数学（統計学）の履歴(No.2) - 技術情報Wiki

[ トップ ] [ 新規 | 一覧 | 検索 | 最終更新 | ヘルプ | ログイン ] [ Twitter ]

→数学・物理

→データサイエンス

→AI／機械学習

一般
統計学の本／動画コンテンツなど
統計学と機械学習
回帰分析
パラメータ推定（ベイズ推定、最尤法、確率密度など）
R言語
資格試験

一般†

統計・機械学習の理論を学ぶ手順 - Qiita 2022.1

データを扱う上で抑えておくべき確率の基礎のキ - Qiita 2022.12

これでわかった！統計的検定！Z検定、ｔ検定、分散のカイ二乗検定、Ｆ検定 - Qiita 2022.12

自然対数の底(ネイピア数) e の定義と覚え方。金利とクジの当選確率から分かるその使い道｜アタリマエ！ 2016

これでわかった！区間推定！ - Qiita 2022.12

これでわかった！確率分布をPythonで描画しながら理解する - Qiita 2022.12

機械学習での外れ値や異常値の扱いについて考えてみる | DevelopersIO 2022.11

主成分分析 - Qiita 2022.11

将来予測で用いられるライブラリ「Prophet」 | スキルアップAI | AI人材育成・開発組織の構築支援 2022.10

[長期運用]Pythonを使って、平均と標準偏差から将来の株価を予測する[30年で8倍？] - Qiita 2022.10

統計 - それは誰もが見逃してしまいがちなサブスキルの参謀 (1/) 2020

統計および数理基礎 2022.9
- 東京大学数理・情報教育研究センター資料

秘書問題（お見合い問題）とその解法 | 高校数学の美しい物語 2021

箱ひげ図と散布図を同時に描画して概要を把握する(描画編) | 豆蔵デベロッパーサイト 2022.8

Pythonでちゃんと統計・確率の基礎をやってみた（準備〜データ編） - Qiita 2022.7

Hello! Statisticians! - あつまれ統計の森 2022.6

平均50・分散10の分布、色々作れるよ！ - Qiita 2022.6

相関係数をカンゼンニリカイする - Qiita 2022.4

機械学習で「よく使うけど意味はわからん！」となりがちな共分散を分かりやすく解説 - Qiita 2022.3

数学カフェ確率・統計・機械学習回「速習確率・統計」 2022.3

今年の数学1Aはどのぐらい難しかったのか - Qiita 2022.2

機械学習にとって大切なことは全部MSE(平均二乗誤差)が教えてくれた 2019.8

なんで待ち行列の長さは、ρ/(1-ρ)なのか？・・・を理解するのによさそうな資料 2017.8.9

統計学の本／動画コンテンツなど†

エレベータのブザーは鳴るか―大学生のための統計学入門｜京都大学OCW 2022.9

統計数理研究所_統計思考院動画配信 - YouTube 2022.8

『標準ベイズ統計学』はベイズ統計学をきちんと基礎から日本語で学びたいという人にとって必携の一冊 - 渋谷駅前で働くデータサイエンティストのブログ 2022.11

Pythonでちゃんと統計・確率の基礎をやってみた（確率編2/3） - Qiita 2022.11

Think Bayes 2(オライリー本) 2022.7

データ分析のための統計学入門OpenIntro StatisticsFourth Edition(第4版) 2021.4

統計学の名著 (入門書) - マーケティング過多の中で、何はともあれまずはこの6冊の名著から 2018
- スバラシク実力がつくと評判の統計学キャンパス・ゼミ
- 基本統計学(宮川公男)
- 確率と統計―情報学への架橋(渡辺澄夫)
- データ分析に必須の知識・考え方統計学入門仮説検定から統計モデリングまで
- ベイス統計・統計モデリング
- データ分析の力因果関係に迫る思考法

Think Stats(オライリー本) 2014

オンラインで無料で読める統計書22冊 2013.8.11

Elements of Statistical Learning: data mining, inference, and prediction. 2nd Edition. 2009

統計学と機械学習†

機械学習と統計学の徹底的違い – モデルの使い分け方とおすすめの本を紹介 | AI専門ニュースメディア AINOW 2022.9
- 記述統計学
- 推計統計学
- ベイズ統計学

結局、機械学習と統計学は何が違うのか？ 2018.5
- 統計も機械学習もデータサイエンスへ貢献しているという点では変わりないのですが、ゴールが違い貢献の仕方も違います。手法や理論は重なる部分があるかもしれませんが、その目的はまったく違います。ですので、機械学習を「応用統計」と呼ぶのは誤解の元ですし、二つのそれぞれの分野に対しての侮辱です。

「統計学と機械学習の違い」はどう論じたら良いのか - 渋谷駅前で働くデータサイエンティストのブログ 2015

回帰分析†

パラメータ推定（ベイズ推定、最尤法、確率密度など）†

数学が苦手な人に向けて確率密度を解説してみた～結局、確率密度って何なの？～ | データマイナーAkitoの数学館 2020
- まず、ある一つの数が発生する確率というものを考えてやります。
- 次に、その確率をグラフで表してみようとします。そのときに、グラフの面積が確率を表すようにグラフを描きます。
- その面積を求めるのに必要なものを考えます。すると、その必要なものは”底辺”と”高さ”の2つだと分かります。
- このうち高さに当たるものが確率密度になります。

確率密度関数〜具体例と図による説明〜 - Qiita 2019
- 各区間に属する確率はヒストグラムをめちゃくちゃ細かく区切ってヒストグラムの縦軸の値を全体のサンプル数で割ることによって得られる．
- 確率は区間の大きさを無限小に近づけることで0でない大きさの区間を持つ連続値に対しては各区間の確率が0に収束する．
- 確率が0になってしまうと情報が得られないため，各区間の大きさで割ることによって，その区間のサンプル数の密度を求めて，それを確率密度とした．

最尤法とは、ベイズとは（１．最小二乗法と最尤法） 2020.4

藤井四段で学ぶ最尤推定、MAP推定、ベイズ推定 2017.7.29

ベイズ推定を知っているフリをするための知識 2012

ベイズを学びたい人におすすめのサイト 2009

R言語 †

→Python関連

R Programming Tutorial - foxinfotech.in 2022.11

「データ分析をやるならRとPythonのどちらを使うべき？」への個人的な回答 - 渋谷駅前で働くデータサイエンティストのブログ 2022.10
- 例えば一連のデータ分析作業をバッチ処理にしてシステム上で回すというケースでは、Pythonの方が使いやすい
- 「説明」を目的とする統計学的な処理はRの方がPythonよりも使いやすい
- 例えば「バルクでCSVファイルに格納されたデータを都度貰ってはその度ごとにデータの性質を精査し、その性質に応じてカスタマイズされた分析処理をする」みたいなケースではRの方がやりやすい
- 「予測」を目的とする機械学習的な処理はPythonの方がRよりも使いやすい
- ベイジアンは以前とは異なりRとPythonとで差がなくなってきているが、まだRの方が比較的楽
- Deep LearningはむしろRで使えるフレームワークが殆どなくPythonが必須に近い
- 統計分析・機械学習であってもソフトウェア開発を本業にするならC++など速い言語が必須
- 結論から言うと「その時々のテーマと必要に応じてRとPythonを巧みに使い分けるべし、そのためにも両方とも習得しておこう」というのが僕の個人的な回答です。

R言語とは？主な特徴5つやできること・始め方をわかりやすく解説｜パーソルテクノロジースタッフのエンジニア派遣 2021

R言語 2017.4.11

資格試験†