◆RとPython両方学べる。コスパ最強の一冊！◆・コードが理解の試金石！・「データサイエンスの準備」にページを割いているから、プログラミング経験ゼロで大丈夫！　・自分に合った言語を見つけたい、言語を乗り換えたいという方にもおすすめ！[サポートサイト]https：／／github.com/taroyabuki/fromzero[主な内容]第1部　データサイエンスのための準備1章　コンピュータとネットワーク2章　データサイエンスのための環境3章　RとPython4章　統計入門5章　前処理第2部　機械学習6章　機械学習の目的・データ・手法7章　回帰1（単回帰）8章　回帰2（重回帰）9章　分類1（多値分類）10章　分類2（2値分類）11章　深層学習とAutoML12章　時系列予測13章　教師なし学習付録A　環境構築第1部　データサイエンスのための準備1章　コンピュータとネットワーク1.1　コンピュータの基本操作1.2　ネットワークのしくみ2章　データサイエンスのための環境2.1　実行環境の選択2.2　クラウド2.3　Docker2.4　ターミナルの使い方2.5　RとPython2.6　サンプルコードの利用3章　RとPython3.1　入門3.2　関数3.3　コレクション3.4　データフレーム3.5　1次元データの（非）類似度3.6　Rのパッケージ，Pythonのモジュール3.7　反復処理3.8　その他4章　統計入門4.1　記述統計4.2　データの可視化4.3　乱数4.4　統計的推測5章　前処理5.1　データの読み込み5.2　データの変換第2部　機械学習6章　機械学習の目的・データ・手法6.1　機械学習の目的（本書の場合）6.2　機械学習のためのデータ6.3　機械学習の手法7章　回帰1（単回帰）7.1　自動車の停止距離7.2　データの確認7.3　回帰分析7.4　当てはまりの良さの指標7.5　K最近傍法7.6　検証7.7　パラメータチューニング8章　回帰2（重回帰）8.1　ブドウの生育条件とワインの価格8.2　重回帰分析8.3　標準化8.4　入力変数の数とモデルの良さ8.5　変数選択8.6　補足：正則化8.7　ニューラルネットワーク9章　分類1（多値分類）9.1　アヤメのデータ9.2　木による分類9.3　正解率9.4　複数の木を使う方法9.5　欠損のあるデータでの学習9.6　他の分類手法10章　分類2（2値分類）10.1　2値分類の性能指標10.2　トレードオフ10.3　2値分類の実践10.4　ロジスティック回帰11章　深層学習とAutoML11.1　Kerasによる回帰11.2　Kerasによる分類11.3　MNIST：手書き数字の分類11.4　AutoML12章　時系列予測12.1　日時と日時の列12.2　時系列データの予測13章　教師なし学習13.1　主成分分析13.2　クラスタ分析付録A　環境構築