世界標準MIT教科書 Python言語によるプログラミングイントロダクション 第2版 データサイエンスとアプリケーション
世界標準MIT教科書 Python言語によるプログラミングイントロダクション 第2版：データサイエンスとアプリケーション
近代科学社
著者：John V.Guttag
監訳：久保幹雄
訳者：麻生敏正、木村泰紀、小林和博、斉藤佳鶴子、関口良行、鄭金花、並木誠、兵藤哲朗、藤原洋志
序文
監訳者序文
目次
第1章 さあ,始めよう！
第2章 Pythonの概要
2.1 Pythonの基礎入門
2.1.1 オブジェクト，式，数値型
2.1.2 変数と代入
2.1.3 Python IDE
2.2 分岐プログラム
2.3 文字列と入力
2.3.1 入力
2.3.2 文字コードに関する余談
2.4 繰り返し
第3章 簡単な算術プログラム
3.1 総当り
3.2 forループ
3.3 近似解と2分法
3.4 浮動小数点数型の利用に関する注意
3.5 ニュートン－ラフソン法
第4章 関数,スコープ,抽象化
4.1 関数とスコープ
4.1.1 関数の定義
4.1.2 キーワード引数とデフォルト値
4.1.3 スコープ
4.2 仕様
4.3 再帰
4.3.1 フィボナッチ数
4.3.2 回文
4.4 広域変数
4.5 モジュール
4.6 ファイル
第5章 構造型,可変性と高階関数
5.1 タプル
5.1.1 順序型と多重代入
5.2 範囲
5.3 リストと可変性
5.3.1 クローンの作成
5.3.2 リスト内包
5.4 オブジェクトとしての関数
5.5 文字列，タプル，範囲とリスト
5.6 辞書
第6章 テストとデバッグ
6.1 テスト
6.1.1 ブラックボックス・テスト
6.1.2 グラスボックス・テスト
6.1.3 テストの管理
6.2 デバッグ
6.2.1 デバッグの学習
6.2.2 実験の設計
6.2.3 手強い状況では
6.2.4 そしてそのバグを見つけたら
第7章 例外とアサーション
7.1 例外の処理
7.2フロー制御機構としての例外
7.3 アサーション
第8章 クラスとオブジェクト指向プログラミング
8.1 抽象データ型とクラス
8.1.1 抽象データ型を用いたプログラミング
8.1.2 学生と教員の情報管理のためのクラスの利用
8.2 継承
8.2.1 多重継承
8.2.2 置換原則
8.3 カプセル化と情報隠蔽
8.3.1 ジェネレータ
8.4 発展例：住宅ローン
第9章 計算複雑性入門
9.1 計算複雑性についての考察
9.2 漸近記法
9.3 いくつかの重要な計算複雑性クラス
9.3.1 定数計算時間
9.3.2 対数計算時間
9.3.3 線形計算時間
9.3.4 対数線形計算時間
9.3.5 多項式計算時間
9.3.6 指数計算時間
9.3.7 計算複雑性のクラスの比較
第10章 いくつかの単純なアルゴリズムとデータ構造
10.1 探索アルゴリズム
10.1.1 線形探索および関節参照による要素へのアクセス
10.1.2 2分探索および仮定の利用
10.2 ソーティングアルゴリズム
10.2.1 マージソート
10.2.2 引数としての関数の利用
10.2.3 Pythonにおけるソーティング
10.3 ハッシュ表
第11章 プロットとクラス
11.1 PyLabを用いたプロット
11.2 住宅ローン残高の図示
第12章 ナップサック問題とグラフ最適化問題
12.1 ナップザック問題
12.1.1 貪欲アルゴリズム
12.1.2 0/1ナップザック問題の最適解
12.2 グラフの最適化問題
12.2.1 古典的なグラフ理論の問題
12.2.2 最短路：深さ優先探索と幅優先探索
第13章 動的計画法
13.1 フィボナッチ数列，再考
13.2 動的計画法と0/1ナップザック問題
13.3 動的計画法と分割統治
第14章 ランダムウォークと可視化
14.1 ランダムウォーク
14.2 酔歩
14.3 偏りのあるランダムウォーク
14.4 仕掛けを持つ場
第15章 確率,統計とプログラム
15.1 確率を用いたプログラム
15.2 簡単な確率計算
15.3 推計統計学とシミュレーション
15.4 分布
15.4.1 確率分布
15.4.2 正規分布
15.4.3 一様分布
15.4.4 2項分布と多項分布
15.4.5 指数分布と幾何分布
15.4.6 ベンフォード分布
15.5 ハッシュと衝突
15.6 良いチームはどれくらい勝つ？
第16章 モンテカルロ・シミュレーション
16.1 パスカルの問題
16.2 「パスライン」か「ドントパス」か
16.3 性能を上げるために参照表を使う
16.4 πを求める
16.5 シミュレーションモデルに関する結びのことば
第17章 標本抽出と信頼区間
17.1 ボストンマラソンの標本抽出
17.2 中心極限定理
17.3 平均の標準誤差
第18章 実験データの理解
18.1 バネの振る舞い
18.1.1 線形回答による適合
18.2 発射体の振る舞い
18.2.1 決定係数
18.2.2 計算モデルを使う
18.3 指数的に分布するデータに適合させる
18.4 理論が得られないとき
第19章 無作為試験（無作為抽出試験）と仮説の照合
19.1 優位性のチェック
19.2 p値に注意せよ
19.3 片側検定と1標本検定
19.4 優位性の有無
19.5 標本サイズNの決め方
19.6 多重仮設決定
第20章 条件付き確率とベイズ統計
20.1 条件つき確率
20.2 ベイズの定理
20.3 ベイズ更新
第21章 うそ,真っ赤なうそ,そして統計
21.1 ごみ入れごみ出し（ガイゴー）
21.2 検定は完璧ではない
21.3 図は人をだますもの
21.4 偽りの因果の誤り
21.5 統計的測定は、ストーリー全体を表わすわけではない
21.6 サンプリングの偏り
21.7 文脈が重要である
21.8 外挿に注意せよ
21.9 テキサスの名射撃手の誤り
21.10 百分率は混乱を呼ぶ
21.11 統計的に優位な差は、無意味であるかもしれない
21.12 回帰の誤謬
21.13 よく用心せよ
第22章 機械学習はやわかり
22.1 特徴ベクトル
22.2 距離
第23章 クラスタリング
23.1 Clusterクラス
23.2 k-平均クラスタリング
23.3 不自然な例
23.4 より不自然さの少ない例
第24章 分類法
分類器の評価
ランナーの性別予測
k-近傍法
回帰をもとにした分類器
タイタニック号からの生還
まとめ
付録A Python 3.5簡易マニュアル
索引