reklama - zainteresowany?

Data science w biznesie. Jak pracowa - Helion

Data science w biznesie. Jak pracowa

MIEJSCE 2 na li┼Ťcie TOP 20
Autor: Alex J. Gutman, Jordan Goldmeier
ISBN: 978-83-289-0215-2
okładka: mi
Ksi─Ögarnia: Helion

Ksi─ů┼╝ka b─Ödzie dost─Öpna od lipca 2023

Spis tre┼Ťci

Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym -- spis tre┼Ťci

O autorach

O redaktorach technicznych

Podzi─Ökowania

Przedmowa

Wprowadzenie

CZ─ś┼Ü─ć I. MY┼ÜL JAK SPEC OD DANYCH

  • ROZDZIA┼ü 1. NA CZYM POLEGA PROBLEM?
    • PYTANIA, KTÓRE POWINIEN ZADAWA─ć SPEC OD DANYCH
      • Dlaczego problem jest wa┼╝ny?
      • Na kogo wp┼éywa ten problem?
      • Co, je┼Ťli nie mamy w┼éa┼Ťciwych danych?
      • Kiedy projekt si─Ö zako┼äczy?
      • Co, je┼Ťli nie spodobaj─ů nam si─Ö rezultaty?
    • DLACZEGO PROJEKTY ZWI─äZANE Z DANYMI KO┼âCZ─ä SI─ś NIEPOWODZENIEM?
      • Wra┼╝enia klientów
      • Omówienie
    • PRACA NAD PROBLEMAMI, KTÓRE MAJ─ä ZNACZENIE
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 2. CZYM S─ä DANE?
    • DANE A INFORMACJE
      • Przyk┼éadowy zbiór danych
    • TYPY DANYCH
    • JAK GROMADZI SI─ś DANE I JAK─ä MAJ─ä STRUKTUR─ś?
      • Dane obserwacyjne i eksperymentalne
      • Dane ustrukturyzowane i nieustrukturyzowane
    • PODSTAWOWE STATYSTYKI ZBIORCZE
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 3. PRZYGOTOWANIE DO MY┼ÜLENIA STATYSTYCZNEGO
    • ZADAWAJ PYTANIA
    • WSZYSTKO JEST ZMIENNE
      • Scenariusz: wra┼╝enia klientów (kontynuacja)
      • Studium przypadku: zachorowalno┼Ť─ç na raka nerki
    • PRAWDOPODOBIE┼âSTWO I STATYSTYKA
      • Prawdopodobie┼ästwo a intuicja
      • Odkrywanie informacji za pomoc─ů statystyki
    • PODSUMOWANIE ROZDZIA┼üU

CZ─ś┼Ü─ć II. MÓW JAK SPEC OD DANYCH

  • ROZDZIA┼ü 4. POLEMIZUJ Z DANYMI
    • CO BY┼Ü ZROBI┼ü(A)?
      • Katastrofa spowodowana brakiem danych
    • JAKA JEST HISTORIA POCHODZENIA DANYCH?
      • Kto zebra┼é dane?
      • Jak zebrano dane?
    • CZY DANE S─ä REPREZENTATYWNE?
      • Czy poprawnie dobrano prób─Ö?
      • Co zrobiono z warto┼Ťciami odstaj─ůcymi?
    • JAKICH DANYCH NIE WIDZ─ś?
      • Jak rozwi─ůzano problem brakuj─ůcych warto┼Ťci?
      • Czy dane mog─ů zmierzy─ç to, co ma by─ç mierzone?
    • POLEMIZUJ Z DANYMI KA┼╗DEJ WIELKO┼ÜCI
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 5. EKSPLORUJ DANE
    • EKSPLORACYJNA ANALIZA DANYCH I TY
    • PRZYJMIJ NASTAWIENIE EKSPLORACYJNE
      • Pytania naprowadzaj─ůce
      • Scenariusz
    • CZY DANE MOG─ä ODPOWIEDZIE─ć NA PYTANIE?
      • Okre┼Ťl oczekiwania i u┼╝yj zdrowego rozs─ůdku
      • Czy warto┼Ťci maj─ů intuicyjny sens?
      • Uwa┼╝aj! Warto┼Ťci odstaj─ůce i brakuj─ůce
    • CZY ODKRYLI┼ÜCIE JAKIE┼Ü ZWI─äZKI?
      • Korelacja
      • Uwa┼╝aj! B┼é─Ödne interpretowanie korelacji
      • Uwa┼╝aj! Korelacja nie implikuje przyczynowo┼Ťci
    • CZY ZNALE┼╣LI┼ÜCIE W DANYCH NOWE MO┼╗LIWO┼ÜCI?
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 6. BADAJ PRAWDOPODOBIE┼âSTWA
    • ZGADNIJ ODPOWIED┼╣
    • REGU┼üY GRY
      • Notacja
      • Prawdopodobie┼ästwo warunkowe i zdarzenia niezale┼╝ne
      • Prawdopodobie┼ästwo wielu zdarze┼ä
    • ─ćWICZENIE MY┼ÜLOWE Z ZAKRESU PRAWDOPODOBIE┼âSTWA
      • Nast─Öpne kroki
    • UWA┼╗AJ Z ZAK┼üADANIEM NIEZALE┼╗NO┼ÜCI
      • Nie pope┼éniaj b┼é─Ödu hazardzisty
    • WSZYSTKIE PRAWDOPODOBIE┼âSTWA S─ä WARUNKOWE
      • Nie przestawiaj zale┼╝no┼Ťci
      • Twierdzenie Bayesa
    • UPEWNIJ SI─ś, ┼╗E PRAWDOPODOBIE┼âSTWA MAJ─ä ZNACZENIE
      • Kalibracja
      • Rzadkie zdarzenia mog─ů si─Ö zdarza─ç i si─Ö zdarzaj─ů
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 7. KWESTIONUJ STATYSTYKI
    • KRÓTKIE LEKCJE O WNIOSKOWANIU
      • Zostaw sobie troch─Ö przestrzeni
      • Wi─Öcej danych, wi─Öcej dowodów
      • Kwestionuj status quo
      • Dowody na twierdzenie przeciwne
      • Równowa┼╝enie b┼é─Ödów decyzyjnych
    • PROCES WNIOSKOWANIA STATYSTYCZNEGO
    • PYTANIA, KTÓRE POMOG─ä CI KWESTIONOWA─ć STATYSTYKI
      • Jaki jest kontekst tych statystyk?
      • Jaki jest rozmiar próby?
      • Co testujecie?
      • Jaka jest hipoteza zerowa?
      • Jaki jest poziom istotno┼Ťci?
      • Ile przeprowadzacie testów?
      • Czy mog─Ö zobaczy─ç przedzia┼éy ufno┼Ťci?
      • Czy jest to praktycznie istotne?
      • Czy zak┼éadacie przyczynowo┼Ť─ç?
    • PODSUMOWANIE ROZDZIA┼üU

CZ─ś┼Ü─ć III. PRZYBORNIK SPECJALISTY DATA SCIENCE

  • ROZDZIA┼ü 8. W POSZUKIWANIU UKRYTYCH GRUP
    • UCZENIE NIENADZOROWANE
    • REDUKCJA WYMIAROWO┼ÜCI
      • Tworzenie cech z┼éo┼╝onych
    • ANALIZA SK┼üADOWYCH G┼üÓWNYCH
      • Sk┼éadowe g┼éówne zdolno┼Ťci sportowych
      • Podsumowanie PCA
      • Potencjalne pu┼éapki
    • KLASTERYZACJA
    • KLASTERYZACJA METOD─ä K-┼ÜREDNICH
      • Klasteryzacja sklepów detalicznych
      • Potencjalne pu┼éapki
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 9. MODEL REGRESJI
    • UCZENIE NADZOROWANE
    • JAK DZIA┼üA REGRESJA LINIOWA?
      • Regresja metod─ů najmniejszych kwadratów: nie tylko pomys┼éowa nazwa
    • REGRESJA LINIOWA: CO CI DAJE?
      • Rozszerzanie modelu na wiele cech
    • REGRESJA LINIOWA: JAKIE POWODUJE NIEPOROZUMIENIA?
      • Pomini─Öte zmienne
      • Wspó┼éliniowo┼Ť─ç
      • Przeciek danych
      • B┼é─Ödy ekstrapolacji
      • Relacje nie zawsze s─ů liniowe
      • Wyja┼Ťniasz czy przewidujesz?
      • Skuteczno┼Ť─ç regresji
    • INNE MODELE REGRESJI
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 10. MODEL KLASYFIKACJI
    • WPROWADZENIE DO KLASYFIKACJI
      • Czego si─Ö nauczysz?
      • Przyk┼éadowy problem klasyfikacj
    • REGRESJA LOGISTYCZNA
      • Regresja logistyczna - i co z tego?
    • DRZEWA DECYZYJNE
    • METODY ZESPO┼üOWE
      • Lasy losowe
      • Drzewa wzmacniane gradientowo
      • Interpretowalno┼Ť─ç modeli zespo┼éowych
    • STRZE┼╗ SI─ś PU┼üAPEK
      • Z┼ée podej┼Ťcie do problemu
      • Przeciek danych
      • Brak podzia┼éu danych
      • Wybór odpowiedniego progu decyzyjnego
    • B┼ü─śDNE ROZUMIENIE DOK┼üADNO┼ÜCI
      • Macierze b┼é─Ödów
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 11. ANALIZA TEKSTU
    • OCZEKIWANIA WOBEC ANALIZY TEKSTU
    • JAK TEKST STAJE SI─ś LICZBAMI
      • Wielki worek s┼éów
      • N-gramy
      • Osadzenia s┼éów
    • MODELOWANIE TEMATYCZNE
    • KLASYFIKACJA TEKSTU
      • Naiwny klasyfikator byesowski
      • Analiza odczu─ç
    • KWESTIE PRAKTYCZNE PODCZAS PRACY Z TEKSTEM
      • Giganci technologiczni maj─ů przewag─Ö
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 12. UCZENIE G┼ü─śBOKIE
    • SIECI NEURONOWE
      • Pod jakimi wzgl─Ödami sieci neuronowe przypominaj─ů ludzki mózg?
      • Prosta sie─ç neuronowa
      • Jak uczy si─Ö sie─ç neuronowa?
      • Nieco bardziej z┼éo┼╝ona sie─ç neuronowa
    • ZASTOSOWANIA UCZENIA G┼ü─śBOKIEGO
      • Korzy┼Ťci z uczenia g┼é─Öbokiego
      • Jak komputery "widz─ů" obrazy?
      • Konwolucyjne sieci neuronowe
      • Uczenie g┼é─Öbokie w j─Özyku i sekwencjach
    • UCZENIE G┼ü─śBOKIE W PRAKTYCE
      • Czy masz dane?
      • Czy Twoje dane s─ů ustrukturyzowane?
      • Jak b─Ödzie wygl─ůda─ç sie─ç?
    • SZTUCZNA INTELIGENCJA I TY
      • Giganci technologiczni maj─ů przewag─Ö
      • Etyka w uczeniu g┼é─Öbokim
    • PODSUMOWANIE ROZDZIA┼üU

CZ─ś┼Ü─ć IV. DROGA DO SUKCESU

  • ROZDZIA┼ü 13. STRZE┼╗ SI─ś PU┼üAPEK
    • TENDENCYJNO┼Ü─ć I DZIWNE ZJAWISKA W DANYCH
      • B┼é─ůd prze┼╝ywalno┼Ťci
      • Regresja do ┼Ťredniej
      • Paradoks Simpsona
      • B┼é─ůd konfirmacj
      • B┼é─ůd utopionych kosztów
      • Dyskryminacja algorytmiczna
      • Nieskategoryzowane przejawy tendencyjno┼Ťci
    • WIELKA LISTA PU┼üAPEK
      • Pu┼éapki zwi─ůzane ze statystyk─ů i uczeniem maszynowym
      • Pu┼éapki zwi─ůzane z projektem
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 14. ZNAJ LUDZI I OSOBOWO┼ÜCI
    • SIEDEM SCENARIUSZY FIASKA KOMUNIKACYJNEGO
      • Post mortem
      • Wieczorynka
      • G┼éuchy telefon
      • W g─ůszczu szczegó┼éów
      • Konfrontacja z rzeczywisto┼Ťci─ů
      • Wrogie przej─Öcie
      • Egocentryk
    • OSOBOWO┼ÜCI W ┼ÜWIECIE DANYCH
      • Entuzjasta
      • Cynik
      • Spec od danych
    • PODSUMOWANIE ROZDZIA┼üU
  • ROZDZIA┼ü 15. CO DALEJ?

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe nale┼╝─ů do wydawnictwa Helion S.A.