図解入門 最新 データサイエンスがよ～くわかる本 の商品レビュー

高木章光(著者),鈴木英太(著者)

2024/01/22

データサイエンスがビジネスで活用される際のプロセスごとに何が必要なのか書いてある。データ分析を
どう活用するかから、チーム、インフラまで。

2022/09/08

「図解入門」「よ～くわかる本」ってことで、思っていたよりも実務よりです．図解の多くはデータサイエンスの理論を図で説明ものではなく、企業や官庁がプレゼンでつかうようなポンチ絵です．データを扱う実務的に使われる様々な手法の名前をざっと俯瞰できる内容だと思いました．

2022/08/23

データサイエンス周りについて広く説明する本
図と文章でうまく説明している。内容も概要から分析の中身、人材の動き方など広く丁寧に説明している。１冊目としてなら星4

2024/01/01

タイトル通り、データサインエンスの入門書。初学者がデータサイエンスの全体像を把握するには好適。６章でデータサイエンティストに求められる人物像が紹介されているけど、この条件を満たす人はレアじゃないかな。

2021/02/15

総括としては分かりやすくてよい。一通りカバーできてる気がする。いろいろ、勉強しなくちゃいけないな、と刺激になった。

2020/03/04

データサイエンスの入門的な本ではなく、計画書を作成して、どのようにデータを収集・加工・アウトプット・運用していくかという流れを大まかに紹介した本だった。
技術要素や統計知識の部分も紹介されていたが、いくら解説がついていても、ある程度のその分野の知識がないと理解するのが難しい印象で、技術的な部分も、サービスやライブラリを紹介するところどまりなので、実際にそれをどう使うかというところは別のものにあたる必要がありそう。
現場近くまで含めてこういうものを使ってこういう流れがあるよ、という紹介としては納得だが、データサイエンスがよ〜くわかるかと言われると、正直私はいまいちピンとこなかった。

2019/06/11

若干すでに古い情報もあるけど、業務プロセスが理解しやすく、データサイエンスを主眼に置きながらも、エンジニアリングのことも書かれていてよかった。

2019/04/11

データサイエンスの概要をつかむには非常に良い本。
概要がよくまとまっていて、理解もしやすい。
初心者の方はこの本を最初に読むと良いかもしれない。

個人的にはAWS、Azure、Google cloudの部分のPros/Consをもう少し知りたかった。
ただ内容は概要、俯瞰的に書かれているので良かった。

2019/03/14

近年、話題のデータサイエンスについての本。
データサイエンティストは一時期すごい話題で、これから人気な職業になると感じたけど、ディープラーニングがでて人気に陰りが出てしまった印象(むしろ、データサイエンティストならディープラーニング使いこなせそうだけど)。
前職でちょっとだけデータ分析にかかわる仕事をしていたことがあるので、回帰分析とか少し懐かしかった。
オープンデータの検索サイト、「データカタログサイト」（https://www.data.go.jp/）は初めて知った。何か機会があれば調べたり使ってみたりしたい。
データの尺度の話は、深く考えたことないけどなるほどなと思った。計算できるか、比較できるかによって、比例尺度、間隔尺度、順序尺度、名義尺度の四種類に分けることができるらしい。こうやって分かれていると、データの分析の仕方も分かりやすくなるのかも。
後、Jupyter Notebookという名前のツールが何回かでてきてちょっと気になった。名前からしてただのエディタかと思ったけど、IDEに近いのかな？　PythonやRやJuliaも動かすことができるとあったけど。
他に気になったのは、Exploratoryというツール。プログラミングの知識が無くても機械学習のアルゴリズムをつあってデータ分析をできることを目標に作られたのだとか。こういうの使いこなせたら賢くみえるんだろうなと思う(使いこなせてる時点で普通に賢いか)。
データサイエンティストの調達の話では、新卒の育成も大事だという話も。中には、大学でデータサイエンスの勉強をしたのに、新卒で配属されたのは総務部なんて子もいるのだとか(そういう問題のことを「新卒配属ガチャ問題」と呼ばれてるらしい)。優秀な子は、古くさい大企業とかいかずに、成長しているベンチャー企業にいくのが一番いいような気がする。

2019/02/09

最新の書籍ということもあって情報に富んでいる。
データ分析プロジェクトの計画から、ビジネスへの適用までをわかりやすく解説した入門書。先進的な企業の取り組みや、データ分析のプロセス、分析手法、クラウドサービス、チームビルディングなど幅広い。
個人的に気になったのは、機械学習を使用したシステムに必要な技術要素の図。プロジェクトの中で、機械学習のコーディングが占める割合極めて小さい。一方で、課題定義とインフラ整備の割合が大きい。モデルや分析手法の獲得に勉強時間の多くを注いできたが、実のところそれ以外のところが重要なのだ。

ー以下、メモー
近年、大学にデータサイエンス学部が設立されるなど、業界全体が広がりを見せている。SIerとプログラマの如く、データサイエンティストも分業が進むのは容易に創造できる。AWSやAzureなどのクラウドサービスでは、機械学習サービスを提供しており、誰でも簡単にAIを作れる時代になった。分析手法やアルゴリズムはAI・データ分析の醍醐味であるが、本質的な価値がどこにあるのかを見極めなければならない。