生成AIで分析できる時代。それでも読むべき機械学習・データ分析70冊【2026年版】

• 生成AIが普及した結果、機械学習・統計・データ分析の役割はどう変わったのか？生成AI時代の基準で選び直した厳選70冊

1. はじめに

今回は今まで以上に悩みました。生成AI時代にこれらの本が対象とする技術が必要なのか。必要としても今までと同じではないのではないか。
今回の編集方針。

• ビジネスの課題をデータ分析文脈に載せる、またデータ分析結果をビジネス文脈に戻す
  $\Rightarrow$ ビジネス課題定義・結果説明的な本は残す、あるいは追加
• OOOという方法があるのだと知る入門・アラカルト的な本
  $\Rightarrow$ 入門・アラカルト的な本は残す、あるいは追加
• あるXXXという方法の結果を生成AIが出したときに成否を正しく判断できる本質的な理解は重要
  $\Rightarrow$ その分野のバイブル的な本は残す、あるいは追加
• よって、テクニック的な本、中級的な本はかなり減量する
  $\Rightarrow$結果として昨年の104冊→70冊

考え方、

AsIs現状を把握する。つまりビジネスの困りごとを機械学習文脈に翻訳する工程
機械学習の結果をToBeあるべき姿への意思決定に翻訳する工程

を中心にする。

• 優先度高：AsIs理解
  • 現状のビジネスの困りごとをデータ分析の文脈に落とし込むことは生成AIでもまだ難しい
• 優先度高：そういう手法があると知る
  • 生成AIが提案してくれる場合もあるが、そもそもそういう手法があると知らないとそこに至らないことも多い（前述と理由と同じ）
  • $\Rightarrow$その分野の入門的な本
• 優先度低：その手法の実践方法
  • ここは生成AIでかなり省略できる
• 優先度高：その結果の解釈方法
  • 生成AIの回答が誤っていないかの確認には、その手法の本質理解が必要（前述の理由と同じ）
  • その結果をビジネス文脈でどう解釈し、ToBeへの意思決定にどう繋げるか

参考

毎年書き続けてまいりましたがこういう形の記事は今年で最後かもなー。まだ、このレベルの選書リストは出来ないと自負しておりますが、来年はもう出来ちゃうでしょう。
また、書いても生成AIの記事と1つにするかどうか。まぁご笑覧ください。

過去の履歴

• 2025年版機械学習・データ分析の必須10冊+ガチ89冊+Next5冊=104冊
• 2024年版機械学習・データ分析の必須10冊+ガチ90冊+Next5冊=105冊
• 2023年版データ分析の100冊
• 2016年【データ分析の必読10冊+差をつける10冊＋100冊超】データサイエンス、データ分析、機械学習関連の本

生成AIの本

• 生成AIについて
  • 同じく生成AIの本のご紹介をしています

今回の70冊

• New＝2026年版で初めて掲載する本
  • 2025年版以前に掲載され、2025年で削除し、今回復活した本は集計では「既存」に、その本の箇所には復活の旨追記しています

また今回、必須10冊、読む順チャートも外しました。目的に応じご自身で組み立ててみてください。コメント欄等でご質問いただければご提案させていただくことも可能です。

ざっくり目安を「カテゴリ」として示しておきます。

カテゴリ	章	冊数	既存	New
データ分析の全体像をつかむ	全体像・データ分析の仕事	5	3	2
基礎を固める	数学・確率・統計	6	5	1
データを整え、特徴をつかむ	Python・SQL・データ加工	5	4	1
データを整え、特徴をつかむ	特徴量設計・探索的データ分析・可視化	8	8	0
基礎を固める	機械学習	10	10	0
	各論
予測・不確実性・異常を扱う	ベイズ	3	2	1
予測・不確実性・異常を扱う	時系列	5	5	0
予測・不確実性・異常を扱う	異常検知	3	2	1
因果や関係性を捉える	因果推論	7	2	5
因果や関係性を捉える	ネットワーク科学	3	3	0
因果や関係性を捉える	グラフニューラルネットワーク	2	0	2
分析から意思決定につなげる	数理モデリング・最適化	2	1	1
分析から意思決定につなげる	ビジネス・意思決定	2	2	0
AIを説明・運用する	データ基盤・データマネジメント	2	2	0
AIを説明・運用する	説明可能性・倫理	5	3	2
知識を確認する	資格	2	1	1
	合計	70	53	17

目的カテゴリ	章
	全体像・データ分析の仕事
	数学・確率・統計 / 機械学習
	Python・SQL・データ加工 / 特徴量設計・探索的データ分析・可視化
	ベイズ / 時系列 / 異常検知
	因果推論 / ネットワーク科学 / グラフニューラルネットワーク
	数理モデリング・最適化 / ビジネス・意思決定
	データ基盤・データマネジメント / 説明可能性・倫理
	資格

昨年度の104冊から52冊削除、17冊新規追加、1冊復活で計70冊

削除した内容

一部の本は内容が古いものもありましたが、その他の本は必ずしも価値が減じたわけではなく上記編集方針によるものです。

削除した項目・本

項目

• 「必須の10冊」
  • 目的により変わるかなと思われ削除。必要な本はそれぞれのジャンルに
• その他項目は大幅に見直しました

本

• データ分析全体・ビジネス力　4冊削除
  • 生成AI時代にはAI・データ分析とビジネス・組織のあり方の再定義が必要かなと判断
  • データ分析・AIを実務に活かす データドリブン思考
  • 仕事ではじめる機械学習 第2版
  • 最強のデータ分析組織
  • ビジネス課題を解決する技術〜数理モデルの力を引き出す3ステップフレームワーク
• 確率・統計　3冊削除
  • ここは迷っていますが、リストアップした本とオーバーラップ＋生成AIによる理解でなんとかなるのではないかと
  • データ分析に必須の知識・考え方 統計学入門
  • 公式と例題で学ぶ統計学入門
  • プログラミングのための確率統計
• 機械学習理論・アルゴリズム　4冊削除
  • 確率・統計と同じく
  • 見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑
  • 本質を捉えたデータ分析のための 分析モデル入門
  • Pythonで始める教師なし学習
  • Optunaによるブラックボックス最適化
• 因果推論・因果探索　4冊削除
  • 確率・統計と同じく
  • 因果推論入門〜ミックステープ
  • A/Bテスト実践ガイド 真のデータドリブンへ至る信用できる実験とは
  • 反実仮想機械学習〜機械学習と因果推論の融合技術の理論と実践
  • Pythonライブラリによる因果推論・因果探索[概念と実践] 因果機械学習の鍵を解く
• 異常検知　1冊削除
  • Pythonによる良い実践書が出てきたため
  • 入門 機械学習による異常検知―Rによる実践ガイド
• ネットワーク分析　1冊削除
  • 各論に入りすぎかなと思われるため
  • ゲーム理論からの社会ネットワーク分析
• スパースモデリング　2冊削除
  • 同じく各論に入りすぎかなと思われるため
  • ITエンジニアのためのスパースモデリング入門
  • スパース推定法による統計モデリング
• 強化学習　1冊削除
  • 例示や使用ライブラリが古くなったため
  • 機械学習スタートアップシリーズ Pythonで学ぶ強化学習 [改訂第2版] 入門から実践まで
• ベイズ　3冊削除
  • 確率・統計と同じ
  • Pythonでスラスラわかる ベイズ推論「超」入門
  • ゼロからできるＭＣＭＣ　マルコフ連鎖モンテカルロ法の実践的入門
  • Pythonではじめるベイズ機械学習入門
• 評価指標　1冊削除
  • 確率・統計と同じ
  • 評価指標入門〜データサイエンスとビジネスをつなぐ架け橋
• データ可視化　3冊削除
  • 確率・統計と同じ
  • フィナンシャルタイムズ式 図解の技術
  • ハーバード・ビジネス・レビュー流 データビジュアライゼーション
  • データ分析者のためのPythonデータビジュアライゼーション入門
• 時系列分析　3冊削除
  • 確率・統計と同じ
  • Pythonによる時系列分析
  • 時系列解析: 自己回帰型モデル・状態空間モデル・異常検知(Advanced Python)
  • 点過程の時系列解析
• 画像解析　1冊削除
  • 確率・統計と同じ、また各論に入りすぎかなと思われるため
  • ディジタル画像処理 改訂第二版
• 地理空間　1冊削除
  • 確率・統計と同じ、また各論に入りすぎかなと思われるため
  • Pythonによる地理空間データ分析
• 実験計画法・数理最適化　2冊削除
  • 確率・統計と同じ、また各論に入りすぎかなと思われるため
  • Ｐｙｔｈｏｎで学ぶ実験計画法入門　ベイズ最適化によるデータ解析
  • Pythonではじめる数理最適化(第2版): ケーススタディでモデリングのスキルを身につけよう
• 数学　1冊削除
  • 確率・統計と同じ
  • スタンフォード ベクトル・行列からはじめる最適化数学
• データマネジメント　2冊削除
  • 確率・統計と同じ
  • 世界標準のデータ戦略完全ガイド データセンスを磨く事例から、データの種類と仕組み、戦略策定のステップまで
  • Apache Spark徹底入門
• 構築・運用　2冊削除
  • 確率・統計と同じ、また生成AI時代にはシステム構想の見直しが必要ではないかと思われるため
  • AIエンジニアのための機械学習システムデザインパターン
  • ディープラーニング実践ガイド
• 資格　2冊削除
  • 確率・統計と同じ
  • 日本統計学会公式認定 統計検定準1級対応 統計学実践ワークブック
  • 応用基礎としてのデータサイエンス 改訂第2版 AI×データ活用の実践
• Kaggle 4冊削除
  • 確率・統計と同じ
  • 実践Data Scienceシリーズ PythonではじめるKaggleスタートブック
  • Kaggle Grandmasterに学ぶ 機械学習 実践アプローチ
  • Kaggleに挑む深層学習プログラミングの極意
  • グランドマスター三冠のKaggleノートブック開発術 単変量解析から地理情報分析／偽動画検出／LLMまで
• プログラミング　3冊削除
  • 確率・統計と同じかつ生成AI時代には見直しが必要と思われる
  • Python 実践AIモデル構築 100本ノック
  • PyCaretで学ぶ 機械学習入門
  • Ｐｙｔｈｏｎで学ぶアルゴリズムとデータ構造 データサイエンス入門シリーズ
• Next（データ分析の次の技術的な意味合い）　4冊削除
  • 各論に入りすぎ
  • Pythonではじめるオープンエンドな進化的アルゴリズム
  • Data-centric AI入門
  • Federated Learning: プライバシー保護下における機械学習
  • 生成AIの本2026に移動
  • 記号創発システム論 来るべきAI共生社会の「意味」理解にむけて (ワードマップ)

全体像・データ分析の仕事

書名	内容
AI・データ分析プロジェクトのすべて ビジネス力×技術力=価値創出	プロジェクト全体像の本ですが「ビジネス」に位置付けました データ分析プロジェクトの全体像を俯瞰的に解説した本。アルゴリズムがどうのではなくて、体制の組み方、外注の仕方などプロジェクト自体をどう設定してどう動かすのかについて書かれている。 入門として薦める方がいらっしゃいますがこれを読んでしっくり来るかは疑問。ある程度試行錯誤したあとの整理に良い本ではないかと思います。
データ分析失敗事例集: 失敗から学び、成功を手にする	本当に本書に書いてる通りに失敗するよ！「AIは分からないからお前に任せた」という人が、機械学習と深層学習の違いも分からないのに「ディープラーニングなら出来るはずだ！」とか割り込んで来て大変。 失敗しないために、失敗を知っておこう。 データ分析PJを多数実践してきた方ならば目次だけで泣けるだろうし、これからの方は次に迫る失敗を乗り越えるために要注意な点が満載 Part Ⅰ　「えーあい」でなんとかして！ CASE 1　ＵＩを統一してＵＸが破綻する　 CASE 2　誰のための仕事？ それが問題だ　 CASE 3　最先端アピールのための最先端プロジェクト　 CASE 4　本当に季節性はありますか　 CASE 5　レコメンドの必要ありますか　 CASE 6　分析を現場でどう使うか　 CASE 7　ほとんど故障しない製品の故障予知　 CASE 8　ＡＩという言葉の曖昧さ　 CASE 9　そんな目的変数で大丈夫か　 コラム　データサイエンティストとしての生き方　 Part Ⅱ　翻弄されるデータサイエンティスト CASE 10　成功した報告しか聞きたくない　 CASE 11　ターゲティングの必要性　 CASE 12　決定木分析は決定木だけではない　 CASE 13　ドメイン知識の重要性　 CASE 14　政治的な数字の応酬　 CASE 15　プロダクトアウトでもドメイン知識は大事　 CASE 16　スタイルの違いが引き起こした混乱　 CASE 17　いくら分析したところで、売れないものは売れない　 コラム　データサイエンティストの人事事情　 Part Ⅲ　その失敗を超えてゆけ CASE 18　カオス状態のＢＩレポート　 CASE 19　用意できたのは集計データのみ。予測精度はどこまで……　 CASE 20　取ってびっくり、こんなに使えるデータは少ないのか　 CASE 21　頑張って予測していたのは……　 CASE 22　木を見て森を見ずはキケン　 CASE 23　総人口の十倍を超えるＩＤ数との出会い　 CASE 24　最終報告が終わってから集計の仕様が決まる　 CASE 25　機械学習モジュールの寿命　 コラム　絶対に失敗しないデータ分析
なぜ「戦略」で差がつくのか。	本書は機械学習やデータ分析の本ではありません。ただ、目的と手段を誤った「AIでなんかやれ」もまだまだ多数見受けられます。そもそも我が社、お客様は何をしたいのかを考える必要があるでしょう。 そもそもデータ分析が必要なのか、そのデータ分析プロジェクトで何をしたいのか、リソース制約は何か、整理することが求められます。本書は関係者の共通理解を得るための第一歩になると思います。 戦略についてどうこう議論している本は数多あるものの、「戦略」とは何かをきちんと定義している本はまず見ないです。みんな「戦略」を定義しないまま好き勝手に言ってませんか。 「戦略」と口にする人ほど、戦略的に捨てた選択肢を、「とは言ってもこの観点もあの観点も必要だやってないのか」と蒸し返します。 マーケター向けの本であり、本ブログ著者青木もマーケティング関連の勉強として読みましたがかなりの衝撃を受けました。マーケティングのみでなくおよそビジネスで「戦略」という言葉が出てくる分野には全て通用する話です。 皆簡単に「戦略」という言葉を使い共通理解がないまま破綻していませんか。 Amazon紹介ページにある通り、ほとんどの会社が無自覚に「戦略」という言葉を使っていると思います。 しかし、経営戦略、マーケティング戦略、広告戦略、営業戦略… と企業の中では「戦略」という言葉が必要以上に多用されています。定義や意味が曖昧なため、ビジネスの現場で混乱や誤解を招く原因にもなり、実際的に戦略を運用する上では、ほとんど役に立ちません。 つまり「戦略」は、いまだにかなり曖昧な単語だということです。戦略の考え方のひとつを理解することは、今後の選択や意思決定に対して有効な指針となります。本書は、それぞれの読者が戦略を実践的な思考の道具として体得されることを目指すものです。 本ブログ著者の青木は「戦略においては、限られたリソースのもと目的達成のために何を実施し、何を捨てるか、の『何を捨てる』の共通理解を得ることが一番大事」と本書を理解しています。
先輩データサイエンティストからの指南書	New データサイエンティストに必要な実務で成果につなげるための分析前後のエンジニアリングスキルをまとめた本 VS CodeやDev Container、uvによる環境構築から、コード品質、データ品質、MLflowによる実験管理、Streamlitによるプロトタイプ開発までを扱っている 入門書等でNotebookでモデルを作れるようになりました、の段階から、チームで再現性のある分析・開発を進められるようにステップアップしたい人むけですね
データストーリー説得技法 データ 筋書き 視覚化で経営を動かす	New では、その分析結果をどうビジネス側に伝えれば良いかの本 「可視化」の項目に入れてもいいのですが可視化技法よりも、意思決定者にどう伝えたら伝わるかに重点があります 優れた分析結果を「正しい」で終わらせず、意思決定者の納得と行動につなげるためのデータストーリーテリングを体系的に学ぶ グラフ作成の技法だけでなく、認知心理学や行動経済学の知見も踏まえて「人を動かす伝え方」まで扱うため、データ分析を実務成果につなげたい人に向け

数学・確率・統計

書名	内容
妥協しないデータ分析のための 微積分+線形代数入門	好著連発のソシムのカラフルシリーズ そして目次を見てよ、ちゃんと勉強している人ならわかるはず。「そこを知りたかった」が書いてある。 線形代数基礎→微分積分基礎→微分積分と線形代数のデータ分析の関係について 微分積分と線形代数について数学的には重要だけれど機械学習では優先度が低い点は大胆に省いて、その代わり本の入り口ではありますが話題の生成モデルである拡散モデルにまで触れている 問題演習は別の本でやった方がいいけれど、どこまでが必要かってわからないじゃないですか数学って「この範囲ですよ」って示してくれる貴重な1冊 『統計学のための数学入門30講』と差し替えになりました（長い間ありがとうかつ演習もするなら30講もまだまだ有用。
基礎から学ぶ統計学	東京大学出版会『統計学入門』を入門に指定されることが多いですが（昔は私もそうしてた）正直統計学の概念は難しく、もっと基礎的なところに絞ってしっかり身につけた方が良いかと。そうなるとこの本。 北大農学部の統計学入門の授業をテキストにまとめたようです。ですので必ずしも数学に馴染みがない学生向けに非常に丁寧にリアルな例とグラフを多用してわかりやすく説明しています。 後述の『データ分析に必須の知識・考え方 統計学入門』の方が範囲が広いのでやや手薄になりがちな基本概念を非常に丁寧に解説しています。「統計学は問題なし」という方でもなければまず本書が良さそうです。
これなら分かる最適化数学	機械学習でも用いられる最適化に必要な（もののみの）微分積分、線形代数の解説。好著中の好著と思いますが、紹介されることが少ないので、これで差が付きます！ 機械学習・深層学習のための数学、と題した本が出ていますが内容は微分積分と線形代数の普通のテキストをかいつまんで式の羅列のみって残念な本が多い。機械学習は結局は、モデルを作る→正解との誤差を最小化する≒最適化！、なのでここに特化した本書が一番核心をついて分かりやすいと思います。 コンセプトは上記書「統計学の~」に似ているが本書は、より目的の最適化に特化しており、例題を解いていくと定着するようになっている。 「最適化」という言葉がごっちゃでわかりにくいですが、機械学習は誤差を最小にする最適化、数理最適化はコストを最小にするなどの最適化となりどちらも「最適化」が必要です
プログラミングのための線形代数	微分積分は、傾きを求める、細かく分けて足し合わせる、ってなんとなく意味がわかるけれど線形代数って一体なんなんだ？ 線形代数の「意味」が分かる 行列は写像だ！
「集合と位相」をなぜ学ぶのか	微積と線形代数は手を動かす労力を惜しまなければなんとかなると思う。でも集合と位相は「そもそも何をやっているのか？」が全くわからなくなる 最初から読まなくてもよいと思う。以降で紹介する本のなかで、〇〇集合、位相〇〇などの沼にはまりかけたら本書を読むといいと思う。完全解決するわけではないが、ちゃんと意味があってそういった概念が導入されていることは分かる。私も泥んこになりながら格闘中なので大きなことは言えないが、統計学がセクシーな学問とするのであれば、集合・位相をマスターすることが、下記の分かれ目と思っている。 一発屋のグラビアアイドルで終わるのか、女性にも一目置かれる素敵な女優になれるのか 一発屋のアイドル歌手で終わるのか、男性にも一目置かれる素敵な俳優になれるのか 人工知能に使われるデータ処理屋で終わるのか、人工知能にも一目置かれる素敵な課題設定者になれるのか
AIがわかる数学入門	New 購入したばかりで読み進め中 AIを支える数学を、線形代数や確率だけに限定せず、最適化、特異値分解、グラフ理論、生成モデル、因果、強化学習、オペレーションズ・リサーチまで広く横断して学ぶ本 各数学概念を機械学習やAIの具体的な応用と結びつけて解説し、公開データセットとJupyter Notebookで実践もできる AIや機械学習について「その背後でどんな数学が使われているのか」を俯瞰したい人向け

Python・SQL・データ加工

書名	内容
Python機械学習プログラミング ［PyTorch＆scikit-learn編］ (impress top gear)	私が読んだのはこのシリーズの初版で正直この版は読んでませんが、変わらず評判が良いので挙げました。第3版まで出て2022年に新たにPyTorch & scikit-learn編となっていますが、実質第４版との位置付けつまり最新版とのことで良いと思います。 学び方はいろいろあると思いますが、数式を見てすぐ具体的イメージを掴める人は別として、そうでない方はまずコード写経で、こういうデータを投入してこのライブラリを使うとこういうアウトプットが出るのが〇〇アルゴリズムなんだ、という体で覚えてあとで理論を学ぶ方が早道と思う なので機械学習の広い分野のコードが載っている本でコード写経が一番だと思っています。 私はRから入ったので『Rによるデータサイエンス』という本ではじめましたが、それが現在の基礎になっています。Pythonで機械学習の本も多数出てますので本書にこだわる必要はなく、伝えたいことは「まずは習う（数学で行き詰まる）より慣れろ（コード写経で機械学習を体験しよう）」です。
改訂新版 前処理大全	実業務ではデータの汚さと格闘することになります。 データ分析の8割は前処理、などと言われる割にはまとまった解説書がないところに前の版が出てその後類書が増えましたけれど分かりやすさ、網羅性でやはり本書ですね。 データの集計・結合・分割・生成などの整形の大全。1つの課題に対し、SQL、Python /Pandas系、Python/Polars系の3言語（ライブラリ）でどう対処するかのコード例、また言語による得手不得手の明示 ググればたいてい見つかるものだけど、思い込みで局所解に陥っていたら効率の悪いコードにハマっているかも。一度正解を眺めておくだけでも前処理の深みにハマることを避けられると思う
Ｐｙｔｈｏｎではじめる オープンデータ分析	New 政府統計や企業・金融データなどのオープンデータを題材に、データの取得から加工、可視化、分析までをPythonで一通り学べる実践的な本 e-Stat（日本の政府統計総合窓口）、EDINET（金融庁：企業財務）、FRED（米国セントルイス連邦銀：経済統計）、gBizINFO（経産省：法人情報）など実際に利用できるデータソースを扱い、公開データから社会や経済を読み解く方法を身につけられる 本記事著者はe-Stat, FREDは使ったことがありますがデータ分析の観点だとフォーマットなど微妙に扱いにくのでノウハウが必要 パブリックなデータについて「どこからデータを入手し、どう分析につなげるか」まで学びたい人向け
欠測データ処理: Rによる単一代入法と多重代入法	Rでの本ですがPythonでの本で適当なものがなく、要点は言語関係ないので取り上げました 欠測値の扱いはこれからどんどん高まるはず。 機械学習アルゴリズムによっては欠測値は特に処理しないでそのまま扱えることも多いけど、そうでない場合もある。そんなとき欠測値は厄介なのでみんな適当に処理しがち。 結構しっかりした統計の本でも「欠測値があるデータは除くこと」、「平均で埋める」などとしていることが多いが、むやみにデータを除くと分散などが歪む、適切な値で埋めないと分散が小さくなる、正しく埋める方法がある ことをRコードを示しながら丁寧に解説している。日本の統計の杜撰さが話題になってますが意図して、せずに関わらずビジネスのデータは欠損が多い。今後非常に重要になってくるはずです。今のうちに学ぼう。
入門 サンプルサイズ設計	本書のまえがきに、『サンプルサイズの決め方』の前段階の入門書の旨の説明があります。 Rを用いて下記の説明があります。 １標本・２標本について平均値、割合、感度・特異度の検定 １標本の平均値・割合、２標本の平均値・割合の差の信頼区間 シミュレーションによるサンプルサイズ設計 『サンプルサイズの決め方』も良い本ですがやはり難しい面があり、食わず嫌いをするよりも優しい本書でしっかり基礎固めをした方が良いかなと今回差し替えました。

特徴量設計・探索的データ分析・可視化

書名	内容
機械学習のための特徴量エンジニアリング	機械学習モデルにそのままデータを投入すればよいわけではなく特徴量のうまい調理方法がありそれは特徴量エンジニアリングと呼ばれる 『前処理大全』『Kaggleで勝つデータ分析の技術』にも一部言及があるが本書は特徴量エンジニアリングに特化した本。 数値データの対数化等の加工、自然言語処理でのBoW、カテゴリデータの扱い、次元削減、k-means、深層学習での画像特徴量の抽出など基本だが重要な概念をコード例付きで詳しく解説している。
事例で学ぶ特徴量エンジニアリング	特徴量エンジニアリングの基礎のおさらいと、COVID-19データによる欠損値補完など、バイアス・公平性、自然言語処理の特徴量、画像処理、時系列データ、特徴量ストアまでを事例に基づいて紹介。 ほら、特徴量エンジニアリングって理屈の基礎的なところは、ふむふむ、となりますがいざ実際のテーマ・データを対峙すると「あれ、どうすんだっけ？」ってなりますよね。そこをつなぐ・うめるような本かな。 翻訳者さんが本書の解説しているQiita記事改めて「特徴量エンジニアリング」とは何か？もわかりやすいからこれだけでも読んで。
Kaggleで勝つデータ分析の技術	Kaggle本ですが、Kaggleのためであれば新しい本が出ており、本書は古くなっています。本書はKaggle向けだけではなくデータ分析に必要な特徴量エンジニアリングを含めて基本的なノウハウを網羅しているので、あえてこちらに入れました。 爆売れしているらしい。そら売れるだろう。キャッチーな「Kaggleで勝つ」に加えて内容がいいもの。 Kaggle名人（Masterなど）がドヤ顔せず丁寧に手の内を明かしてくれている。 データの前処理、アルゴリズム選定、パラメータ設定等あるいみすべて。 Kaggleで勝つための小細工もあるが、Kaggleなんてする気ねぇという気質の分析者にも実務で得るところ多いはず。 いやーこんなのが日本語で数千円で読めるなんてすごい時代になったなー昔なんて洋書か大部な数式だらけの本しかなかったんだぜ。
データ視覚化のデザイン	著者はTableauのコンサルティングがご専門のようですが広くデータ分析での可視化にもそのまま適用できる本かと思います。データ分析に詳しくないユーザーや顧客に分析結果をどう提示するかに悩んでいる方には必読と思います。 作図をしているとついつい情報を詰め込みがちになるのは誰しも経験のあるところではないでしょうか。本書にある「詰め込むな削れ」は痛いところを突かれたと思う方も多いのではないでしょうか。 通常のデータ分析での可視化の本はライブラリの使い方がメインですがそもそもどういう伝え方をしたいのかで図が決まりますがそこを解説している本は少ないです。目次も、魅せ方を意識した内容です。 第1章 データ視覚化「キモのキモ」 第2章 これだけでグッとプロっぽくなるコツ 第3章 目的に応じたチャートの選択 第4章 事例で学ぶーダッシュボード作成過程思考キャプションー 第5章 本当に組織に根付かせるために
指標・特徴量の設計から始める データ可視化学入門	他の本は、可視化までのデータ集計はすでにあって、「どう表現すると読み手に伝わるか」がメインなのですが、本書は「そのデータの特徴を表すのにはどのような加工、まとめ方があるか」の方にメインを置いているんですね、そこがいい。 つまりデータ可視化だけではなく、特徴量エンジニアリングはどうしたら機械学習に適したデータ加工ができるかですが、そのなんていうんだろう、可視化エンジニアリングともいうべき内容なんですよ。 数量を把握する、メカニズムをとらえる、多変数をとらえる、データの分布をとらえる、関係性をとらえる、パターンをとらえる、の観点でノウハウを教えてくれます。 『データ視覚化のデザイン』とどちらを10冊に入れようか迷ったのですが、『データ視覚化のデザイン』は万人に必須、本書はどちらかというとデータ分析するならば必須という感じですかね。
データ可視化の基本が全部わかる本 収集・変換からビジュアライゼーション・データ分析支援まで	（コーディングやツールの使い方以外ですが）データ可視化について必要なことが全部書いてある！！！ データ可視化に携わる人（コンサルタント、データサイエンティスト、デザイナー等）の共通認識の書として輪読などが望ましいと思う 色の使い方、グラフの使い分け、表示の心理的影響など類書に書いてあることが全部書いてある 本当この1冊だけでいいかも来年からは大幅に見直す
ビジネスダッシュボード 設計・実装ガイドブック 成果を生み出すデータと分析のデザイン	CDP（カスタマーデータプラットフォーム）の第一人者トレジャーデータの専門家がダッシュボードについて解説した本 トレジャーデータのツールに依ることなく一般論として語られているのでツール関係なくノウハウを学べます
インフォグラフィック制作ガイド　「関係」を可視化する情報デザインの手引き	データ分析における可視化とはちょっと毛色が違いますが、生成AIがデータ分析を自動化する中、ユーザの人にどう伝えるかが人間としての重要な役割となると思います 他の本はデータをどう正確に伝えるかがインフォグラフィックはその情報をどう伝えるか（必要に応じてデフォルメなど）が主です 今後重要性が増すと考えています

機械学習

書名	内容
分析者のための データ解釈学入門	「私が5年も回り道して学んでいたのは何だったのか！」 ただ、最初にこれだけを読んでも理解が深まるかは分からない。前述の本等で自分で手を動かしていろいろ苦労して疑問が山のように出てから本書を（まー並行してでもいいか）読むと理解が深まると思う。 帯にもありますが「データの取得・分析・解釈・活用の各段階で知っておくべき技術」が分かる。まぁまぁのベテランでも誤解しやすいところも分かる。必読の本。
はじめてのパターン認識 いわゆるはじパタ本	これも類書がたくさん出てきたので他にも良い本があるかもですが（正直私がこれ以外知らんので）、いまだに売れているようで間違いはないと思う。 本書が理論入門の定番とされている、と思う。深層学習については言及がないが、機械学習で用いられる手法についてほぼ網羅されている。後掲PRMLを勧める方が多いが、研究者でもない限りいきなり読んでも挫折すると思うのでまずは本書からが良いと思う。 ディープラーニングについては書いてませんが、まずは基本を押さえるということで。ディープラーニングについては本書のディープラーニング編もあるようですが、類書がたくさんありますね（後述）。
ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装	ライブラリを用いたコーディング事例ではなく、ディープニューラルネットワーク自体をほぼスクラッチで書こうという本 ディープラーニングよりもその基礎のニューラルネットワークの解説が中心。 数式の本が難しく、フレームワークでなぞるだけでは物足りない方が、原理をしっかり理解したい場合の導入としてちょうどよい本と思う。
ディープラーニングを支える技術	類書がたくさんありますが難しいか端折っていて要点がわからないか 本書は第一人者のPFN岡野原氏の著者であり、要点を外さない解説
ディープラーニングを支える技術２	本書は前著に続き「生成モデル」「深層強化学習」について解説している
深層学習　改訂第２版	本記事著者青木は本書の第一版を数式を解きおこしながら読んでだいぶ助けられました。 講談社機械学習プロフェッショナルシリーズ『深層学習』の学習 第1章 はじめに、第2章 順伝播型ネットワークの学習 から８章まで 第二版は大幅増量し走り読み程度しかまだできてませんが。 骨格のところを丁寧に記述しているので、深層学習を扱うならば一度時間をかけて数式を追って読み通すのがブレない土台をしっかりさせる近道と思います
パターン認識と機械学習 上 パターン認識と機械学習 下 いわゆるPRML	ベイズの立場から機械学習アルゴリズムを解説した定番書 これも類書がたくさん出てきているので別に良い本があるかも（ごめん、このレベルの本はこれしか読んでないので。 でもむずいので手引きとして前提知識を解説した 『パターン認識と機械学習の学習 普及版』 なんてのもあるよ
ゼロから作るDeep Learning ❹ ―強化学習編	ご存知「ゼロから作るDeep Learning」シリーズの第4弾。このシリーズは間違い無いですね。
強化学習(第2版)	強化学習の基礎から発展までを体系的に学ぶためのバイブル。やはりバイブル、議論されていることがほぼ書かれています 多腕バンディット、マルコフ決定過程、動的計画法、モンテカルロ法、TD学習といった基本から、関数近似、方策勾配法までを解説 さらに心理学・神経科学との関係やAlphaGoなどの事例も扱い、強化学習を単なるアルゴリズム集ではなく「逐次的な意思決定」の枠組みとして理解するための本

• 『深層学習 上　基礎と概念』は読み進め中で、下巻と合わせてリストアップ候補ですがまだ下巻が出ておらず今回は見送りました

ベイズ

書名	内容
Pythonで動かして学ぶ! あたらしいベイズ統計の教科書	『データ解析のための統計モデリング入門』(みどり本)が有名ですがこの本はR系なのでやめました ベイズ統計の基礎から、MCMCを用いたベイズ推計、一般化線形モデルの基本まで、PyMC3ライブラリを用いて実装しながら学べます
標準 ベイズ統計学	TJOさんの記事『標準ベイズ統計学』はベイズ統計学をきちんと基礎から日本語で学びたいという人にとって必携の一冊に背中を押され読みました ベイズ統計の標準的テキスト 基礎からMCMC、階層モデル、回帰、混合効果モデルまでを体系的に学べる本 二項・ポアソン・正規モデルなどの基本から、ギブスサンプリング、メトロポリス・ヘイスティングス法、事後予測によるモデル評価へと進む PythonではないですがRのサンプルコードも用意されており、ベイズ推論を数理と計算の両面から本格的に身につけたい人向け
ベイズデータ解析(第3版)	New 大部のためまだ読み進め中 Andrew Gelmanらによるベイズ統計のバイブル ベイズ推論の基礎、階層モデル、モデル診断・比較から、MCMC、回帰モデル、欠測データ、ガウス過程、ディリクレ過程、ハミルトニアンモンテカルロまで幅広い 888ページにわたる大著で、ベイズ統計を本格的に学ぶ大学院生・研究者や、長く参照できるリファレンスを求める人に向く本

時系列

書名	内容
将来予測と意思決定のための時系列分析入門 様々な時系列モデルによる予測方法からその評価方法まで	時系列を扱う本は増えましたが、理論を分かりやすく教える本は意外な穴場でした。そこに安定のソシムさん その株価予測間違っています！初心者注意！LSTMによる時系列予測のよくある間違いここにも書きましたが、ライブラリで簡単に扱えるだけに誤って使っている方が本当に多いんですよね本書で基礎をしっかり押さえましょう 時系列分析の基礎から状態空間モデルの入り口まで入っています
Python時系列分析クックブック I―前処理―	時系列データの前処理の本。 他のデータと違い、日時の扱いが特殊、欠損補完や外れ値対応も独特なところがあり、それらについて37のレシピでPythonコード例を丁寧に紹介。
Python時系列分析クックブック II―モデル・機械学習―	I巻に続いて分析のレシピ。 伝統的なARIMA、VARや機械学習、状態空間モデルを用いた手法まで37のレシピでPythonコード例を丁寧に紹介。
実践 時系列解析	RとPythonを縦横無尽に使うなかなか無茶な本。だけど統計的な時はRが強いし機械学習ならばPythonが強く、時系列分析は両方の面があるので、無理に１言語にすることもないしな。 時系列の前処理・EDA、ARIMAなどの時系列モデル、状態空間モデル、深層学習による時系列解析、ヘルスケア・金融・政府統計などの応用面など多岐にわたる解説とコード例がある。 基礎を学ぶというよりも、他書である程度学んだ人がネタ探し、弱点補強的に読むと良いのではないかと思う。
経済・ファイナンスデータの計量時系列分析 いわゆる沖本本	「沖本本」として定評がある教科書（私は読んでいないが岩波書店の『時系列解析入門』も定評があるが品切れ。あるいはその改訂版『Rによる 時系列モデリング入門』でも良いかもしれない）。 基礎概念/ARMA過程/予測/VARモデル/単位根過程/見せかけの回帰と共和分/GARCHモデル/状態変化を伴うモデル、と重要な概念についての解説があります。状態空間モデルはないですがそれ以外の主だったところは全て押さえていると思います。 難しいけれど章末問題（数理的な、コードを書く的な両方）を解くことで理解が深まる。というか昔はこれくらいしかまともな本がなかったので。やや難しいので、数学が苦手な方は他のコード例が豊富な本で慣れながら本書を読むといいと思う。 Rのみですが、章末問題を解いたコード例をQiitaに上げております 『経済・ファイナンスデータの計量時系列分析』章末問題をRで解く－第1章時系列分析の基礎概念－

• 時系列分析についてはこの記事もご参照ください

異常検知

書名	内容
Pythonではじめる異常検知入門 ―基礎から実践まで―	ホテリングT2、k近傍法、One-Class SVMなど異常検知の基礎理論から、時系列異常検知までPythonコード例で学べます
まるごと学べる 異常検知の実践知	New購入したばかりで読み進め中 異常検知を、理論だけでなく実務での使い分けや運用上の課題まで含めて体系的に学べる本 教師あり学習、教師なし学習、統計モデリングによる各種手法をPython実装とともに解説し、「異常データが少ない」「誤検知が多い」「モデルドリフトが起きる」といった現場特有の問題にも踏み込んでいる
異常検知と変化検知	2023年度版から復活 異常検知・変化検知の代表的な手法を、理論から体系的に学ぶ本 ホテリングの$T^2$法、近傍法、混合分布モデル、ガウス過程回帰、部分空間法、疎構造学習、密度比推定などを幅広く扱い、事故・故障・不正・流行といった「いつもと違う」を捉える考え方

因果推論

書名	内容
「原因と結果」の経済学―――データから真実を見抜く思考法	まずはぜひこの１冊。 前提知識不要で、相関と因果など間違えやすいところが身につく。データ分析、政策等のかなりの専門家でもかなり間違っている人がいる。因果推論を扱うならまずは本書の内容を頭に叩き込む事が一番重要だと思う。 因果推論の基本の下記概念を数式なしで一通り知ることができます。 ランダム化比較実験（RCT） 自然実験 差の差分析 操作変数法 回帰不連続デザイン マッチング法（傾向スコア） 回帰分析
分析者のための因果推論入門　データ分析と意思決定を紐づける手法と考え方を網羅的に詳解する	New 因果推論を、単なる手法集ではなく「分析結果を意思決定につなげるための考え方」として体系的に学べる本 因果推論には、ルービンの潜在反応モデル、パールの構造的因果モデルの2大流派があるのですが両者をバランスよく扱っている 操作変数法、フロントドア基準、差分の差分法、回帰不連続デザイン、異質な因果効果まで幅広く解説 分析上の仮定や限界、現場との対話にも踏み込み、実務で因果推論をどう使うかまで見据えたい人に向く本
因果推論: 基礎から機械学習・時系列解析・因果探索を用いた意思決定のアプローチ	因果推論・因果探索の決定版。本職で因果推論や因果探索を行うには必ずしも完璧ではないですが、エンジニアレベルでこの分野を知りたいというなら必要十分ではないでしょうか。 Pearl派の構造的因果モデル、Rubin派の潜在反応モデル。そして因果推論と因果探索。また、最新の機械学習を用いた分析手法まで1冊に偏りなく盛り込まれています。しかもPythonコード例つき。 ミックステープが決定版と思いましたが、因果探索まで扱っていること、機械学習手法も扱っていることもあり、因果推論・因果探索全般を知る１冊としては本書、因果推論の従来手法をもう少し深くならミックステープという使い分けでしょうか。
因果AI	New 購入したばかりで読み進め中 構造的因果モデル（SCM）を軸に、因果グラフ、介入、反実仮想、識別といった因果推論の中核概念を、Pythonコードとともに実践的に学べる本 DoWhy、PyTorch、PyroなどのPythonライブラリを使いながら、深層学習との接続、強化学習における因果的意思決定、LLM・生成AIと因果性まで扱う 統計分析としての因果推論にとどまらず、「因果構造をAIシステムにどう組み込むか」を学びたい方向け
統計的因果推論 -モデル・推論・推測-	New 因果推論の二大潮流の一つ、Judea Pearlによる構造的因果モデル（SCM）のバイブル 構造的因果モデルとは、変数同士の因果関係をDAGや構造方程式で表し、「介入したらどうなるか」「別の行動をしていたらどうなったか」を推論する枠組み 確率・グラフ・因果モデルの基礎から、因果効果の識別、介入、交絡、構造モデルなどを数理的に体系化し、「相関から因果をどう推論するか」の理論的基盤を学ぶ本 かなり難しいですがDAGやdo演算を中心とする因果推論を本格的に理解したい人には価値の高い本 Pearlは2011年に「確率的および因果的推論の算法を発展させることで、人工知能に基礎的貢献をした」によりチューリング賞を受賞
インベンス・ルービン 統計的因果推論 (上)	New 因果推論の二大潮流の一つ、Donald Bruce Rubinによる潜在反応モデルのバイブル 潜在反応モデルとは、各対象について「処置した場合」と「処置しなかった場合」の結果を仮想的に考え、その差を因果効果として捉える枠組み 上巻では潜在的結果変数、処置効果、割り当てメカニズム、無作為化実験など 下巻では傾向スコア、マッチング、感度分析、操作変数法など観察研究・非順守を含む実践の解説 共著者のグイド・インベンスは2021年に「因果関係の分析への方法論的貢献」でノーベル経済学賞受賞
インベンス・ルービン 統計的因果推論 (下)	New同上

• その他因果推論・因果探索については

ネットワーク科学

書名	概要
データのつながりを活かす技術〜ネットワーク／グラフデータの機械学習から得られる新視点	この分野はRが強く、Pythonは手薄だったのですがやっとネットワーク分析の入門をPythonで扱える本が出ました（あるにはありましたが単なるツールの使い方程度） NetworkXライブラリを用います グラフニューラルネットワークや事例までもあります
ネットワーク科学入門: Pythonで学ぶデータ分析とモデリング	ネットワーク科学の基本概念を、現実の事例とPythonによるデータ分析・シミュレーションを通して学べる実践的な本 ネットワークの構造や中心性、コミュニティ、拡散などを理解しながら、マーケティング、生物学、工学、神経科学、社会科学など幅広い分野への応用まで
ネットワーク科学: ひと・もの・ことの関係性をデータから解き明かす新しいアプローチ	ネットワーク科学のバイブル インターネット、社会ネットワーク、生物ネットワークなど、現実世界に存在する「つながり」を数理的に理解するネットワーク科学の代表的なテキスト グラフ理論を基礎に、ランダムネットワーク、スケールフリー性、Barabási–Albertモデル、ネットワークの頑健性、コミュニティ、感染・拡散現象まで体系的に扱っている

• ネットワーク科学・ネットワーク論についてはこちらも

グラフニューラルネットワーク

書名	内容
グラフニューラルネットワーク入門 ―Pythonで学ぶグラフデータ解析と機械学習モデル―(エンジニア入門シリーズ158)	New 購入したばかりで読み進め中 別の入門書を候補にしていたのですがこちらの方が実践的な入門となりそうで差し替えました グラフの基礎からGNNの代表モデルと応用までを、Pythonによる実装とともに段階的に学べる 理論だけでなく教材コードや動画も用意されており、GNNを初歩から実践・発展テーマまで一通り学びたい人に向く本
グラフニューラルネットワーク (機械学習プロフェッショナルシリーズ)	New グラフ構造をもつデータを学習するGNNについて、基礎から理論・発展まで、日本語で読める本では本格的な希少な一冊（別途『グラフ深層学習』という本がありますが本記事著者は未読） グラフ表現学習、メッセージパッシング、GCNなどの基本に加え、グラフ生成、スペクトル的な見方、過平滑化、表現能力といったGNN特有の重要テーマまで 単にライブラリを使って実装するのではなく、「GNNがなぜ機能するのか」を理論から理解したい人に向け

数理モデリング・最適化

書名	内容
データ分析のための数理モデル入門	New 以前から書名だけは挙げていたのですが改めてご紹介 データ分析で使われるさまざまな数理モデルを、個別手法ではなく「モデルとは何か」という共通の視点から横断的に理解できる本 方程式、微分方程式、確率・統計モデルから、時系列、機械学習、強化学習、エージェントベースモデルまで幅広く扱い、それぞれをどう選び、どう評価するかまで 手法を使えるものの「なぜそのモデルを使うのか」が曖昧な人に、数理モデリング全体の地図を与えてくれる本
最適化手法入門	数理最適化も昔から研究されている分野ですので良書がたくさんありますが、東大のOCWでも使われているということとPythonコード例ありとのことで本書を選びました

ビジネス・意思決定

書名	内容
Python意思決定の数理入門	数理最適化の項でも申し上げましたが、求められている分析テーマが機械学習にハマるものと異なるものがあります。その場合に「わからない」ではなく、調べるための当たりをつけるために広く薄く知っておくというのが私のモットーなため、こういう広く浅い本を多めに読んでいます Amazon書評で「実用的ではない」と低評価の方がいますがわかっちゃいない。「意思決定の数理」なんて広い分野を1冊でビジネスレベルに持ってけるわけがない。あくまでも自分のテーマに近いのがどの分野かと、次に学習を深めるためのガイドブックでしかなく、逆にそういうガイドブックを求めるための方の1冊 第1章　はじめに 第2章　戦略の微分方程式モデル 第3章　基礎的な意思決定の数理的扱い 第4章　ゲーム理論の基礎 第5章　意思決定のための OR の基礎 第6章　組合せ最適化による意思決定 第7章　マルチエージェントベースモデリングによる意思決定 第8章　強化学習による意思決定 第9章　不確定性を含むゲームでの意思決定 第10章　集団の意思決定 第11章　意思決定とメカニズム・デザインの視点
分析者のための行動経済学入門	経済学の分野であり、本来は従来の統計学を学んだ後の発展の分野ではあります ただビジネス上の施策がどう効果があるかを知るならば、因果関係の因果推論、その施策がどれだけ人間に効果を及ぼすかの行動経済学は必須なのですがデータ分析界隈ではほとんど知られていません そこにさすがソシムさん 経済学の見地からではなく、データ分析者の見地からの本からですので本記事読者の方々にも入りやすいと思います

データ基盤・データマネジメント

書名	内容
データマネジメント大全	データエンジニアよりももうちょっと俯瞰にその組織のデータ管理のあり方のような本です。 分析者の環境により、何かGUIツールがあるのかSQLをガシガシ書くような環境か、データエンジニアが別にいるのか全部自分でやるのか、によりますがデータマネジメントの基本は知っておいたほうが良いですね。 下記目次のとおり、データ分析ではなくデータ活用のためにどうデータを管理するかの本です 機械学習の教科書だとわかりやすいデータが用意されていて、これで分類しましょう、とかとなりますが、現実の問題では、あると言われたデータがない、言われたのとは全然違うフォーマット、担当者が独自のExcelでバラバラに持っている、ID体系が異なり突き合わせができない、A部署にあると言われたがA部署からNoと言われもらえない等々が発生します そうならないために、それを解決するためにどうするかという本です 第1章　DXの正しい歩み方 第2章　DX推進の鍵を握るデータドリブン経営 第3章　データドリブン経営の成否を左右するデータ利活用 第4章　データ利活用を支えるデータマネジメントの全体像 第5章　データマネジメント 戦略層 第6章　データマネジメント 実行層 第7章　データマネジメント 組織とヒト層
実践的データ基盤への処方箋	いざデータ分析をしようとすると、「あると思っていたデータがない」、「精度を上げるためには〇〇のデータが必要だが他部署に依頼する必要・渋られる」、「ID連携が部署間でなされていない」等々社内データが「使える」状態になっていないことが噴出します。 Amazon紹介ページにあるように、社内データを社内で「使える」状態にするためのノウハウを解説した本です。 「会社内でバラバラになっているデータを集めたが、これから何をしていいか分からない」 「最新技術を利用してデータ基盤をつくったがニーズがなかった」 「頻繁に障害が発生するデータ収集に対応してきたが、そのデータは誰にも利用されていなかった」 「データの意味が分からず、データの意味の聞き込み調査で1日が終わった」 (中略) そこで本書では、データ基盤の本来の機能を甦らせるため、またデータ基盤の構築でつまづかないためノウハウを処方します。データ整備、システムの知識、組織のあり方、データの取り扱いといった"データ基盤を機能させるためのノウハウ"を、この道のプロが惜しげもなく披露します。データ基盤が思うように機能していない、これからデータ基盤を構築したいが何からはじめればよいか分からない、といったことで悩まれている方には一読の価値があるはずです。

説明可能性・倫理

書名	内容
説明可能AI入門 - 人とAIが共存する未来に向けて	New 上記までは具体的手法の解説がメインでしたが、AIの判断根拠を人が理解できる形で示す「説明可能AI（XAI）」の概説と最新情報までをまとめた本 深層学習のブラックボックス性とその説明手法だけでなく、決定木などの解釈しやすいモデル、精度向上、共進化AI、生成AI・LLMまで幅広く扱っている 数式を抑えた直感的な解説で、AIを開発する側だけでなく、AIを業務で利用・評価する立場の人にも手に取れる本かと思います
XAI(説明可能なAI)--そのとき人工知能はどう考えたのか?	AIの説明性について、ネット記事もお客様とのやりとりの中でも話題に挙がることが増えた。 大域的説明、局所説明などの考え方の整理から、LIME, SHAP, Permutation Importance, Partial Dependence Plot, Tree Surrogate, CAM/Grad-CAM, Integrated Gradientsなどの具体的なアルゴリズムの説明、実装例及びそれぞれの得手不得手などが詳しい。 Kaggleなどのコンペでスコア上位を目指すのではなく、実務で機械学習を用い内容の説明が求められるならば必須ではないか。
実践XAI［説明可能なAI］ 機械学習の予測を説明するためのPythonコーディング	概念の整理は『XAI(説明可能なAI)--そのとき人工知能はどう考えたのか?』の方がわかりやすいが、本書は、自然言語や、画像、時系列など幅広く扱っている
解釈可能なAI　機械学習モデルの解釈手法を実践的に理解する (Compass Booksシリーズ)	類書では薄目であった「公平性とバイアス」の解釈についても新たに追加されています。
現代社会を生きるための AI×哲学	New 1冊だけなら圧倒的に本書 「AI」の概要、歴史の解説も充実しAI初心者の方にもよいと思います AIとはの哲学、AIはどうあるべきかの倫理、が平易に全部入り 「京都大学統合型複合科目「人工知能と人間社会」（2026年4月開講）の指定教科書！」がキャッチーですかね

• AI x 哲学、AI x 倫理については

資格

書名	内容
深層学習教科書 ディープラーニング G検定(ジェネラリスト)公式テキスト 第3版	G検定がDS関連の資格で一番広まっているのかな。持っている人が多いので話を合わせるためにも読んでおいて損はないかなと思います。 データ分析を専門にしている人でも自分の担当については詳しくなりますが、世の中一般ではここが問われているんだと知ることも必要かなと思います。新案件がどこからくるかわからないので
日本統計学会公式認定　統計検定データサイエンスエキスパート対応　データサイエンスエキスパート演習	New よく、データサイエンティストのための資格として「統計検定」が挙げられておりますが、準1級まではまぁ良いものの1級は完全に数理統計で機械学習などとは別物です 機械学習をベースとするデータサイエンティストの資格としてはこちらがよろしいかと出題範囲を見ればわかります 日本統計学会公式認定テキスト 確率・統計、ベイズ、線形代数、微積分、最適化といった基礎から、機械学習・深層学習まで、データサイエンスに必要な知識を幅広い例題を通して確認できます。個別手法を深く学ぶ本というより、数理・統計・情報を横断して「どこまで理解できているか」を総点検したい人に向く本 難点はまだマイナーな資格なのでこれで評価してくれる企業は少ないかも（当社は認めてもらったので取らなきゃ！←まだ受けていない本記事著者青木）

その他ご参考

• Webの情報
  • 最新情報は本では追えないですね、また本になっていない国のガイドラインなどもあります。必ずしも機械学習・データ分析ではないですが生成AI関連のリンク集を

• 記事作成につきまして
  • 記事構成、候補選定、文章案にChatGPTを用いております
  • ただChatGPTが生成したままのところはありません
  • 基本全ての本を読んだ上でのリストです
    • 一部の本は出たばかりのことや私が購入したばかりなどもあり、読みかけのものがありますがその旨明記しております
    • 毎回「こういうリストを作るやつは読んでないアフィリエイト目的だ」という根拠のない悪口を言われますがこうお返しいたしましょう「読まないでこのレベルのリストを作れますか？このレベルのリストが他にありますか？」
• 類書の洪水に正直追いつけていません。ここに挙げた本には自信がありますが、これら以外にも良書がたくさんあると思います。あくまでもご参考として