2021/06/18：コムウェアプラス『デジタル人材のためのブックレビュー』にて紹介されました。

■著者
須藤秋良（すとう・あきよし）
株式会社フレアリンクCDSO(chief data science officer)。教育業界のデータ解析や医学研究の統計解析コンサルティングなどを行い、最近ではDjango やRailsを利用した機械学習Webアプリの開発といったエンジニア業務も務める。また、これら業務の知見を活かし、データサイエンス系セミナーの研修講師も務め、これまで担当した研修受講者は総数3000名を超える。著書は『スッキリわかるPython入門』。

■監修・執筆協力
中山清喬（なかやま・きよたか）
株式会社フレアリンク代表取締役。IBM内の先進技術部隊に所属しシステム構築現場を数多く支援。退職後も研究開発・技術適用支援・教育研修・執筆講演・コンサルティング等を通じ、「技術を味方につける経営」を支援。現役プログラマ。講義スタイルは「ふんわりスパルタ」。著書は『スッキリわかるJava入門』ほか多数。


飯田理恵子（いいだ・りえこ）
経営学部 情報管理学科卒。長年、大手金融グループの基幹系システムの開発と保守にSEとして携わる。現在は株式会社フレアリンクにて、ソフトウェア開発、コンテンツ制作、経営企画などを通して技術の伝達を支援中。著書は『スッキリわかるSQL入門』。

クリックすると大きい画像でご覧いただけます

• 著者サイト「スッキリjp」にて、本書で利用する「ツールの導入方法・使用方法」や、「掲載コード / CSVファイルのダウンロード」などの情報を掲載しています。
  本書とあわせてご活用ください。
  
  https://sukkiri.jp/books/sukkiri_ml

誤記のためにご迷惑をおかけし、誠に申し訳ございません。

• 0ページ 【特記2】
  • [誤]
    ※誤記ではありません
  • [正]
    著者サイト「スッキリjp」で提供しているダウンロードデータに、15章で利用する「Wholesale.csv」を追加しました（2020年11月9日。ZIPファイル名：code-sml_2.zip）。URLは、上にある「ダウンロード」コーナーをご確認ください。
• 0ページ 【特記1】
  • [誤]
    ※誤記ではありません。
  • [正]
    本書は、本書28ページに記載の通り、Pandasのバージョンを1.0.3として解説しています。
    異なるバージョンでの利用につきましては、ネット検索等で該当バージョンの情報をお調べいただき、本文読み替えを行ってください。
• 17ページ 練習5-1 表の「機能」内
  • [誤]
    2）1の例外として、100で割り入れる年はうるう年ではない。
  • [正]
    2）1の例外として、100で割り切れる年はうるう年ではない。
• 115ページ コード4-18 5行目
  • [誤]
    model.predict(new)
  • [正]
    model.predict(new_data)
  • 【 第2刷にて修正 】
• 120ページ 構文囲み
  • [誤]
    モデル.score(特徴量のデータ, 正解のデータ)
  • [正]
    モデル変数.score(特徴量のデータ, 正解のデータ)
  • 【 第6刷にて修正 】
• 124ページ 「モデルの保存と読み込み」のopen関数の引数が保存と読み込みで逆
  • [誤]
    保存 →'rb' , 読み込み → 'wb'
  • [正]
    保存 →'wb' , 読み込み → 'rb'
  • 【 第2刷にて修正 】
• 162ページ 「モデルの学習と正解率計算の落とし穴」の節番号
  • [誤]
    5-3-3
  • [正]
    5-3-4
  • 【 第2刷にて修正 】
• 171ページ 図5-15 右 [tree_.featureの結果]の要素
  • [誤]
    3, -2, 2, -2, -2
  • [正]
    3, -2, 3, -2, -2
  • 【 第2刷にて修正 】
• 184ページ 練習5-14 の解答 コード1行目
  • [誤]
    newdata = [[1.56, 0.23, -1.1, 2.8]]
  • [正]
    newdata = [[1.56, 0.23, -1.1, -2.8]]
  • 【 第6刷にて修正 】
• 208ページ コード6-20　1行目
  • [誤]
    # 0行目以上2行目以下、
  • [正]
    # 0行目以上3行目以下、
  • 【 第4刷にて修正 】
• 245ページ コード7-5の4行目の右辺
  • [誤]
    df['Embarked'].fillna(df['Embarked'].mode())
  • [正]
    df['Embarked'].fillna(df['Embarked'].mode()[0])
  • 【 第2刷にて修正 】
• 255ページ コード7-12の2行目と3行目の変数名
  • [誤]
    2 print(df ['Age'].mean()) # 平均値の計算
    3 print(df ['Age'].median()) # 中央値の計算
  • [正]
    2 print(df2['Age'].mean()) # 平均値の計算
    3 print(df2['Age'].median()) # 中央値の計算
  • 【 第2刷にて修正 】
• 260ページ コード7-17　5行目 7行目 11行目 13行目 17行目 19行目（計12箇所）
  • [誤]
    df['～']
  • [正]
    df2['～']
  • 【 第4刷にて修正 】
• 267ページ コード7-23
  • [誤]
    pg.get_dummies(df['Sex'])
  • [正]
    pd.get_dummies(df2['Sex'])
    
  • 【 第6刷にて修正 】
• 277ページ 上から2つ目の吹き出し
  • [誤]
    Fare列(運賃)やPclass列(チケットクラス)も結構影響が大きいですね。
  • [正]
    Pclass列(チケットクラス)も結構影響が大きいですが、これってどうしてですかね？
• 279ページ 表の列名
  • [誤]
    Class
    Dept_id
    Sex
    Score
  • [正]
    class
    dept_id
    sex
    score
  • 【 第6刷にて修正 】
• 279ページ 練習7-3　1行目
  • [誤]
    Class列
  • [正]
    class列
  • 【 第6刷にて修正 】
• 280ページ 練習7-5　1・5・6行目
  • [誤]
    Dept_id列
  • [正]
    dept_id列
  • 【 第6刷にて修正 】
• 300ページ コード8-12実行結果　6行(PRICE)、2列目(LSTAT)の値
  • [誤]
    0.325289
  • [正]
    -0.325289
  • 【 第6刷にて修正 】
• 313ページ 3つの囲みのうち、一番上の囲み「データの標準化」内1行目と下の注意書き
  • [誤]
    変数1＝Standardscaler()
    ：
    ※事前にfrom sklearn.preprocessing import Standardscalerでインポートしておく。
  • [正]
    変数1＝StandardScaler()
    ：
    ※事前にfrom sklearn.preprocessing import StandardScalerでインポートしておく。
    （※ScalerのSを大文字にする）
  • 【 第5刷にて修正 】
• 317ページ 工藤セリフ
  • [誤]
    目標はチューニング前の
  • [正]
    目標はチューニング後の
  • 【 第6刷にて修正 】
• 321ページ 図8-11　3行目の「RM列の2乗」列
  • [誤]
    9（9の2乗）
  • [正]
    9（3の2乗）
  • 【 第2刷にて修正 】
• 336ページ コード8-43　7行目
  • [誤]
    data = [1.0, -0.7]
  • [正]
    data = [[1.0, -0.7]]
• 340ページ 本文1行目
  • [誤]
    スッキリ銀行の顧客データ「bank_new.csv」
  • [正]
    スッキリ銀行の顧客データ「Bank.csv」
  • 【 第2刷にて修正 】
• 358ページ コード10-7　1、2行目の間に2行追加
  • [誤]
    1 df2 = df.merge(weather, how = 'inner', on = 'weather_id')
    2 df2.head(2)
  • [正]
    1 df2=df.merge(weather,how="inner",on="weather_id")
    2 # 内部結合後は、行が順不同の可能性があるので並び替えを行う
    3 df2 = df2.sort_values(by="dteday")
    4 df2.head(2)
  • 【 第6刷にて修正 】
• 363ページ 本文下から3行目
  • [誤]
    正解データのcasual列や、
  • [正]
    正解データのcnt列や、
  • 【 第4刷にて修正 】
• 366ページ コード10-15　2行目
  • [誤]
    2 df3['atemp'].loc[220:240].plot(kind='line')
  • [正]
    2 df3['atemp'].loc[695:705].plot(kind='line')
  • 【 第6刷にて修正 】
• 366ページ コード10-15　【実行結果】のグラフ
  • [誤]
    下記のグラフに差し替え
  • [正]
    
  • 
  • 【 第6刷にて修正 】
• 368ページ コード10-16の3行目の右辺
  • [誤]
    df['atemp'].interpolate()
  • [正]
    df3['atemp'].interpolate()
  • 【 第2刷にて修正 】
• 368ページ コード10-16　5行目
  • [誤]
    5 df3.loc[225:235, "atemp"].plot(kind = 'line')
  • [正]
    5 df3.loc[695:705, "atemp"].plot()
  • 【 第6刷にて修正 】
• 368ページ コード10-16　【実行結果】のグラフ
  • [誤]
    下記のグラフに差し替え
  • [正]
    
  • 
  • 【 第6刷にて修正 】
• 377ページ コード10-19「自転車データでマハラノビス距離を計算」内、10行目のコメント
  • [誤]
    全データ（440件）のマハラノビス距離の計算
  • [正]
    全データ（730件）のマハラノビス距離の計算
  • 【 第5刷にて修正 】
• 412ページ 工藤さん下本文4行目
  • [誤]
    未知データ「Eさん、150,50」のデータを当てはめた場合、
  • [正]
    未知データ「Eさん、身長172cm、体重50kg」のデータを当てはめた場合、
  • 【 第3刷にて修正 】
• 417ページ 練習11-2の解答
  • [誤]
    正解：1、2、3
  • [正]
    正解：2、3
  • 【 第2刷にて修正 】
• 422ページ 図12-2　ロボットのフキダシ2行目
  • [誤]
    (生き残る確率) ＝ 1.0 - 0.6(male列) - 0.3(Pclass列) だから、
  • [正]
    (生き残る確率) ＝ 1.0 - 0.6(male列) - 0.1(Pclass列) だから、
  • 【 第5刷にて修正 】
• 450ページ アダブースト上から6行目
  • [誤]
    base_model=決定木などのモデル
  • [正]
    base_estimator=決定木などのモデル
• 515ページ コード14-15 実行結果
  • [誤]
    (97, 15)
  • [正]
    (100, 15)
  • 【 第3刷にて修正 】
• 560ページ 練習15-5の解答　3行目
  • [誤]
    mcd = MinCovDet()
  • [正]
    mcd = MinCovDet(random_state=0)
  • 【 第3刷にて修正 】
• 606ページ C.3.6項のコード　3-6行目
  • [誤]
    工藤:[90, 70],
    浅木:[70, 80],
    松田:[70, 80],
    瀬川:[85, np.nan]
  • [正]
    '工藤':[90, 70],
    '浅木':[70, 80],
    '松田':[70, 80],
    '瀬川':[85, np.nan]
  • 【 第3刷にて修正 】
• 607ページ C.3.7項のコード
  • [誤]
    df2.dropna(axis = 1) # df2の欠損値のある列の削除
  • [正]
    df2.dropna(axis = 0) # df2の欠損値のある行の削除
  • 【 第3刷にて修正 】
• 633ページ ページ上の数式
  • [誤]
    縦ベクトルの要素：3, 4
  • [正]
    縦ベクトルの要素：2, 3
  • 【 第4刷にて修正 】

書籍の内容に関するお問い合わせはこちら。お答えできるのは本書に記載の内容に関することに限ります。

お問い合わせフォーム