内容紹介：★数学とプログラミングを対比させながら、一歩一歩わかりやすく！実務に即してＰｙＭＣプログラミングでベイズ推論を使いこなせるようになる。最初の一冊として、データサイエンティストにおすすめ！【サポートページ】ｈｔｔｐｓ：／／ｇｉｔｈｕｂｃｏｍ／ｍａｋａｉｓｈｉ２／ｐｙｔｈｏｎ＿ｂａｙｅｓ＿ｉｎｔｒｏ【主な内容】第１章　確率分布を理解する１１　ベイズ推論における確率分布の必要性１２　確率変数と確率分布１３　離散分布と連続分布１４　ＰｙＭＣによる確率モデル定義とサンプリング１５　サンプリング結果分析１６　確率分布とＰｙＭＣプログラミングの関係第２章　よく利用される確率分布２１　ベルヌーイ分布（ｐｍＢｅｒｎｏｕｌｌｉクラス）２２　二項分布（ｐｍＢｉｎｏｍｉａｌ　クラス）２３　正規分布（ｐｍＮｏｒｍａｌ　クラス）２４　一様分布（ｐｍＵｎｉｆｏｒｍ　クラス）２５　ベータ分布（ｐｍＢｅｔａ　クラス）２６　半正規分布（ｐｍＨａｌｆＮｏｒｍａｌ　クラス）第３章　ベイズ推論とは３１　ベイズ推論利用の目的３２　問題設定３３　最尤推定による解法３４　ベイズ推論による解法３５　ベイズ推論の精度を上げる方法３６　ベイズ推論の活用例第４章　はじめてのベイズ推論実習４１　問題設定　（再掲）４２　最尤推定４３　ベイズ推論　（確率モデル定義）４４　ベイズ推論　（サンプリング）４５　ベイズ推論　（結果分析）４６　ベイズ推論　（二項分布バージョン）４７　ベイズ推論　（試行数を増やす）４８　ベイズ推論　（事前分布の変更）４９　ベータ分布で直接確率分布を求める第５章　ベイズ推論プログラミング５１　データ分布のベイズ推論５２　線形回帰のベイズ推論５３　階層ベイズモデル５４　潜在変数モデル第６章　ベイズ推論の業務活用事例６１　ＡＢテストの効果検証６２　ベイズ回帰モデルによる効果検証６３　ＩＲＴ　（Ｉｔｅｍ　Ｒｅｓｐｏｎｓｅ　Ｔｈｅｏｒｙ）によるテスト結果評価
数学とプログラミングを対比させながら一歩一歩わかりやすく。
もくじ情報：第１章　確率分布を理解する；第２章　よく利用される確率分布；第３章　ベイズ推論とは；第４章　はじめてのベイズ推論実習；第５章　ベイズ推論プログラミング；第６章　ベイズ推論の業務活用事例

赤石　雅典(アカイシ　マサノリ)
アクセンチュア株式会社ビジネスコンサルティング本部ＡＩグループシニア・プリンシパル。１９８５年、東京大学工学部計数工学科卒業。１９８７年、同大学院修士課程修了後、日本ＩＢＭ株式会社に入社。Ｗａｔｓｏｎの技術セールスなどを経験後、アクセンチュア株式会社に入社。現在はＡＩ・データサイエンス系のプロジェクトの技術リードやクライアントのＡＩ人材育成支援などを担当。京都情報大学院大学客員教授