Unikalne wprowadzenie do nauki o danych!

W dzisiejszych czasach najcenniejszym dobrem jest informacja. Ogromne iloÅ›ci danych sÄ… przechowywane w przepastnych bazach danych, a kluczem do sukcesu jest ich umiejÄ™tna analiza i wyciÄ…ganie wniosków. To dynamicznie rozwijajÄ…ca siÄ™ dziedzina wiedzy, w której do tej pory brakowaÅ‚o solidnych podrÄ™czników, pozwalajÄ…cych na dogÅ‚Ä™bne poznanie tego obszaru. Na szczęście to siÄ™ zmieniÅ‚o!

To unikalna książka, w której badacze z najwiÄ™kszych firm branży IT dzielÄ… siÄ™ skutecznymi technikami analizy danych. Z kolejnych rozdziaÅ‚ów dowiesz siÄ™, czym jest nauka o danych, model danych oraz test A/B. Ponadto zdobÄ™dziesz wiedzÄ™ na temat wnioskowania statystycznego, algorytmów, jÄ™zyka R oraz wizualizacji danych. SiÄ™gnij po tÄ™ książkÄ™, jeżeli chcesz siÄ™ dowiedzieć, jak wykrywać oszustwa, korzystać z MapReduce oraz badać przyczynowość. To obowiÄ…zkowa pozycja na póÅ‚ce czytelników zainteresowanych badaniem danych.

WÅ›ród tematów poruszonych w książce odnajdziesz:

• Wnioskowanie statystyczne, eksploracyjnÄ… analizÄ™ danych i proces (metodologiÄ™) nauki o danych
• Algorytmy
• Filtry spamu, naiwny algorytm Bayesa i wstÄ™pnÄ… obróbkÄ™ danych
• RegresjÄ™ logistycznÄ…
• Modelowanie finansowe
• Mechanizmy rekomendacji i przyczynowość
• Wizualizowanie danych
• Sieci spoÅ‚ecznoÅ›ciowe i dziennikarstwo danych
• InżynieriÄ™ danych, systemy MapReduce, Pregel i Hadoop

Wyciągnij wartościowe wnioski z posiadanych informacji!

 

Osoby które kupowały "Badanie danych. Raport z pierwszej linii działań", wybierały także:

• Java 9: Building Robust Modular Applications 332,22 zÅ‚, (29,90 zÅ‚ -91%)
• Practical Machine Learning Cookbook 186,88 zÅ‚, (29,90 zÅ‚ -84%)
• Mastering Spark for Data Science 175,88 zÅ‚, (29,90 zÅ‚ -83%)
• Mastering Functional Programming 157,37 zÅ‚, (29,90 zÅ‚ -81%)
• C# Data Structures and Algorithms 157,37 zÅ‚, (29,90 zÅ‚ -81%)

• 
• 
• 
• 
• 

Spis treści

Badanie danych. Raport z pierwszej linii działań eBook -- spis treści

Przedmowa (9)

Rozdział 1. Wprowadzenie: czym jest nauka o danych? (19)

• Wielkie dane i szum wokóÅ‚ badania danych (19)
• Pokonywanie szumu (21)
• Dlaczego teraz? (22)
• Obecny horyzont (z domieszkÄ… historii) (23)
• Profil nauki o danych (27)
• Eksperyment myÅ›lowy - metadefinicja (28)
• Kim zatem jest badacz danych? (29)

Rozdział 2. Wnioskowanie statystyczne, eksploracyjna analiza danych i proces badania danych (33)

• MyÅ›lenie statystyczne w epoce wielkich danych (33)
• Eksploracyjna analiza danych (46)
• Proces badania danych (51)
• Eksperyment myÅ›lowy: jak zasymulować chaos? (54)
• Studium przypadku: RealDirect (55)

Rozdział 3. Algorytmy (61)

• Algorytmy uczenia maszynowego (62)
• Trzy algorytmy podstawowe (63)
• Zadanie: podstawowe algorytmy uczenia maszynowego (88)
• PodsumowujÄ…c to wszystko (92)
• Eksperyment myÅ›lowy - automatyczny statystyk (93)

RozdziaÅ‚ 4. Filtry spamu, naiwny Bayes i obróbka danych (95)

• Eksperyment myÅ›lowy - nauczanie przez przykÅ‚ad (95)
• Naiwna metoda Bayesa (99)
• Zróbmy to z polotem - wygÅ‚adzanie metodÄ… Laplace'a (103)
• Porównanie naiwnej metody Bayesa z k-NN (104)
• PrzykÅ‚adowy kod w bashu (105)
• SkrobiÄ…c po Sieci - interfejsy API i inne narzÄ™dzia (106)

Rozdział 5. Regresja logistyczna (111)

• Eksperymenty myÅ›lowe (112)
• Klasyfikatory (113)
• Przypadek regresji logistycznej w M6D (115)
• Zadanie z Media6Degrees (124)

Rozdział 6. Znaczniki czasu i modelowanie finansowe (129)

• Kyle Teague i GetBlue (129)
• Znaczniki czasu (131)
• Cathy O'Neil (136)
• Eksperyment myÅ›lowy (136)
• Modelowanie finansowe (137)
• Zadanie: GetGlue i zdarzenia opatrzone znacznikami czasu (150)

Rozdział 7. Wydobywanie znaczeń z danych (153)

• William Cukierski (153)
• Model Kaggle (156)
• Eksperyment myÅ›lowy: jakie sÄ… etyczne nastÄ™pstwa Robo-Gradera? (159)
• Wybór cech (161)
• David Huffaker: hybrydowe podejÅ›cie Google do badaÅ„ spoÅ‚ecznych (176)

Rozdział 8. Doradzarki ? budowanie na styku z użytkownikiem produktu danych na miarę (181)

• Doradzarka z prawdziwego zdarzenia (182)
• Eksperyment myÅ›lowy ? bÄ…belki filtrowania (192)
• Zadanie: zbuduj wÅ‚asnÄ… doradzarkÄ™ (192)

Rozdział 9. Wizualizacja danych i wykrywanie oszustw (195)

• Historia wizualizacji danych (195)
• Czym jest nauka o danych? Nowym rozdaniem? (197)
• PrzykÅ‚adowe projekty wizualizacji danych (199)
• Marka projekty wizualizacji danych (202)
• Nauka o danych i ryzyko (209)
• Wizualizacja danych w Square (219)
• Eksperyment myÅ›lowy Iana (220)
• Wizualizacja danych dla takich jak my (220)

Rozdział 10. Sieci społeczne i dziennikarstwo danych (223)

• Analiza sieci spoÅ‚ecznych w Morningside Analytics (223)
• Analiza sieci spoÅ‚ecznych (225)
• Terminologia z obszaru sieci spoÅ‚ecznych (226)
• Eksperyment myÅ›lowy (228)
• Metody analityczne w Morningside (229)
• Szersze tÅ‚o statystyczne analizy sieci spoÅ‚ecznych (232)
• Dziennikarstwo danych (236)

Rozdział 11. Przyczynowość (239)

• Korelacja nie implikuje przyczynowoÅ›ci (240)
• Starania witryny OK Cupid (242)
• ZÅ‚oty standard - losowe próby kliniczne (243)
• Testy A/B (245)
• Z braku czegoÅ› lepszego: badania obserwacyjne (247)
• Trzy zalecenia (252)

Rozdział 12. Epidemiologia (253)

• WyksztaÅ‚cenie i kariera zawodowa Madigana (253)
• Eksperyment myÅ›lowy (254)
• WspóÅ‚czesna statystyka akademicka (254)
• Literatura medyczna i badania obserwacyjne (255)
• Stratyfikacja nie rozwiÄ…zuje problemu czynników zaburzajÄ…cych (256)
• Czy jest lepsze wyjÅ›cie? (258)
• Eksperyment badawczy (partnerstwo w wynikach obserwacji medycznych) (259)
• Finalny eksperyment myÅ›lowy (263)

RozdziaÅ‚ 13. Wnioski z konkursów danych: wycieki danych i ocenianie modelu (265)

• Profil Claudii jako badaczki danych (265)
• Zawody w wydobywaniu danych (267)
• Jak być dobrym modelarzem (268)
• Wyciek danych (268)
• Jak unikać wycieków (273)
• Ocenianie modeli (273)
• Wybór algorytmu (278)
• PrzykÅ‚ad koÅ„cowy (278)
• PrzemyÅ›lenia na pożegnanie (279)

Rozdział 14. Inżynieria danych - MapReduce, Pregel i Hadoop (281)

• O Davidzie Crawshaw (282)
• Eksperyment myÅ›lowy (282)
• MapReduce (283)
• Problem czÄ™stoÅ›ci sÅ‚ów (284)
• Inne przykÅ‚ady użycia systemu MapReduce (288)
• Pregel (289)
• O Joshu Willsie (289)
• Eksperyment myÅ›lowy (290)
• Gdy siÄ™ jest badaczem danych (290)
• Interludium ekonomiczne - Hadoop (291)
• WracajÄ…c do Josha - tok pracy (292)
• Jak zatem zacząć z Hadoopem? (293)

RozdziaÅ‚ 15. GÅ‚os studentów (295)

• Proces myÅ›lowy (295)
• Już nie naiwny (296)
• Pomocne dÅ‚onie (298)
• Twoje koszty mogÄ… być różne (299)
• Tunele spinajÄ…ce (301)
• Z naszych prac (301)

Rozdział 16. Następna generacja badaczy danych, arogancja i etyka (303)

• Co zostaÅ‚o zrobione? (303)
• Czym jest (spytajmy raz jeszcze!) nauka o danych? (303)
• Jacy sÄ… badacze danych nastÄ™pnej generacji? (306)
• Jak być etycznym badaczem danych (308)
• Rada dotyczÄ…ca kariery (313)

Skorowidz (315)