reklama - zainteresowany?

Badanie danych. Raport z pierwszej linii działań - Helion


ebook
Autor: Rachel Schutt, Cathy O'Neil
Tytuł oryginału: Doing Data Science: Straight Talk from the Frontline
Tłumaczenie: Zdzisław Płoski
ISBN: 978-83-246-9633-8
stron: 320, Format: ebook
Data wydania: 2014-11-14
Księgarnia: Helion

Cena książki: 54,89 zł

Dodaj do koszyka

Tagi: Algorytmy - Programowanie | Analiza danych | Big Data | Inne | Kompetencje osobiste | programowanie-kupon | R - Programowanie

Unikalne wprowadzenie do nauki o danych!

W dzisiejszych czasach najcenniejszym dobrem jest informacja. Ogromne ilości danych są przechowywane w przepastnych bazach danych, a kluczem do sukcesu jest ich umiejętna analiza i wyciąganie wniosków. To dynamicznie rozwijająca się dziedzina wiedzy, w której do tej pory brakowało solidnych podręczników, pozwalających na dogłębne poznanie tego obszaru. Na szczęście to się zmieniło!

To unikalna książka, w której badacze z największych firm branży IT dzielą się skutecznymi technikami analizy danych. Z kolejnych rozdziałów dowiesz się, czym jest nauka o danych, model danych oraz test A/B. Ponadto zdobędziesz wiedzę na temat wnioskowania statystycznego, algorytmów, języka R oraz wizualizacji danych. Sięgnij po tę książkę, jeżeli chcesz się dowiedzieć, jak wykrywać oszustwa, korzystać z MapReduce oraz badać przyczynowość. To obowiązkowa pozycja na półce czytelników zainteresowanych badaniem danych.

Wśród tematów poruszonych w książce odnajdziesz:

  • Wnioskowanie statystyczne, eksploracyjną analizę danych i proces (metodologię) nauki o danych
  • Algorytmy
  • Filtry spamu, naiwny algorytm Bayesa i wstępną obróbkę danych
  • Regresję logistyczną
  • Modelowanie finansowe
  • Mechanizmy rekomendacji i przyczynowość
  • Wizualizowanie danych
  • Sieci społecznościowe i dziennikarstwo danych
  • Inżynierię danych, systemy MapReduce, Pregel i Hadoop

Wyciągnij wartościowe wnioski z posiadanych informacji!

Dodaj do koszyka

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 wokół badania danych (19)
  • Pokonywanie szumu (21)
  • Dlaczego teraz? (22)
  • Obecny horyzont (z domieszką historii) (23)
  • Profil nauki o danych (27)
  • Eksperyment myślowy - metadefinicja (28)
  • Kim zatem jest badacz danych? (29)

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

  • Myślenie statystyczne w epoce wielkich danych (33)
  • Eksploracyjna analiza danych (46)
  • Proces badania danych (51)
  • Eksperyment myślowy: 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)
  • Podsumowując to wszystko (92)
  • Eksperyment myślowy - automatyczny statystyk (93)

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

  • Eksperyment myślowy - nauczanie przez przykład (95)
  • Naiwna metoda Bayesa (99)
  • Zróbmy to z polotem - wygładzanie metodą Laplace'a (103)
  • Porównanie naiwnej metody Bayesa z k-NN (104)
  • Przykładowy kod w bashu (105)
  • Skrobiąc po Sieci - interfejsy API i inne narzędzia (106)

Rozdział 5. Regresja logistyczna (111)

  • Eksperymenty myślowe (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 myślowy (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 myślowy: jakie są etyczne następstwa Robo-Gradera? (159)
  • Wybór cech (161)
  • David Huffaker: hybrydowe podejście Google do badań społecznych (176)

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

  • Doradzarka z prawdziwego zdarzenia (182)
  • Eksperyment myślowy ? bąbelki filtrowania (192)
  • Zadanie: zbuduj własną doradzarkę (192)

Rozdział 9. Wizualizacja danych i wykrywanie oszustw (195)

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

Rozdział 10. Sieci społeczne i dziennikarstwo danych (223)

  • Analiza sieci społecznych w Morningside Analytics (223)
  • Analiza sieci społecznych (225)
  • Terminologia z obszaru sieci społecznych (226)
  • Eksperyment myślowy (228)
  • Metody analityczne w Morningside (229)
  • Szersze tło statystyczne analizy sieci społecznych (232)
  • Dziennikarstwo danych (236)

Rozdział 11. Przyczynowość (239)

  • Korelacja nie implikuje przyczynowości (240)
  • Starania witryny OK Cupid (242)
  • Złoty standard - losowe próby kliniczne (243)
  • Testy A/B (245)
  • Z braku czegoś lepszego: badania obserwacyjne (247)
  • Trzy zalecenia (252)

Rozdział 12. Epidemiologia (253)

  • Wykształcenie i kariera zawodowa Madigana (253)
  • Eksperyment myślowy (254)
  • Współczesna statystyka akademicka (254)
  • Literatura medyczna i badania obserwacyjne (255)
  • Stratyfikacja nie rozwiązuje problemu czynników zaburzających (256)
  • Czy jest lepsze wyjście? (258)
  • Eksperyment badawczy (partnerstwo w wynikach obserwacji medycznych) (259)
  • Finalny eksperyment myślowy (263)

Rozdział 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)
  • Przykład końcowy (278)
  • Przemyślenia na pożegnanie (279)

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

  • O Davidzie Crawshaw (282)
  • Eksperyment myślowy (282)
  • MapReduce (283)
  • Problem częstości słów (284)
  • Inne przykłady użycia systemu MapReduce (288)
  • Pregel (289)
  • O Joshu Willsie (289)
  • Eksperyment myślowy (290)
  • Gdy się jest badaczem danych (290)
  • Interludium ekonomiczne - Hadoop (291)
  • Wracając do Josha - tok pracy (292)
  • Jak zatem zacząć z Hadoopem? (293)

Rozdział 15. Głos studentów (295)

  • Proces myślowy (295)
  • Już nie naiwny (296)
  • Pomocne dłonie (298)
  • Twoje koszty mogą być różne (299)
  • Tunele spinające (301)
  • Z naszych prac (301)

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

  • Co zostało zrobione? (303)
  • Czym jest (spytajmy raz jeszcze!) nauka o danych? (303)
  • Jacy są badacze danych następnej generacji? (306)
  • Jak być etycznym badaczem danych (308)
  • Rada dotycząca kariery (313)

Skorowidz (315)

Dodaj do koszyka

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2020 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.