１章　データを価値化する
	1.1　データ戦略への挑戦
	1.2　デジタル化の意味
	1.3　データ戦略の発想
	1.4　本書のパノラマ
２章　データサイエンスの基礎知識
	2.1　確率分布について
	2.2　ベイズ統計学
	2.3　行列とベクトル
	2.4　距離とは何か
３章　図解で導く回帰分析
	3.1　射影による予測値の導出
	3.2　アイスクリームの売上分析
	3.3　予測モデルの8パターン
	3.4　生成AIによるPythonコード
４章　回帰分析の困難に対処するスパース回帰分析
	4.1　スパース回帰分析の概要
	4.2　過学習の抑制
	4.3　サンプルサイズよりも説明変数の数が多い場合
	4.4　多重共線性が発生する場合
５章　セグメンテーションの戦略と技法
	5.1　マーケティングにおけるセグメンテーション
	5.2　セグメンテーションのためのデータ
	5.3　セグメンテーションのための分析技法
	5.4　応用事例：小売業の顧客セグメンテーション　 
６章　マハラノビスの汎距離とその拡張
	6.1　汎距離の全体像
	6.2　品質管理で使われる汎距離
	6.3　各種汎距離の解釈
	6.4　データ戦略への応用事例
７章　新しい非階層型クラスター分析
	7.1　k-means法の欠点
	7.2　k-umeyama法の開発
	7.3　消費者のライフスタイルクラスター
	7.4　画像修復への応用
８章　CNNと生成モデル
	8.1　ディープラーニング−人工知能に関する歴史−
	8.2　畳み込みニューラルネットワーク
	8.3　オートエンコーダ
	8.4　変分オートエンコーダ
	8.5　マーケティングへの応用
９章　アップリフトモデルを用いたインセンティブの最適化
	9.1　アップリフトモデルとは何か
	9.2　アップリフト効果の検証法
	9.3　データサイエンスの適用
	9.4　ビジネスへの活用
10章　データサイエンティストを目指す方へのガイド
	10.1　主な情報源 
	10.2　おすすめ図書
	10.3　人材開発と組織変革
	10.4　計算環境の用意

付録A　尤度関数と情報量
付録B　R言語によるスパース回帰分析の実行
引用文献
索引