データサイエンスのためのソフトウェアエンジニアリング入門

賞賛の声
まえがき

1章　良いコードとは何か？
    1.1　優れたコードが重要な理由
    1.2　変化する要件への対応
    1.3　単純さ
        1.3.1　同じことを繰り返さない（DRY）
        1.3.2　冗長なコードを避ける
    1.4　モジュール化
    1.5　可読性
        1.5.1　標準と慣習
        1.5.2　命名法
        1.5.3　クリーンアップ
        1.5.4　ドキュメンテーション
    1.6　パフォーマンス
    1.7　堅牢性
        1.7.1　エラーとロギング
        1.7.2　テスト
    1.8　まとめ

2章　パフォーマンスの分析
    2.1　パフォーマンス向上の方法
    2.2　実行時間の計測
    2.3　プロファイリング
        2.3.1　cProfile
        2.3.2　line_profiler
        2.3.3　Memrayによるメモリプロファイリング
    2.4　時間計算量
        2.4.1　時間計算量の見積もり
        2.4.2　オーダー記法
    2.5　まとめ

3章　データ構造
    3.1　Pythonのネイティブなデータ構造
        3.1.1　リスト
        3.1.2　タプル
        3.1.3　辞書
        3.1.4　セット（集合）
    3.2　NumPy
        3.2.1　NumPyの関数
        3.2.2　NumPyのパフォーマンスに関する考察
        3.2.3　Daskを使った配列演算
    3.3　機械学習における配列
    3.4　pandas
        3.4.1　DataFrameの機能
        3.4.2　DataFrameのパフォーマンス
    3.5　まとめ

4章　オブジェクト指向プログラミングと関数型プログラミング
    4.1　オブジェクト指向プログラミング
        4.1.1　クラス、メソッド、属性
        4.1.2　クラスの定義
        4.1.3　OOPの主要概念
    4.2　関数型プログラミング
        4.2.1　ラムダ関数とmap()
        4.2.2　関数をDataFrameに適用
    4.3　どのパラダイムを使うべきか？
    4.4　まとめ

5章　エラー、ログ、デバッグ
    5.1　Pythonのエラー
        5.1.1　Pythonのエラーメッセージ
        5.1.2　エラー処理
        5.1.3　エラーの生成
    5.2　ロギング
        5.2.1　何を記録するか
        5.2.2　ロギングの設定
        5.2.3　ログの取り方
    5.3　デバッグ
        5.3.1　デバッグの戦略
        5.3.2　デバッグ用ツール
    5.4　まとめ

6章　コードのフォーマット、リンティング、型チェック
    6.1　コードの形式とスタイルガイド
        6.1.1　PEP 8
        6.1.2　importのフォーマット
        6.1.3　Blackを使ったフォーマッティング
    6.2　リンター
        6.2.1　リンティング用ツール
        6.2.2　IDE内でのリンティング
    6.3　型チェック
        6.3.1　型注釈
        6.3.2　mypyによる型チェック
    6.4　まとめ

7章　テスト
    7.1　テストを書くべき理由
    7.2　テストの時期
    7.3　テストの書き方と実行方法
        7.3.1　基本的なテスト
        7.3.2　予期しない入力のテスト
        7.3.3　pytestを使った自動テストの実行
    7.4　その他のテスト用フレームワーク
    7.5　テストの種類
        7.5.1　単体テスト
        7.5.2　統合テスト
    7.6　データ検証
        7.6.1　データ検証の例
        7.6.2　Panderaを使ったデータ検証
        7.6.3　Pydanticによるデータ検証
    7.7　機械学習用のテスト
        7.7.1　モデルトレーニングのテスト
        7.7.2　モデル推論のテスト
    7.8　まとめ

8章　デザインとリファクタリング
    8.1　プロジェクトのデザインと構造
        8.1.1　プロジェクトデザインの考慮事項
        8.1.2　機械学習プロジェクトの例
    8.2　コードのデザイン
        8.2.1　モジュラーコード
        8.2.2　コードデザインの枠組み
        8.2.3　インタフェースと契約
        8.2.4　結合度
    8.3　ノートブックからスケーラブルなスクリプトへ
        8.3.1　なぜノートブックの代わりにスクリプトを使うのか
        8.3.2　ノートブックからのスクリプト作成
    8.4　リファクタリング
        8.4.1　リファクタリングの戦略
        8.4.2　リファクタリングの例
    8.5　まとめ

9章　ドキュメンテーション
    9.1　コードベース内のドキュメンテーション
        9.1.1　ネーミング
        9.1.2　コメント
        9.1.3　docstring
        9.1.4　README、チュートリアル、その他の長いドキュメント
    9.2　Jupyterノートブックにおけるドキュメンテーション
    9.3　機械学習の実験の文書化
    9.4　まとめ

10章　コードの共有
    10.1　Gitを使ったバージョン管理
        10.1.1　Gitの動作
        10.1.2　変更とコミットの追跡
        10.1.3　リモートとローカル
        10.1.4　ブランチとプルリクエスト
    10.2　依存ライブラリと仮想環境
        10.2.1　仮想環境
        10.2.2　pipによる依存関係の管理
        10.2.3　Poetryによる依存関係の管理
    10.3　パッケージング
        10.3.1　パッケージングの基本
        10.3.2　pyproject.toml
        10.3.3　パッケージのビルドとアップロード
    10.4　まとめ

11章　API
    11.1　APIの呼び出し
        11.1.1　HTTPメソッドとステータスコード
        11.1.2　SDGs APIからのデータの取得
    11.2　独自APIの作成
        11.2.1　独自APIのセットアップ
        11.2.2　APIへの機能の追加
        11.2.3　GETエンドポイントの追加
        11.2.4　POSTエンドポイントの追加
        11.2.5　独自APIの呼び出し
    11.3　まとめ

12章　自動化とデプロイ
    12.1　コードのデプロイ
    12.2　自動化の例
        12.2.1　コミット前フック
        12.2.2　GitHub Actions
    12.3　クラウドへのデプロイ
        12.3.1　コンテナとDocker
        12.3.2　Dockerコンテナの構築
        12.3.3　Google CloudへのAPIのデプロイ
        12.3.4　他のクラウドプロバイダーを使ったAPIのデプロイ
    12.4　まとめ

13章　セキュリティ
    13.1　セキュリティとは
    13.2　セキュリティリスク
        13.2.1　クレデンシャル、物理的セキュリティ、ソーシャルエンジニアリング
        13.2.2　サードパーティーのパッケージ
        13.2.3　Pythonのpickleモジュール
        13.2.4　バージョン管理システムのリスク
        13.2.5　APIのセキュリティリスク
    13.3　セキュリティ対策
        13.3.1　セキュリティに関するレビューとポリシー
        13.3.2　安全なコーディングのためのツール
        13.3.3　シンプルなコードスキャン
    13.4　機械学習のセキュリティ
        13.4.1　機械学習システムへの攻撃
        13.4.2　機械学習システムのセキュリティ対策
    13.5　まとめ

14章　ソフトウェア開発の現場
    14.1　開発の原則やプラクティス
        14.1.1　ソフトウェア開発のライフサイクル
        14.1.2　ウォーターフォール型ソフトウェア開発
        14.1.3　アジャイルソフトウェア開発
        14.1.4　アジャイル・データサイエンス
    14.2　ソフトウェア業界における役割
        14.2.1　ソフトウェアエンジニア
        14.2.2　テストエンジニア
        14.2.3　データエンジニア
        14.2.4　データアナリスト
        14.2.5　プロダクトマネージャー
        14.2.6　UXリサーチャー
        14.2.7　デザイナー
    14.3　コミュニティ
        14.3.1　オープンソース
        14.3.2　イベントでの講演
        14.3.3　Pythonコミュニティ
    14.4　まとめ

15章　さらなる飛躍を求めて
    15.1　コードの未来
    15.2　コードで描く未来
    15.3　おわりに

索引

コラム目次
    ソフトウェアエンジニアリング vs. データサイエンス
    「作品」としてのコード
    本書のデータ
    早すぎる最適化
    タブにするかスペースにするかの大論争
    テスト駆動開発
    コードレビュー
    バージョニング
    その他のAPIフレームワーク
    データの「プライバシー」