データ分析の結果を正しく表現し、適切に伝えられていますか？

本書は、データを効果的に表現するコミュニケーションの技術を、

・考え方（理論編）とテクニック（実践編）に分け、
・実践編では、悪い例と改良例の比較形式で示した72通りの実例を用いて、

わかりやすく伝授します。第7章では、人気のBIツールTableau（タブロー）を用いて、実践的に解説しています。

【保存版】データサイエンティスト転職を決めるポートフォリオのガイドライン

■理論編
第1章データ活用時代の到来
第2章データビジュアライゼーションとは
第3章データビジュアライゼーションに関する﻿定義・研究
第4章データビジュアライゼーションのセオリー

■実践編
第5章Hop!　﻿『インフォメーションデザイン』の基本のキ
第6章Step!　違いを生むテクニック
第7章Jump!　BIツールで差をつける

データビジュアライゼーションの教科書

「ビッグデータ（Big Data）」という用語は，2010年頃から特にビジネスの分野を中心によく見かけるようになり，2012年の米国大統領選をきっかけに爆発的なブームとなりました。しかし，多くの人は，ビッグデータとはいったい何なのかを未だによくわかっていないのが現状だと思います。本書は，データベース研究者である著者が「ビッグデータとは何か」，「ビッグデータに関わる技術や課題とは何か」について常日頃から考えている内容を整理して執筆したものです。
　1章では，まずビッグデータおよびその解析技術について概観します。2章では，ビッグデータ解析の応用事例について，代表的なものを紹介します。3章では，以降の章における技術的な解説の理解を促進するために，ビッグデータ解析の典型的な流れについて，データ収集とデータ解析に焦点を当てて解説します。4～7章では，ビッグデータを支える技術として，分散処理フレームワーク，ストリーム処理エンジン，データベース，機械学習について代表的な技術をそれぞれ紹介します。次に8章では，ビッグデータ解析が今以上に広く浸透するために重要となるオープンデータについて，国内外の動向を踏まえて解説します。最後に9章では，本書のまとめとして，ビッグデータに関する将来の動向，可能性について議論します。
　ビッグデータについて知りたい，学びたいと思っている読者が，押さえておくべき重要な事項を一通り学ぶことができる1冊になっています。

GCP未経験者が三週間勉強してGoogle Cloud Professional Data Engineerに合格した話

1章　ビッグデータとは？
1.1　従来のデータ解析とビッグデータ解析の違い
1.2　ビッグデータ登場の背景

2章　ビッグデータ解析の応用事例と情報爆発プロジェクト
2.1　選挙戦略：（例）米国大統領選挙
2.2　都市部の人流予測
2.3　防災・災害時対応
2.4　Yahoo! JAPANビッグデータレポート
2.5　情報爆発プロジェクト
2.6　将来の方向性

3章　ビッグデータ解析の流れ
3.1　データ収集
3.2　データ解析

4章　ビッグデータを支える技術（1）分散処理フレームワーク
4.1　Apache Hadoop
4.2　Spark
4.3　Storm
4.4　Apache MahoutとJubatus
4.5　SpatialHadoop

5章　ビッグデータを支える技術（2）ストリーム処理エンジン
5.1　ストリーム処理エンジンの概要
5.2　CQL
5.3　代表的なストリーム処理エンジン

6章　ビッグデータを支える技術（3）NoSQLデータベース
6.1　NoSQLが登場した背景
6.2　トランザクション，ACID特性とCAP定理
6.3　NoSQLデータベースの分類と特徴
6.4　代表的な NoSQLデータベース
6.5　まとめ

7章　ビッグデータを支える技術（4）機械学習，深層学習
7.1　機械学習
7.2　深層学習

8章　オープンデータの潮流
8.1　オープンデータとは？
8.2　オープンデータの取組み
8.3　現状のオープンデータの問題点
8.4　オープンデータ化に伴う課題

9章　今後の展望
9.1　オープンデータを効率的・効果的に利用するためのプラットフォーム構築
9.2　人に関わる，人を介したデータ収集・処理

参考文献

あとがき

AI時代を生き抜くにはその震源地ともいえるビッグデータを正しく理解することが必須
（コーディネーター　喜連川優）

ビッグデータ解析の現在と未来

本書は、GoogleがGCP（Google Cloud Platform）上で提供している各種機械学習関連のツール・APIを活用し、実際に機械学習の環境やデータに触れながら、その原理と動作を体験的に学ぶことができる機械学習入門書です。

■対象読者
本書では、実際に手を動かしながら、機械学習を体験的に学ぶことができ、さらに、次の方々の要望にも応えられる内容となっています。
　・機械学習に初めて取り組むエンジニア
　・数学が苦手
　・ツールとしてだけでなく、原理も学びたい
　・学びだけでなく実践につなげたい

■内容紹介
●Googleは、機械学習にも有用な優れた環境を提供しており、特にDatalabはブラウザ上でPythonのコードを実行でき、グラフ・表を出力できるほか、ビッグデータを高速で処理するBigQueryや便利な各種APIにも簡単にアクセスできるツールです。

●本書では、Datalabを通じて、Googleが膨大なリソースを使って初めから用意している機械学習環境にアクセスし、高度な機能と豊富な資源を十分に活用できるよう読者を導いていきます。

●本書による学習では、数式はほとんど使わず、簡単なコードとそのグラフィカルな実行結果により、理解を深めていきます。
まずは識別の基礎から入り、各種識別関数を通じて機械学習の原理や手法を学びます。
続いて実践的にデータを扱いながら、データの評価方法やチューニングを学び、さらに深層学習（ディープラーニング）へと進んでいきます。
深層学習では、画像識別による具体例から始まり、より高度なニューラルネットワークまで学んだ後、実際にGoogleの深層学習用ライブラリー（TensorFlow）を使ってニューラルネットワークをモデリングする方法を学びます。
最後に、画像識別を代表するCNN（畳み込みニューラルネットワーク）の実装法を学び、実運用の入り口へと案内します。

Google認定プロフェッショナル - データエンジニアを受けてきた

■第1部　GCPと機械学習

第1章　GCPを使ってみよう
1　GCPの概要
2　アカウントとプロジェクトの作成
3　Cloud Shell
4　Google Compute Engine
5　Google Cloud Storage
6　BigQuery

第2章　Datalabを使ってみよう
1　Datalabクイックツアー
2　numpyとpandas
3　DatalabとBigQueryの連携
4　Datalabで様々なグラフ描画

第3章 GCPでお手軽、機械学習
1　GCPの機械学習関連サービス
2　Cloud Vision API
3　Cloud Translation API
4　Cloud Natural Language API

■第2部　識別の基礎

第4章　2クラスの識別
1　単純な識別
2　機械学習の導入
3　パーセプトロン
4　損失関数
5　ロジスティック回帰

第5章　多クラスの識別と様々な識別器
1　scikit-learnクイックツアー
2　多クラスのロジスティック回帰
3　サポートベクターマシン
4　ランダムフォレスト

第6章　データの評価方法とチューニング
1　基本的な学習のフロー
2　学習とテスト
3　データの評価
4　パラメータチューニング

■第3部　ディープラーニング入門

第7章　ディープラーニングの基礎
1　画像の識別
2　ニューラルネットワーク
3　活性化関数
4　多クラスの対応
5　様々な勾配降下法
6　TensorFlowの準備
7　ニューラルネットワークの実装
8　DNNClassifierで簡単学習
9　TensorBoard	学習結果の確認

第8章　CNN（畳み込みニューラルネットワーク）
1　これまでの画像識別の問題点
2　畳み込み層
3　畳み込み演算の種類とプーリング層
4　TensorFlowで2層CNNを実装

付録
1　Python2の基本的な使い方
2　Jupyterのセットアップ

順位	圏外
総合点	0点
Googleの検索結果での点数	0点
Qiitaの記事での点数	0点
Twitterでの点数	0点

【GCP】ビッグデータ解析の現在と未来の評価
2021-05-03更新

GCP分野での評価

過去の順位の推移

GCP分野での評価？

過去の順位の推移？

GCP分野での評価

過去の順位の推移