピーディ解答
21. DataFrameの構造を理解する
22. このセクションについて
23. Seriesを作成する
24. DataFrameを作成する
25. ndarrayの結合とDatetimeIndex
26. Series, DataFrameの結合、サンプルの抽出
27. Series, DataFrameのndarray, list, dictionaryへの変換
28. DataFrameの基礎データの取得方法と"Axis"の理解
29. DataFrameのインデックスの変更とリセット
30. DataFrameのインデックス、カラム名の更新
31. 欠損値とは？isnull()の使い方
32. 欠損値を持つサンプルの抽出方法
33. 欠損値の有無の視覚化とデータのCSV、PKLファイル保存
34. DataFrame-1 Exerciseにチャレンジ！
35. 演習問題（DataFrame-1）：スピーディ解答
36. DataFrameを自在に操作する
37. このセクションについて
38. CSVファイル、PKLファイルからDataFrameを作成
39. データの抽出（df.loc[]とdf.iloc[])
40. データの条件付き抽出（条件文、filter、query）
41. データを更新（変更）する方法
42. 基本統計量、ユニーク値を取得する
43. クラス毎のグループ化とレコードのソート
44. マルチインデックスの扱い方（クロスセクション）
45. 重複レコード、欠損値への対処方法
46. 欠損値を平均値で補間する
47. scikit learnのSimple Imputerを使ってみる
48. 演習問題（DataFrame-2）：スピーディ解答
49. カテゴリーで比較する、カテゴリカルプロット
50. このセクションについて
51. Seabornのタイタニックデータセットの重複カラムを処理する
52. 不明な乗船地を予測する
53. 欠損した年齢について検討する + Seabornのスタイル設定
54. 年齢とチケットクラス、性別の間の相関
55. 相関関係と相関係数
56. CATプロットとストリッププロット
57. カウントプロットとバープロット
58. 四分位範囲、外れ値、ボックスプロット
59. バイオリンプロットとスウォームプロット（とカーネル密度推定）
60. 演習問題（Catagorical Plot）：スピーディ解答
61. 分布と相関、ディストリビューション・リレーショナルプロット
62. このセクションについて
63. ペンギンズのデータセットとヒストプロット
64. ヒストプロットの表現、指標の変更とKDEプロット
65. ジョイントプロットとスキャッタープロット
66. RELプロットでグリッド型表示
67. すべての数値データを扱うPairプロットと線形回帰のRegプロット
68. 複数のRegプロットを表示するLMプロットとシンプルなラインプロット
69. オブジェクト指向型と呼ばれるプロットの作成
70. データタイプCategoryとは
71. ♦ Pandas補講 ♦ mapメソッドと Datetime型への変換
72. ♦ Pandas補講 ♦ DatetimeIndexの機能を使う
73. DatetimeIndexについての補足・訂正
74. 演習問題（Distribution & Relational Plot）:　スピーディ解答
75. 行列形式のマトリックスプロットと全般の詳細な表示設定
76. このセクションについて
77. データセットIris（アヤメ属）の確認と再びCategory型について、np.where()について
78. ♦ Numpy補講 ♦ np.where() と np.select()で条件設定と値の置換
79. ヒートマップとクラスターマップ
80. 高度なグリッド表現、ペアグリッドとFacetグリッド
81. matplotlibのパイチャートと画像の保存方法
82. Figure全体の表示をより詳細に設定する方法
83. オブジェクト指向形式の詳細表示の設定方法1
84. オブジェクト指向形式の詳細表示の設定方法2
85. 演習問題（Matrix Plot & Settings）：スピーディ解答
86. カテゴリカル特徴量（変数）の取り扱い、機械学習のための新しい特徴量作成
87. このセクションについて
88. scikit-learnのLabelEncoderでラベルを数値tとして記号化する
89. ダミー変数化とは（Pandas.get_dummies()の使い方）
90. scikit-learnのOneHotEncoderでダミー変数化を実行する
91. get_dummiesのデメリットとは（訓練データ、テストデータ）
92. OneHotEncoderのhandle_unknownとは（errorとignoreの使い分け）
93. ♦ Pandas補講 ♦ カテゴリカル変数の文字列を操作する（分離、置換、抽出）
94. 演習問題（Categorical Features）：スピーディ解答
95. 数値型の特徴量（変数）の取り扱い、機械学習のための新しい特徴量作成
96. このセクションについて
97. スケーリングを行う目的、代表的な4つのスケーラーの紹介
98. 標準化、スタンダードスケーラーを実行する
99. Robustスケーラー、MinMaxスケーラー、MaxAbsスケーラー
100. 非線形変換とは
101. Quantile Transformer / Power Transformerを使う
102. データの離散化（ビニング、ディスクリタイジング）
103. 演習問題（Numeric Features）：スピーディ解答
104. 回帰モデルとその評価。クロスバリデーション、グリッドサーチ
105. このセクションについて
106. 糖尿病のデータセットの分析
107. データの分布確認、トレイン・テストデータへの分割
108. scikit-learnのLinearRegression(線形回帰モデル)
109. 線形回帰モデルの予測の評価
110. RandomForestRegressorのパラメータを知る
111. 過学習と汎化性能、プロットツリー
112. KNeighborsRegressor
113. R2スコア、絶対平均誤差などの評価指標
114. クロスバリデーションとグリッドサーチ
115. 演習問題（Regression etc.）：スピーディ解答
116. 分類の機械学習モデルとその評価方法
117. このセクションについて
118. 乳がんの悪性、良性を分類するデータセット、データの相関
119. データの分布確認とスケーリング
120. RandomForestClassifier
121. 混同行列、適合率、再現率とは
122. F1スコア、調和平均とは
123. KNeighborsClassifier
124. SupportVectorClassifier（サポートベクター、正則化について）
125. ロジスティック回帰
126. PR曲線（Precision-Recall-Curve）
127. F1スコアによる閾値の決定
128. 真陽性率と偽陽性率からなるROC曲線を理解する
129. 演習問題（Classification）：スピーディ解答
130. Kaggleのデータセットでデータ分析・機械学習を実践
131. このセクションについて
132. Kaggleのサイトについて
133. 1-1. 航空チケットの価格予想データセット
134. 1-2. チケット番号と価格に相関はあるのか
135. 1-3. カテゴリカル特徴量とターゲットの関係
136. 1-4. 数値型特徴量との相関とワンホットエンコーディング
137. 1-5. ランダムフォレストリグレッサーで価格を予測
138. 2-1. 旅行保険加入に関するデータセット
139. 2-2. scikit-learnの便利なモジュール、ColumnTransformer
140. 2-3. 最適なパラメータの探索
141. 2-4. 他のユーザーのノートブックから学ぶ
142. 3-1. 脳卒中のデータセット
143. 3-2. 喫煙と脳卒中の関係
144. 3-3. Pipelineで一連の操作をまとめる
145. 3-4. 予想結果はすべて０（confusion_matrix）
146. 3-5. RandomUnderSamplingを使ってみる
147. 3-6. ROC Curveを描く（RocCurveDisplay）
148. 4-1. 蟹（カニ）の成長・月齢予想のデータセット
149. 4-2.数値型特徴量と 月齢との相関関係
150. 4-3. モデルの構築と評価
151. 謝辞
152. 謝辞