公開しているコードでは，以下の内容を反映しています．
| 場所 | 説明 |
|---|---|
| p. 6 | Windows 11には，脚註4で紹介しているWindows Terminalが搭載されています． |
| p. 20 | Amazon SageMaker Studio Labでの動作も確認済みです．表2.1のクラウド・ノートブックに相当します． |
| p. 22 脚註3 | Google Colabでノートブックを新規作成した後で，ランタイム→ランタイムのタイプを変更で，Rを選択できるようになりました． |
| p. 77 | （バージョン依存） 3.4.2.1のPythonのコードのmy_df2 = my_df.append(tmp)をmy_df2 = pd.concat([my_df, tmp])としなければならないことがあります． |
| p. 112 脚註6 | （バージョン依存） 対象を数値の列に限定するオプションnumeric_only=Trueが必要な場合があります． |
| p. 113 | （バージョン依存） Pythonのコードを，my_df.var(numeric_only=True)やmy_df.apply('var', numeric_only=True)としなければならないことがあります． |
| p. 115 | （バージョン依存） Pythonのコードを，my_df.groupby('gender').mean(numeric_only=True)あるいはmy_df.groupby('gender').agg('mean', numeric_only=True)あるいはmy_df.drop(['name'], axis=1).groupby('gender').agg(np.mean)としなければならないことがあります． |
| p. 151, 152 | GitHub上でのCSVファイルの表示方法が変更されたので，https://github.com/taroyabuki/fromzero/blob/master/data/exam.csv の代わりにhttps://taroyabuki.github.io/fromzero/exam.html を使ってください． |
| p. 160, 161 | （バージョン依存） Pythonのコードのget_feature_names()をget_feature_names_out()としなければならないことがあります． |
| p. 184 | 予測値の期待値の信頼区間 |
| p. 194 | 「7.4.3 当てはまりの良さの指標の問題点」についての補足 |
| p. 271, 275 | XGBoostでValueError: Invalid classes inferred from unique values of y. Expected: [0 1 2], got ['setosa' 'versicolor' 'virginica']というエラーが出る場合は，LabelEncoderを使ってラベルを数値に変換してください． |
| p. 271, 275 | 9.4.2, 9.5.3項のPythonのコードで警告がたくさん出る場合は，warnings.simplefilterの引数の「, UserWarning」を削除してみてください． |
| p. 277 | 9.6.2項のPythonのコードで警告がたくさん出る場合は，MLPClassifier()をMLPClassifier(max_iter=1000)に変更してみてください． |
| p. 292, 298 | （バージョン依存） Pythonのコードのget_feature_names()をget_feature_names_out()としなければならないことがあります． |
| p. 297 | （バージョン依存） PythonのコードのLogisticRegression(penalty='none')をLogisticRegression(penalty=None)としなければならないことがあります． |
| 第11章 | Google Colabでは，Kerasの代わりにKeras3をインストールして，library(keras3)で読み込んでください（公開コードは対応済み）． |
| p. 309 | （バージョン依存） Rでエラーが出る場合は，listをrbindに変更してください． |
| p. 309 | （バージョン依存） Pythonではy, y_1, y_2 = np.array(y), np.array(y_1), np.array(y_2)として，リストをアレイに変換しなければならないことがあります． |
| p. 310, 329 | Rのコード左辺 %<-% 右辺が正しく動作しない場合は，事前にlibrary(zeallot)を実行してください． |
| p. 342 | （バージョン依存） Pythonのコードのfrom fbprophet import Prophetをfrom prophet import Prophetとしなければならないことがあります． |
| 場所 | 誤 | 正 |
|---|---|---|
| p. 138 本文1行目 | 確率（約0.22） | 確率（約0.022） |
次の誤りは第5刷で修正しました．
| 場所 | 誤 | 正 |
|---|---|---|
| p. 258 本文3行目 | グラフの中で | 連結グラフ（任意の2点を線をつないで結べるグラフ）の中で |
| p. 351 Pythonのコード | vals, vecs = np.linalg.eig(S) # 固有値と固有ベクトル |
vals, vecs = np.linalg.eig(S) # 固有値と固有ベクトルidx = np.argsort(-vals) # 固有値の大きい順の番号vals, vecs = vals[idx], vecs[:, idx] # 固有値の大きい順での並べ替え |
次の誤りは第4刷で修正しました．
| 場所 | 誤 | 正 |
|---|---|---|
| p. 56 最初のコード（R） | 0.3333333 |
3.333333 |
| p. 56 最初のコード（Python） | 0.3333333333333333 |
3.3333333333333335 |
| p. 56 脚註1 | 0.3333333 | 3.333333 |
| p. 119 脚註9 | [4.3, 4.7, 5.1, 5.5, 5.9, 6.300000000000001, 6.7, 7.1000000000000005, 7.5, 7.9]です．小さな誤差が，観測値6.3や7.1が属する階級に影響し，このままではヒストグラムがRと同じになりません．同じにするために，ここでは，roundで誤差を消しています． |
[4.3, 4.7, 5.1, 5.5, 5.9, 6.3, 6.7, 7.1, 7.5, 7.9]から少しずれます．Rも同様なのですが，Rではそのずれを丸めて消してから数を数えます．ここでは，Pythonでもそうなるように，roundで数値を丸めています． |
| p. 184 脚註4 | 回帰直線 | 予測値の期待値 |
| p. 194 Pythonのコード（2箇所） | PolynomialFeatures(d) |
PolynomialFeatures(d, include_bias=False) |
| p. 233 旁註 | scやlm |
scやlr |
| p. 233 旁註 | my_model.named_steps.lm |
my_pipeline.named_steps.lr |
| p. 240 旁註 | sfsとlm |
sfsとlr |
| p. 272 下から2行目 | Sepal.With | Sepal.Width |
| p. 341 脚註5 | autoplot(level = c(80, 90)) |
autoplot(level = c(80, 95)) |
| p. 349 本文上から3行目 | 描かれいます | 描かれています |