「数理思考演習」（共立出版）の評判・価格・レビュー
データサイエンスを学ぶための教材の基本情報・価格・レビュー。
PR・広告を含みます
データサイエンスをスクールで学ぶなら、教育訓練給付で最大80%OFF。
対象講座なら受講料の最大80%（給付区分・上限・要件あり）が後日戻り、実質負担を抑えられます。独学の本＋スクールの併用も。
▶ あなたの講座でいくら戻るか試算（無料・30秒）
無料相談で適用条件を確認できます
無料相談で適用条件を確認できます
はじめての方へ：教育訓練給付のしくみと損しない選び方 ／ 申請手順5ステップ
学んだ後に「作って公開する」ための環境例です。サーバー・ツールは教育訓練給付／補助の対象外です。
※給付率・実質額は区分（一般20%／特定一般40%／専門実践 最大80%）と要件で変わり、即時値引きでなく後日支給です。最終可否はハローワーク・厚労省でご確認ください。掲載はPR（送客手数料を受領）。
この本について
本書は「コンピュテーショナル・シンキング」の名で呼ばれる思考スタイルを、身近な例題を題材にして体験的に学習できる演習書。コンピュテーショナル・シンキングの概要、および多くのプログラミング言語に共通する基本的な概念の理解から始めて、初等的な例題による演習を通して基本スタイルを習得できるよう、実践的な構成になっている。
コンピュテーショナル・シンキングをひとことでいうならば「計算機科学の流儀で考えて問題を解決すること」であるが、computational thinking (CT)の片仮名表記の外来語に対して和文術語の創出が模索された形跡は見つからない。そこで、訳語が原義を裏切らないよう配慮したうえで「数理思考」と意訳して書名としている。
コンピュテーショナル・シンキング教育の中心は「抽象化」と「自動化」のスキル養成にある。日常の問題を抽象化し数理的モデルを構築し、そのモデルに基づいて問題解決のアルゴリズムを記述する過程を重視する。ただし、コンピュテーショナル・シンキング教育の目的はプログラミング言語での実装ではなく、抽象的な思考力の涵養である。
コンピューテショナル・シンキングは、知識基盤社会の発展に伴い、専門分野を問わず万人に必須のスキルとなった。時代の要請にこたえるものとして、多くの方にとって役立つものとなるだろう。
なお本書は、筆者らが先に出版した『コンピュテーショナル・シンキング』（共立出版、2016）を下敷きとする。前著に寄せられた意見を踏まえ、さらにデータサイエンスの文脈におくものとして内容を再吟味し、全体を鍛え直したものである。 第1章 はじめに 1.1 数理思考とは 1.2 抽象化と自動化 1.3 補 足 1.4 まとめ
第2章 準備編：プログラミングの基礎知識 2.1 変数と代入 2.2 反復処理 2.3 条件判断 2.4 リスト 2.5 手続き 2.6 再帰処理
第3章 問題解決事例演習 3.1 良い組み合わせを求める 3.2 売り上げを最大にしたい 3.3 スケジュールを組み立てる 3.4 レジはお釣りを自動で支払う 3.5 コインを山分けする 3.6 ケーキを分けあってみんなで幸せになる 3.7 最適な経路を探す 3.8 物資の最適な配送ルートを考える 3.9 サイコロを数える 3.10 例題演習の終わりに
第4章 情報の表現とテキストデータの処理 4.1 情報表現の任意性 4.2 文字情報の表現 4.3 文字コードの符号化 4.4 DNAのテキスト情報の「解読」 4.5 文字列の探索 4.6 パターンマッチと正規表現 4.7 「離れた」視点からテキストを解釈する
付録A 情報数学の基本用語 A.1 集 合 A.2 写 像 A.3 行 列 A.4 グラフ
参考文献 練習問題の指針・略解 索 引
判型：全集・双書／シリーズ：探検データサイエンス
データサイエンスとは
「データサイエンス」は、データを集めて整理し、統計や機械学習の考え方を使って実務上の意味を導く実践的な分野です。理論だけでなく、仮説を立て検証し、意思決定につながる形で示すことが核心です。結果を再現できる形で残す姿勢が品質を左右します。
こんな人向け：対象は「データから根拠ある結論を引き出したい人」です。Pythonや統計の基礎を少し知っていると進みやすいですが、ゼロから確認しながら積み上げても問題ありません。
独学ロードマップでの位置
データサイエンスの学習は基礎理解→実装→応用の順が失敗しにくい流れです。書籍ではこの順序で読むと、次章で使う知識を自然に接続できます。
- まずデータの基本操作と記述統計、確率の考え方を押さえる。
- 次にPythonのデータ処理と可視化を実際のサンプルで扱い、データに触れる習慣を作る。
- 続いて前処理（欠損・外れ値・型変換）を行い、分析前提を整える。
- EDAを通じて傾向や例外を確認し、仮説を更新しながら検証する。
- 最後にモデルや評価の考え方を加え、結果の解釈・説明・再現手順をまとめる。
独学で足りる？体系的に学ぶ選択肢
独学では、理解より先に「使う目的」を固定しないと散漫になりやすいです。式の暗記より、データをいじる回数を優先し、疑問は章ごとに記録して翌日までに再確認すると定着しやすくなります。複数冊を同時進行せず、難易度の近い1冊を主軸に実装演習を増やすのが安全です。
独学が不安な人や期限がある人は、進捗管理・添削・質疑の仕組みがある体系的学習を選ぶと継続しやすいです。特定の講師名やサービス名に依存せず、カリキュラムが「基礎→実践→振り返り」を一貫して持っているかを比較すると失敗しにくいです。 ▶ 給付でいくら戻るか試算
よくある質問
Q. どのくらいで実務に使えるようになりますか？
明確な期限は人によって異なります。目安は、データの前処理・可視化・検証結果の説明が一連でできるようになることです。道具の種類より、同じテーマを再現できるかどうかを重視すると実務適用に近づきます。
Q. どんな本を選べばよいかわからないです。
目次の構成を確認し、導入→実装→応用の順が明示されているものを選ぶと良いです。演習データの質が高く、読み終えた後に自分のデータで再現できる設計かが重要です。入門で躓くなら、基礎統計とデータ前処理に寄せた書籍から始めると迷いが減ります。
次の一冊：次はデータ基盤の設計や可視化設計に関するカテゴリに進むと理解の幅が広がります。並行して、統計モデリングと実務向け分析報告の書籍を読むと、分析→意思決定までの説明力が高まりやすくなります。
