道具として使いこなす！膨大な観測データから普遍的な法則を抽出する手法とは？高校数学レベルから始まり、Ｐｙｔｈｏｎ入門、ＴｅｎｓｏｒＦｌｏｗによる実装、最新の論文まで踏み込む入門書。

■第1章　データとサイエンス■ 1.1　物理学とデータサイエンス 1.2　最小2乗法とオーバーフィット 1.3　テイラー展開と振り子の等時性 コラム：武谷の三段階論 ■第2章　行列と線形変換■ 2.1　ベクトル、行列と線形変換 2.2　変換としての行列 2.3　行列に関する色々 コラム：計算量のオーダー ■第3章　確率論と機械学習■ 3.1　確率の基礎事項 3.2　教師あり学習と教師なし学習、強化学習 3.3　確率変数と経験的確率、大数の法則 3.4　大数の弱法則の証明 3.5　カルバックライブラーダイバージェンス 3.6　尤度と赤池情報量基準、汎化 3.7　ロジスティック回帰 ■第4章　ニューラルネットワーク■ 4.1　ニューラルネットワークの概論 4.2　万能近似定理 コラム：新しい道具と新理論 ■第5章　トレーニングとデータ■ 5.1　ニューラルネットワークの入出力と学習 5.2　誤差関数と汎化、過学習 5.3　誤差関数の最適化・学習 コラム：次元の呪い ■第6章　Python入門■ 6.1　Pythonによるプログラミング入門 6.2　Pythonと他言語の比較 6.3　NumPyとMatplotlib 6.4　Pythonでのクラス ■第7章　TensorFlowによる実装■ 7.1　TensorFlow/Kerasとは 7.2　データやライブラリのロード 7.3　データの分割とニューラルネットワークの設計 7.4　学習 7.5　結果の評価 コラム：量子化という用語 ■第8章　最適化、正則化、深層化■ 8.1　最適化法の改良 8.2　過学習を防ぐ 8.3　多層化にむけて ■第9章　畳み込みニューラルネットワーク■ 9.1　フィルター 9.2　畳み込みニューラルネット コラム：知能と飛行機 ■第10章　イジング模型の統計力学■ 10.1　イジング模型 10.2　イジング模型のモンテカルロ法 10.3　熱浴法のPython コードとデータの準備 コラム：統計力学と場の量子論 ■第11章　Nature Physicsの論文を再現しよう■ 11.1　論文について 11.2　データの前処理 11.3　実験