LoginSignup
501
698

Developer Roadmapsというサイトがすごいです。ITエンジニアの分野別にスキルアップのロードマップが示されています。
言語、基盤、アプリ、かなり網羅されています。

その中のAI and Data Scientist Roadmapについての推薦図書まとめです。

  • 雑感
    • これだけ学んでいれば「こいつ知ってるな」感がありますね。ただ気になる点としては
      • ビジネス、ドメイン知識や分析目的定義などのスキルについて言及がないのは残念。
      • いきなり数学から入るコースになってますが、一旦は飛ばしてコード写経してから戻ってきても良いと思います。ここで挫折すると勿体無いので。
      • 計量経済学重視の観点はいいですね、触れてない人が多いですがビジネスでのデータサイエンスであればこの観点が重要なので。
  • 以下にそのカテゴリに対応する日本語書籍を19冊挙げてみました。
    • 数式をきちんと追うよりもコード写経でたくさんのアルゴリズムに触れてなれ、その後に数式に戻った方が理解が早いと思います。ですので理論については優しめ、コード写経多めで以下ご紹介します。
    • もっと学びたいという方は私の別記事2023年版データ分析の100冊をご参照ください

Mathematics 数学

  • Linear Algebla, Calculus, Mathematical Analysis 線形代数、微積分、解析学
  • Differential Calculus 微分積分
    • 重複していてよくわからないところもあるが線形代数と微積分のことを言っていると思われます。
    • まず、高校レベルの数学が出来てない方は本屋で良さそうな本を見つけてください。
    • 次に大学一年レベルの線形代数と微積分も優しい本もあるので、ここではデータサイエンスに向けた本としてここら辺をわかっていると次の本に進むのに便利という最低限のハードルとして。
    • 統計学のための数学入門30講
      • 隠れた名著。
      • 微積分と線形代数が入っています。それらを勉強しているとそれが統計学のどこに役立つのか見失うことがあるのですが、統計学のここで使われるよ、ということを明示した本です。微積分と線形代数の基礎自体の言及はさらっとしているのでそこは別の本で読んだ後、あるいは並行して読むと良いかと。
    • これなら分かる最適化数学: 基礎原理から計算手法まで
      • これも隠れた名著。
      • タイトルからはわかりにくいのですが、機械学習は誤差を最小化する最適化をする場合がほとんどであり、最適化の数学をぶん回しているとも言えます。そして、最適化のために微積分や線形代数がどう使われるかを丁寧に解説してます。
      • 本書がわかると、数式だらけの本も少なくとも「どういうことをやろうとしているか」くらいはわかるようになります。

Statistics 統計学

Econometrics 計量経済学

  • 計量経済学もかなり分野として広いですが、ここでは実証分析としての重回帰や時系列分析の基本を学べと言っていると思います。

Coding コーディング

Exploratory Data Analysis (EDA) 探索的データ分析

Machine Learning 機械学習

Deep Learning

MLOps


  • Data Analyst Roadmap の記事も書きました。

501
698
1

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
501
698