diff --git a/ch01/handson.png b/ch01/handson.png
new file mode 100644
index 00000000..c245bb78
Binary files /dev/null and b/ch01/handson.png differ
diff --git a/ch01/handson.py b/ch01/handson.py
new file mode 100644
index 00000000..718e2134
--- /dev/null
+++ b/ch01/handson.py
@@ -0,0 +1,144 @@
+import scipy as sp
+data = sp.genfromtxt("data/web_traffic.tsv", delimiter="\t")
+
+# 先頭10件を表示
+print(data[:10])
+
+# 1列目を1次元配列で取り出す(経過時間？)
+x = data[:, 0]
+
+# 2列目を1次元配列で取り出す(アクセス数)
+y = data[:, 1]
+
+# 不正なデータが入っている要素を除去(アクセス数が不正な値(NAN)の行を除去)
+
+invalid_data = ~sp.isnan(y)
+x = x[invalid_data]
+y = y[invalid_data]
+
+print("x[-1] = %d" % x[-1])
+
+# フォント
+import matplotlib
+matplotlib.rcParams['font.family'] = 'IPAexGothic'
+
+# 近似関数(1次)を得る
+fp1, residuals, rank, sv, rcond = sp.polyfit(x, y, 1, full=True)
+print("Model parameters: %s" % fp1)
+print("residuals: %s" % residuals)
+
+# 近似関数からモデル関数を作る
+f1 = sp.poly1d(fp1)
+
+# モデル関数(f1)と実測値(x,y)から誤差を得る
+def error(f,x,y):
+    return sp.sum((f(x) - y) ** 2)
+
+print(error(f1, x, y )) # 317389767.339778
+
+
+# 近似関数(2次)を得る
+fp2, residuals, rank, sv, rcond = sp.polyfit(x, y, 2, full=True)
+print("Model parameters: %s" % fp2) # Model parameters: [ 1.05322215e-02 -5.26545650e+00  1.97476082e+03]
+print("residuals: %s" % residuals) # residuals: [1.79983508e+08]
+
+# 近似関数からモデル関数を作る
+f2 = sp.poly1d(fp2)
+print(error(f2, x, y )) # 179983507.8781792 (f1と比べて半分ぐらいに減った！)
+
+
+# 表示
+import matplotlib.pyplot as plt
+plt.scatter(x,y)
+plt.title("先月のWebトラフィック量")
+plt.xlabel("時間")
+plt.ylabel("件/時")
+plt.xticks([w*7*24 for w in range(10)], ['week %i'% w for w in range(10)]) # 1週間(7日*24時間)毎に区切る。0周目～9周目まで。
+plt.autoscale(tight=True) # 実際は4周目分のデータしかないので、表示を0周目～4周目までを収まるようにスケール
+plt.grid()
+
+# # モデル関数f1を使い、線を引く
+fx = sp.linspace(0, x[-1], 1000) # 間隔が等しい数列を1000個作る。始点:0,終点:x[-1]=743,数:1000個 => 約0.743づつ増加する1000個の数列
+# # print(sp.linspace(0, x[-1], 1000)) # 数列を確認
+
+# 変化がある3.5週目から分けて２つの直線で近似させる
+inflection = int(3.5 * 7 * 24)
+xa = x[:inflection]
+ya = y[:inflection]
+xb = x[inflection:]
+yb = y[inflection:]
+
+fa = sp.poly1d(sp.polyfit(xa, ya, 1))
+fb = sp.poly1d(sp.polyfit(xb, yb, 1))
+
+fa_error = error(fa, xa, ya)
+fb_error = error(fb, xb, yb)
+print("fa_error = %s" % fa_error )
+print("fb_error = %s" % fb_error )
+print("fa_error+fb_error = %s" % (fa_error + fb_error) )
+
+
+# 3.5週目以降のデータのうち、
+# 30%をテストデータとして使う
+
+# 再現性を出すためのseed固定
+sp.random.seed(314159263)
+
+frac = 0.30
+split_idx = int(frac * len(xb))
+shuffled = sp.random.permutation(list(range(len(xb))))
+test = sorted(shuffled[:split_idx])
+train = sorted(shuffled[split_idx:])
+
+fbt1 = sp.poly1d(sp.polyfit(xb[train], yb[train], 1))
+fbt2 = sp.poly1d(sp.polyfit(xb[train], yb[train], 2))
+fbt3 = sp.poly1d(sp.polyfit(xb[train], yb[train], 3))
+fbt10 = sp.poly1d(sp.polyfit(xb[train], yb[train], 10))
+fbt100 = sp.poly1d(sp.polyfit(xb[train], yb[train], 100))
+
+# 学習データで誤差を見る
+print("(train)fbt1_error  = %s" % error(fbt1, xb[train], yb[train]) ) # 15846249.623390418
+print("(train)fbt2_error  = %s" % error(fbt2, xb[train], yb[train]) ) # 14048047.808891317
+print("(train)fbt3_error  = %s" % error(fbt3, xb[train], yb[train]) ) # 14014812.664947439
+print("(train)fbt10_error = %s" % error(fbt10, xb[train], yb[train]) )# 13092597.979928792
+print("(train)fbt100_error = %s" % error(fbt100, xb[train], yb[train]) )# 12652070.062779315 <= 最も誤差が小さい、が、学習データに最適化されている状態なので、評価としては不適切。
+
+# 未知データで誤差を見る
+print("(test) fbt1_error  = %s" % error(fbt1, xb[test], yb[test]) ) # 6387914.410987866
+print("(test) fbt2_error  = %s" % error(fbt2, xb[test], yb[test]) ) # 5841997.167708391 <= 最も誤差が小さい。乱数を変えても大体これが良い結果に。
+print("(test) fbt3_error  = %s" % error(fbt3, xb[test], yb[test]) ) # 5949556.660118614
+print("(test) fbt10_error = %s" % error(fbt10, xb[test], yb[test]) )# 6525801.591164470
+print("(test)fbt100_error = %s" % error(fbt100, xb[test], yb[test]))# 6677906.164012078
+
+
+### 描画 ###
+
+
+# 未来を含めて描画(10週目まで描画してみる。)
+fx = sp.linspace(0, 7*24*10, 1000)
+
+# # f1
+# plt.plot(fx, f1(fx), linewidth=2) # 直線を描く(xに対するy(f1(x))の線を引く)
+# plt.legend(["d=%i" % f1.order], loc="upper left") # 凡例
+
+# # f2
+# plt.plot(fx, f2(fx), linewidth=2) # 直線を描く(xに対するy(f1(x))の線を引く)
+# plt.legend(["d=%i" % f2.order], loc="upper left") # 凡例
+
+# # 変化がある3.5週目から分けて２つの直線を引く(fa,fb)
+# plt.plot(fx, fa(fx), linewidth=2) 
+# plt.plot(fx, fb(fx), linewidth=2) 
+# plt.legend(["d=%i" % fa.order, "d=%i" % fb.order], loc="upper left") # 凡例
+
+# 変化がある3.5週目から70%を学習に使って作ったモデルで線を引く
+plt.plot(fx, fbt1(fx), linewidth=2) 
+plt.plot(fx, fbt2(fx), linewidth=2) 
+plt.plot(fx, fbt3(fx), linewidth=2) 
+plt.plot(fx, fbt10(fx), linewidth=2) 
+plt.plot(fx, fbt100(fx), linewidth=2) 
+
+plt.legend(["d=%i" % fbt1.order, "d=%i" % fbt2.order, "d=%i" % fbt3.order, "d=%i" % fbt10.order, "d=%i" % fbt100.order], loc="upper left") # 凡例
+
+
+plt.show()
+