Wykorzystanie danych zorientowanych na u

Osoby które kupowały "Analiza danych behawioralnych przy u", wybierały także:

• Tabele i wykresy przestawne dla ka 190,00 zł, (39,90 zł -79%)
• Databricks. Kurs video. Wst 149,00 zł, (67,05 zł -55%)
• Power Automate. Kurs video. Automatyzacja proces 109,00 zł, (49,05 zł -55%)
• Power Apps. Kurs video. Tworzenie biznesowych aplikacji no-code 198,98 zł, (89,54 zł -55%)
• R i pakiet shiny. Kurs video. Interaktywne aplikacje w analizie danych 149,00 zł, (67,05 zł -55%)

Spis treści

Analiza danych behawioralnych przy użyciu języków R i Python eBook -- spis treści

• Spis treści
• Wstęp
• Zrozumienie zachowań
  • Koncepcja przyczynowo-behawioralna stosowana w analizie danych
    • Dlaczego do wyjaśniania ludzkich zachowań należy zastosować analizę przyczynową?
      • Różne rodzaje analizy
      • Istoty ludzkie są skomplikowane
    • Zakłócenia, czyli ukryte niebezpieczeństwa rozwiązywania problemów za pomocą regresji
      • Dane
      • Dlaczego korelacja nie jest związkiem przyczynowym? Rola czynnika zakłócającego
      • Zbyt wiele zmiennych może zepsuć zabawę
    • Podsumowanie
  • Zrozumienie danych behawioralnych
    • Podstawowy model ludzkiego zachowania
      • Cechy osobowe
      • Poznanie i emocje
      • Intencje
      • Działania
      • Zachowania biznesowe
    • Jak połączyć ze sobą zachowania i dane?
      • Zdefiniowanie sposobu myślenia pozwalającego osiągnąć integralność behawioralną
      • Nieufność i weryfikacja
      • Identyfikacja kategorii
      • Dostrajanie zmiennych behawioralnych
      • Zrozumienie kontekstu
    • Podsumowanie
• Diagramy przyczynowe i usuwanie czynników zakłócających
  • Wprowadzenie do diagramów przyczynowych
    • Diagramy przyczynowe i koncepcja przyczynowo-behawioralna
      • Diagramy przyczynowe reprezentują zachowania
      • Diagramy przyczynowe reprezentują dane
    • Podstawowe struktury diagramów przyczynowych
      • Łańcuchy
      • Rozgałęzienia
      • Zderzacze
    • Typowe przekształcenia diagramów przyczynowych
      • Dzielenie (dezagregacja) zmiennych
      • Agregacja zmiennych
      • Co z cyklami?
      • Ścieżki
    • Podsumowanie
  • Tworzenie diagramów przyczynowych od podstaw
    • Opis problemu biznesowego i konfiguracji danych
      • Dane i pakiety
      • Zrozumienie głównej relacji
    • Identyfikacja zmiennych, które mogą zostać uwzględnione w diagramie przyczynowym
      • Działania
      • Intencje
      • Poznanie i emocje
      • Cechy osobowe
      • Zachowania biznesowe
      • Trendy czasowe
    • Walidacja obserwowalnych zmiennych w oparciu o dane
      • Relacje między zmiennymi numerycznymi
      • Relacje między zmiennymi skategoryzowanymi
      • Relacje między zmiennymi numerycznymi a skategoryzowanymi
    • Iteracyjne rozbudowywanie diagramu przyczynowego
      • Identyfikacja pośredników dla zmiennych nieobserwowalnych
      • Identyfikacja dalszych przyczyn
      • Iteracje
    • Uproszczenie diagramu przyczynowego
    • Podsumowanie
  • Używanie diagramów przyczynowych do usuwania czynników zakłócających z analiz danych
    • Problem biznesowy: sprzedaż lodów i wody butelkowanej
    • Rozłączne kryterium ustalania przyczyny
      • Definicja
      • Blok pierwszy
      • Blok drugi
    • Kryterium tylnej furtki
      • Definicje
      • Blok pierwszy
      • Blok drugi
    • Podsumowanie
• Profesjonalna analiza danych
  • Rozwiązywanie problemu brakujących danych
    • Dane i pakiety
    • Wizualizacja brakujących danych
      • Ilość brakujących danych
      • Korelacja braków danych
    • Rozpoznawanie brakujących danych
      • Przyczyny braków danych klasyfikacja Rubina
      • Rozpoznawanie zmiennych MCAR
      • Rozpoznawanie zmiennych MAR
      • Rozpoznawanie zmiennych MNAR
      • Brak danych jako skala
    • Obsługiwanie braku danych
      • Wprowadzenie do imputacji wielokrotnej
      • Domyślna metoda imputacji: predykcyjne dopasowanie średniej
      • Od PMM do imputacji z rozkładem normalnym (tylko język R)
      • Dodawanie zmiennych pomocnicznych
      • Skalowanie liczby uzupełnianych zbiorów danych
    • Podsumowanie
  • Ocenianie niepewności za pomocą metody bootstrap
    • Wprowadzenie do metody bootstrap: odpytywanie samego siebie
      • Pakiety
      • Problem biznesowy: niewielki zbiór danych z wartościami odstającymi
      • Bootstrapowy przedział ufności dla średniej z próbki danych
      • Bootstrapowe przedziały ufności w przypadku doraźnych statystyk
    • Wykorzystanie metody bootstrap w analizie regresji
    • Kiedy należy używać metody bootstrap?
      • Warunki wystarczające do zastosowania tradycyjnych metod szacowania wartości centralnej
      • Warunki wystarczające do wyznaczenia zwykłego przedziału ufności
      • Ustalanie liczby prób bootstrapowych
    • Optymalizacja metody bootstrap w R i Pythonie
      • Język R pakiet boot
      • Optymalizacja dostępna w Pythonie
    • Podsumowanie
• Projektowanie i analizowanie eksperymentów
  • Projektowanie eksperymentów podstawy
    • Planowanie eksperymentu teoria zmiany
      • Cel biznesowy i wskaźnik docelowy
      • Interwencja
      • Logika behawioralna
    • Dane i pakiety
    • Ustalenie randomizacji i wielkości/mocy próby
      • Randomizacja
      • Wielkość próby i analiza mocy
    • Analizowanie i interpretowanie wyników eksperymentów
    • Podsumowanie
  • Randomizacja warstwowa
    • Planowanie eksperymentu
      • Cel biznesowy i wskaźnik docelowy
      • Zdefiniowanie interwencji
      • Logika behawioralna
      • Dane i pakiety
    • Określenie losowego przypisania i wielkości/mocy próby
      • Losowe przypisanie
      • Analiza mocy za pomocą symulacji bootstrapowych
    • Analizowanie i interpretowanie wyników eksperymentu
      • Oszacowanie współczynnika ITT w przypadku interwencji zachęcającej
      • Wyznaczanie wskaźnika CACE w przypadku interwencji obowiązkowej
    • Podsumowanie
  • Randomizacja klastrowa i modelowanie hierarchiczne
    • Zaplanowanie eksperymentu
      • Cel biznesowy i wskaźnik docelowy
      • Definicja interwencji
      • Logika behawioralna
    • Dane i pakiety
    • Wprowadzenie do modelowania hierarchicznego
      • Kod języka R
      • Kod języka Python
    • Określanie losowego przypisania i wielkości/mocy próby
      • Przypisanie losowe
      • Analiza mocy
    • Analiza eksperymentu
    • Podsumowanie
• Użycie zaawansowanych narzędzi w analizie danych behawioralnych
  • Wprowadzenie do moderacji
    • Dane i pakiety
    • Behawioralne odmiany moderacji
      • Segmentacja
      • Interakcje
      • Nieliniowości
    • Jak stosować moderację?
      • W jakich przypadkach należy stosować moderację?
      • Wiele moderatorów
      • Walidacja moderacji za pomocą metody bootstrap
      • Interpretacja poszczególnych współczynników
    • Podsumowanie
  • Mediacja i zmienne instrumentalne
    • Mediacja
      • Zrozumienie mechanizmów przyczynowych
      • Zniekształcenia pojawiające się podczas ustalania przyczyn
      • Identyfikacja mediacji
      • Mierzenie mediacji
    • Zmienne instrumentalne
      • Dane
      • Zrozumienie i zastosowanie zmiennych instrumentalnych
      • Pomiar
      • Stosowanie zmiennych instrumentalnych najczęściej zadawane pytania
    • Podsumowanie
• Bibliografia
• O autorze
• Kolofon
• Polecamy także