意思決定分析と予測の活用　基礎理論からPython実装まで

第1部　序論
第1章　意思決定における予測の活用
1.1 意思決定
1.2 意思決定の結果と選好関係
1.3 意思決定と不確実性
1.4 不確実性との付き合い方
1.5 予測
1.6 予測を意思決定に活用する
1.7 予測の評価
1.8 情報の価値
1.9 本書の解説の流れ
1.10 本書で扱う問題と扱わない問題

第2章　決定分析の役割
2.1 意思決定理論の役割
2.2 意思決定のモデル
2.3 意思決定のアプローチ
2.4 「合理性」の定義
2.5 決定分析の役割

第2部　決定分析の基本
第1章　決定分析の初歩
1.1 目標設定と手段選択
1.2 意思決定問題の構成要素
1.3 今回扱う事例
1.4 意思決定問題の構造化
1.5 意思決定問題の一般的な表現
1.6 結果の査定
1.7 優越する決定
1.8 決定基準
1.9 マキシマックス（Maximax）基準
1.10 マキシミン（Maximin）基準
1.11 ハーヴィッツ（Hurwicz）の基準
1.12 ミニマックスリグレット（Minimax regret）基準
1.13 ラプラス（Laplace）の基準
1.14 決定基準ごとの結果

第2章　Pythonの導入
2.1 PythonとJupyter Notebook
2.2 list
2.3 関数の作成
2.4 numpyとpandasの初歩
2.5 numpyのndarray
2.6 pandasのDataFrame
2.7 pandasのSeries
2.8 DataFrameの演算
2.9 DataFrameの行や列を対象とした演算
2.10 DataFrameに対する関数の適用

第3章　決定分析におけるPythonの利用
3.1 利得行列の作成手順
3.2 Pythonによる分析の準備
3.3 利得行列の作成
3.4 マキシマックス基準
3.5 マキシミン基準
3.6 ハーヴィッツの基準
3.7 ミニマックスリグレット基準
3.8 ラプラスの基準
3.9 感度分析

第4章　期待値に基づく意思決定
4.1 Pythonによる分析の準備
4.2 意思決定問題の構成要素
4.3 期待値
4.4 期待金額に基づく意思決定
4.5 期待値のシミュレーション
4.6 期待金額に基づく意思決定の問題点
4.7 決定木（デシジョン・ツリー）
4.8 展開型分析

第5章　情報の量
5.1 Pythonによる分析の準備
5.2 情報とは
5.3 情報量のイメージ
5.4 自己情報量
5.5 平均情報量と情報エントロピー
5.6 情報エントロピーの性質
5.7 情報としての予測
5.8 同時分布・周辺分布・条件付き分布
5.9 条件付きエントロピー
5.10 相互情報量
5.11 Pythonによる相互情報量の計算
5.12 相互情報量の計算例
5.13 相対エントロピー
5.14 相対エントロピーの性質
5.15 相対エントロピーと相互情報量の関係

第6章　情報の価値
6.1 Pythonによる分析の準備
6.2 意思決定問題の構成要素
6.3 条件付き期待金額に基づく意思決定
6.4 情報を使わないときの期待金額
6.5 情報の価値：事後分析
6.6 情報の価値：事前分析
6.7 完全情報の価値
6.8 情報の価値の計算例
6.9 情報の有効性
6.10 期待リグレットと不確実性の費用
6.11 情報の価値の定義に関する考察
6.12 記号の整理

第3部　決定分析の活用
第1章　予測の評価
1.1 予測の活用と予測の評価
1.2 的中率の問題点
1.3 予測の評価の3つの観点
1.4 予測の一貫性
1.5 予測の品質
1.6 尺度指向アプローチと分布指向アプローチ
1.7 予測の分割表
1.8 分割表から計算できる指標
1.9 数量予測を評価する指標
1.10 予測の価値
1.11 記号の整理

第2章　コスト/ロスモデルと予測の価値
2.1 コスト/ロスモデルとは
2.2 コスト/ロスモデルにおける利得行列
2.3 ある需要予測ユーザーに対する適用
2.4 コスト/ロスモデルを使って明らかにする内容
2.5 予測を使わないときの期待利得
2.6 予測に忠実に従うときの期待利得
2.7 予測が価値を生み出す条件
2.8 Pythonによる分析の準備
2.9 Pythonによるコスト/ロスモデルの結果の確認
2.10 予測の的中率と予測の価値の関係1
2.11 個別ユーザーのための予測の最適化
2.12 完全的中予測の価値
2.13 予測の有効性
2.14 Claytonのスキルスコア
2.15 Peirceのスキルスコア
2.16 より一般的なコスト/ロスモデル
2.17 記号の整理

第3章　決定分析の事例
3.1 今回扱う事例
3.2 利得行列の作成方針
3.3 Pythonによる分析の準備
3.4 利得行列の作成
3.5 数量予測の尺度指向アプローチに基づく評価
3.6 数量予測の分布指向アプローチに基づく評価
3.7 意思決定問題の構成要素
3.8 予測の価値評価の準備
3.9 予測を使わないときの期待金額
3.10 予測を使うときの期待金額
3.11 予測の価値
3.12 予測に忠実に従うときの期待金額
3.13 完全情報の価値
3.14 予測の有効性
3.15 予測の取り扱いに関する補足

第4章　標準型分析
4.1 予測と検査情報
4.2 標準型分析
4.3 本章で扱う事例
4.4 本章の説明の進め方
4.5 Pythonによる分析の準備
4.6 意思決定にかかわる要素の整理
4.7 決定方式の実装
4.8 決定方式別の，自然の状態の条件付き期待金額
4.9 許容的・非許容的な決定方式
4.10 決定方式の視覚的な評価
4.11 混合決定方式
4.12 判断確率
4.13 検査情報を使わないときの期待金額
4.14 検査情報を使うときの期待金額
4.15 検査情報を使わないときの最適行動
4.16 検査情報を使うときの最適行動
4.17 検査情報の価値
4.18 ベイズ決定
4.19 事前分布と事後分布
4.20 事後分布の実装
4.21 事後分布に基づく期待金額の最大化
4.22 記号の整理

第5章　逐次決定問題における予測の活用
5.1 逐次決定問題の特徴
5.2 逐次決定問題の事例
5.3 逐次決定問題の表現
5.4 ここまでのまとめ
5.5 逐次決定問題の難しさ
5.6 動的計画法の基本
5.7 後ろ向き帰納法
5.8 予測の活用
5.9 予測を使うときの逐次決定問題の表現
5.10 予測を使うときの後ろ向き帰納法
5.11 逐次決定問題の発展
5.12 記号の整理

第4部　効用理論入門
第1章　選好と効用関数表現
1.1 期待金額の限界
1.2 サンクトペテルブルクのパラドックス
1.3 本書における説明の方針
1.4 効用理論を学ぶモチベーション
1.5 二項関係
1.6 選好
1.7 選好関係の補足事項
1.8 意思決定の規範理論と公理
1.9 完備性
1.10 推移性
1.11 選好の効用関数表現
1.12 弱順序と効用関数表現
1.13 効用の解釈

第2章　期待効用理論
2.1 リスク態度と期待効用理論
2.2 確率くじ
2.3 連続性
2.4 独立性
2.5 von Neumann゠Morgensternの定理
2.6 意思決定原理の押し付けについての本書の立場
2.7 確実同値額
2.8 リスク回避的
2.9 リスクプレミアム
2.10 リスク受容的
2.11 リスク中立的
2.12 効用関数の同定
2.13 サンクトペテルブルクのパラドックスの解決
2.14 期待効用最大化原理に基づく意思決定の手続き
2.15 記号の整理

第5部　確率予測とその活用
第1章　確率予測の基礎
1.1 カテゴリー予測から確率予測へ
1.2 確率予測の表記
1.3 確率予測の一貫性
1.4 確率予測の品質
1.5 確率予測の価値
1.6 コスト/ロス比のシチュエーションにおける最適な決定方式
1.7 数量予測における確率予測

第2章　確率予測の活用
2.1 Pythonによる分析の準備
2.2 予測値の作成
2.3 カテゴリー予測の評価
2.4 ブライアスコアによる確率予測の評価
2.5 信頼度曲線による確率予測の評価
2.6 Sharpnessによる確率予測の評価
2.7 確率予測をカテゴリー予測に変換する
2.8 ROC曲線とAUCによる確率予測の評価
2.9 意思決定にかかわる要素の整理
2.10 予測を使わないときの期待金額
2.11 カテゴリー予測を使うときの期待金額
2.12 確率予測を使うときの期待金額
2.13 確率予測における決定方式のチューニング
2.14 記号の整理