1 データの前処理・扱い方
1.1 データ分析のためのデータ形式
1.2 特徴量(説明変数)の分類
1.3 カテゴリ変数の扱い方
1.4 欠損値の扱い方
1.5 データの正しい可視化方法
1.6 データ収集・整形時の注意点
2 機械学習の基本と利用時の留意点
2.1 機械学習とは
2.2 機械学習の代表的な分類
2.3 代表的なアルゴリズム
2.4 データ特性に応じた手法の選択
2.5 ディープラーニングとは
2.6 ディープラーニングの使いどころ
3 分析結果の評価法
3.1 回帰モデルの評価基準
3.2 分類(識別)モデルの評価基準
3.3 精度以外の評価基準の重要性
3.4 適合率・再現率・F値
3.5 ROC曲線・AUC
4 機械学習によるデータ分析の進め方
4.1 パラメータ調整の必要性とその方法
4.2 過学習とその対策(交差検証法など)
4.3 バイアスとバリアンスについて
4.4 学習曲線による現状の把握
5 ビジネスへの適用について
5.1 分析結果を現場にどう受け入れてもらうか
5.2 機械学習の前にやるべきことはないか
5.3 実運用時の課題
5.4 分析結果の公平性
5.5 真実は常に1つ?
5.6 ディスカッション