概要

データサイエンティストに求められるスキルは，いまや分析技術だけではありません。実務で活躍できるデータサイエンティストになるためには，チームでの働き方も身に付けなければいけないでしょう。本書では，分析環境の準備・分析データのチェックから，機械学習モデルの運用やプロトタイプ開発まで，データサイエンティストが抑えるべき「分析前後」の知識を身に付けられます。ワンランク上のデータサイエンティストになるための，強力なガイドとなる本です。

こんな方におすすめ

• 新人データサイエンティスト
• 分析技術は学んできて，これからチームで働く人

目次

第1章　実務で生き抜くためのエンジニアリングスキル

1.1　データサイエンティストを取り巻く環境の変遷

• 1.1.1　希少価値が高かったデータサイエンティスト黎明期
• 1.1.2　技術民主化の波とPoC 止まりの現実
• 1.1.3　データサイエンスを価値に繋げるために

1.2　プロジェクトで求められるエンジニアリングスキル

• 1.2.1　データサイエンスプロジェクトのフロー
• 1.2.2　データサイエンティストのスキル習得プロセスによる課題
• 1.2.3　データサイエンスプロジェクト特有の難しさ
• 1.2.4　価値を生むために必要なエンジニアリングスキル

1.3　まとめ

第2章　環境構築

2.1　分析の土台としての環境構築

• 2.1.1　なぜ環境構築が大切か
• 2.1.2　適切な環境構築をするために

2.2　リポジトリの構造を整える

• 2.2.1　適切な構造のリポジトリを作るメリット
• 2.2.2　本書で扱うリポジトリ構成

2.3　VS Codeでの開発環境の整備

• 2.3.1　VS Code の設定
• 2.3.2　VS Code の拡張機能
• 2.3.3　VS Code のデバッガ
• 2.3.4　VS Code のショートカット

2.4　Dev Container による仮想環境構築

• 2.4.1　仮想環境とは
• 2.4.2　仮想環境の種類
• 2.4.3　Docker とDocker Compose
• 2.4.4　Dev Container の使い方

2.5　uv によるパッケージ管理

• 2.5.1　パッケージ管理
• 2.5.2　パッケージマネージャーの比較
• 2.5.3　uv によるパッケージ管理

2.6　まとめ

第3章　コードの品質管理

3.1　Notebookだけのデータサイエンティストからの卒業

• 3.1.1　Notebookの手軽さと課題
• 3.1.2　Notebook vs Python Script
• 3.1.3　NotebookユーザーのためのPython Script入門
• 3.1.4　一歩上のNotebookの使い方

3.2　コード品質とは

• 3.2.1　コード品質の重要性
• 3.2.2　品質の高いコードとは

3.3　品質の高いコードとその実現方法

• 3.3.1　関数
• 3.3.2　クラス
• 3.3.3　命名
• 3.3.4　コメントの書き方
• 3.3.5　コーディング規約
• 3.3.6　型ヒントと静的型チェック
• 3.3.7　テスト
• 3.3.8　品質の高いコードを書けるようになるためには

3.4　コードレビューによる品質管理

• 3.4.1　コードレビューとは
• 3.4.2　コードレビューの利点と継続のために
• 3.4.3　Gitブランチ戦略を取り入れる
• 3.4.4　コードレビューの心得
• 3.4.5　チームでの効果的なコードレビューを目指して

3.5　まとめ

第4章　データの品質確認

4.1　データの品質確認の重要性

• 4.1.1　データの品質との向き合い方
• 4.1.2　現場のデータが汚い原因

4.2　分析開始前のデータ確認

• 4.2.1　データの背景を理解する
• 4.2.2　データの品質を理解する

4.3　Panderaによるデータフレームのバリデーション

• 4.3.1　データ加工時の品質担保
• 4.3.2　Panderaによるバリデーション

4.4　データ品質管理の継続的な取り組み

• 4.4.1　データの変化のモニタリング
• 4.4.2　データ基盤チームとの連携による品質改善

4.5　まとめ

第5章　機械学習モデルの実験管理

5.1　実験管理の意義

• 5.1.1　データサイエンスプロジェクトの不確実性
• 5.1.2　実験管理の必要性
• 5.1.3　実験管理ツール

5.2　Hydraによるパラメータ管理

• 5.2.1　Hydraの概要
• 5.2.2　Hydraのインストール
• 5.2.3　Hydraの基本機能
• 5.2.4　Hydraの実践的な機能

5.3　MLflowによる実験の比較

• 5.3.1　MLflowの概要
• 5.3.2　MLflowのインストール
• 5.3.3　MLflow Trackingのコンセプト
• 5.3.4　MLflow Trackingによる実験管理

5.4　まとめ

第6章　プロトタイプ開発

6.1　プロトタイプ開発の意義

• 6.1.1　プロトタイプ開発とは
• 6.1.2　データサイエンティストに求められるアウトプット
• 6.1.3　プロトタイプ開発の利点
• 6.1.4　アプリケーションフレームワークの種類

6.2　Streamlitによるプロトタイプ開発

• 6.2.1　プロトタイプの紹介
• 6.2.2　Streamlitの概要
• 6.2.3　Streamlitのインストール
• 6.2.4　Streamlitによるシンプルなアプリケーションの作成
• 6.2.5　Streamlitの機能・コンポーネントの紹介
• 6.2.6　プロトタイプの作成

6.3　まとめ

サポート

現在サポート情報はありません。