（概要）
現在話題となっている機械学習（Machine Learning）のツールやライブラリは内部でどのような計算をしているのか？　計算で得られた結果にはどのような意味があり，どのようにビジネス活用すればよいのか？――という疑問を持つエンジニアが増えています。本書は機械学習理論を数学的な背景からしっかりと解説をしていきます。そしてPythonによるサンプルプログラムを実行することにより，その結果を見ることで機械学習を支える理論を実感できるようになります。

(こんな方におすすめ）
・機械学習を知りたい方
・しくみを正しく知ってビジネスに役立てたい方

（目次）
第1章　データサイエンスと機械学習

1.1　ビジネスにおけるデータサイエンスの役割
1.2　機械学習アルゴリズムの分類
1.2.1　分類：クラス判定を生み出すアルゴリズム
1.2.2　回帰分析：数値を予測するアルゴリズム
1.2.3　クラスタリング：教師なしのグループ化を行うアルゴリズム
1.2.4　その他のアルゴリズム
1.3　本書で使用する例題
1.3.1　回帰分析による観測値の推測
1.3.2　線形判別による新規データの分類
1.4　分析ツールの準備
1.4.1　本書で使用するデータ分析ツール
1.4.2　実行環境のセットアップ手順（CentOS 6編）
1.4.3　実行環境のセットアップ手順（Mac OS X 編）
1.4.4　実行環境のセットアップ手順（Windows 7/8.1 編）
1.4.5　IPythonの使い方

第2章　最小二乗法：機械学習理論の第一歩

2.1　多項式近似と最小二乗法による推定
2.1.1　トレーニングセットの特徴変数と目的変数
2.1.2　多項式近似と誤差関数の設定
2.1.3　誤差関数を最小にする条件
2.1.4　サンプルコードによる確認
2.1.5　統計モデルとしての最小二乗法
2.2　オーバーフィッティングの検出
2.2.1　トレーニングセットとテストセット
2.2.2　テストセットによる検証結果
2.2.3　クロスバリデーションによる汎化能力の検証
2.2.4　データ数によるオーバーフィッティングの変化
2.3　付録―ヘッセ行列の性質

第3章　最尤推定法：確率を用いた推定理論

3.1　確率モデルの利用
3.1.1　「データの発生確率」の設定
3.1.2　尤度関数によるパラメーターの評価
3.1.3　サンプルコードによる確認
3.2　単純化した例による解説
3.2.1　正規分布のパラメトリックモデル
3.2.2　サンプルコードによる確認
3.2.3　推定量の評価方法（一致性と不偏性）
3.3　付録―標本平均／標本分散の一致性と不偏性
3.3.1　標本平均／標本分散の一致性と不偏性の証明
3.3.2　サンプルコードによる確認

第4章　パーセプトロン：分類アルゴリズムの基礎

第5章　ロジスティック回帰とROC曲線：学習モデルの評価方法

第6章　k平均法：教師なし学習モデルの基礎

第7章　EMアルゴリズム：最尤推定法による教師なし学習

第8章　ベイズ推定：データを元に「確信」を高める手法