Data science, wyzwania i rozwi - Helion
Tytuł oryginału: Data Science: The Hard Parts: Techniques for Excelling at Data Science
TÅ‚umaczenie: Tomasz Walczak
ISBN: 978-83-289-1294-6
stron: 232, Format: 165x235, okładka: mi
Księgarnia: Helion
Cena książki: 79,00 zł
Książka będzie dostępna od października 2024
Uczenie si
Zobacz także:
- Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zł, (59,70 zł -70%)
- Power BI Desktop. Kurs video. Wykorzystanie narzędzia w analizie i wizualizacji danych 349,00 zł, (104,70 zł -70%)
- Statystyka. Kurs video. Przewodnik dla student 128,71 zł, (39,90 zł -69%)
- Microsoft Excel. Kurs video. Wykresy i wizualizacja danych 199,00 zł, (69,65 zł -65%)
- Analiza danych w Tableau. Kurs video. Podstawy pracy analityka 249,00 zł, (87,15 zł -65%)
Spis treści
Data science, wyzwania i rozwiązania. Jak zostać ekspertem analizy danych -- spis treści
Przedmowa
Część I. Techniki analityki danych
Rozdział 1. I co z tego? Generowanie wartości dzięki danologii
- Czym jest wartość?
- "Co?", czyli zrozumieć biznes
- "Co z tego?", czyli istota generowania wartości dzięki danologii
- "Co teraz?", czyli bądź przebojowy
- Pomiar wartości
- Najważniejsze wnioski
- Dalsza lektura
RozdziaÅ‚ 2. Projektowanie wskaźników
- Pożądane wÅ‚aÅ›ciwoÅ›ci wskaźników
- Mierzalność
- Możliwość podejmowania działań
- Trafność
- Aktualność
- Dekompozycja wskaźników
- Lejek analityczny
- Dekompozycje przepÅ‚ywów i zapasów
- Dekompozycje typu P×Q
- PrzykÅ‚ad: inny sposób dekompozycji przychodów
- Przykład: platformy sprzedażowe
- Najważniejsze wnioski
- Dalsza lektura
RozdziaÅ‚ 3. Dekompozycje wzrostu - zrozumienie przeszkód i sprzyjajÄ…cych czynników
- Dlaczego dekompozycje wzrostu?
- Dekompozycja addytywna
- Przykład
- Interpretacja i przypadki użycia
- Dekompozycja multiplikatywna
- Przykład
- Interpretacja
- Dekompozycja zmian wag i wartości
- Przykład
- Interpretacja
- Wyprowadzanie równaÅ„ matematycznych
- Dekompozycja addytywna
- Dekompozycja multiplikatywna
- Dekompozycja mix-rate
- Najważniejsze wnioski
- Dalsza lektura
RozdziaÅ‚ 4. Projekty 2×2
- Argumenty za upraszczaniem
- Czym jest projekt 2×2?
- Przykład: testowanie modelu i nowej cechy
- Przykład: zrozumienie zachowań użytkownika
- PrzykÅ‚ad: udzielanie i akceptacja ofert kredytów
- PrzykÅ‚ad: ustalanie priorytetów w procesie pracy
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 5. Tworzenie uzasadnienia biznesowego
- Wybrane zasady tworzenia uzasadnień biznesowych
- PrzykÅ‚ad: proaktywna strategia zatrzymywania klientów
- Zapobieganie oszustwom
- Zakup zewnÄ™trznych zbiorów danych
- Praca nad projektem z obszaru danologii
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 6. Czym jest wskaźnik przyrostu?
- Definicja wskaźnika przyrostu
- Przykład: model klasyfikatora
- Błędy wynikające z samoselekcji i przeżywalności
- Inne zastosowania wskaźników przyrostu
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 7. Narracje
- Co kryje siÄ™ w narracji? Opowiadanie historii za pomocÄ… danych
- Jasna i rzeczowa
- Wiarygodność
- Zapadająca w pamięć
- Możliwość podejmowania działań
- Tworzenie narracji
- Nauka jako opowiadanie historii
- "Co?", "co z tego?" i "co teraz?"
- Ostatnia prosta
- Streszczenia TL;DR
- Wskazówki dotyczÄ…ce pisania zapadajÄ…cych w pamięć streszczeÅ„ TL;DR
- Przykład: pisanie streszczenia TL;DR tego rozdziału
- Skuteczne krótkie prezentacje
- Prezentowanie narracji
- Najważniejsze wnioski
- Dalsza lektura
RozdziaÅ‚ 8. Wizualizacje danych - wybór wÅ‚aÅ›ciwego wykresu do przekazania komunikatu
- Kilka przydatnych i rzadko używanych wizualizacji danych
- Wykres słupkowy a wykres liniowy
- Wykres nachylenia
- Wykres kaskadowy
- Funkcje wygÅ‚adzania dla wykresów punktowych
- Prezentowanie rozkÅ‚adów na wykresie
- Ogólne zalecenia
- Dobierz odpowiedniÄ… wizualizacjÄ™ dla przekazu
- MÄ…drze dobieraj kolory
- Różne wymiary na wykresie
- Staraj siÄ™ uzyskać odpowiednio wysoki wspóÅ‚czynnik dane/atrament
- Personalizacja a póÅ‚automatyzacja
- Na samym poczÄ…tku dobierz odpowiedni rozmiar czcionki
- Interaktywne czy nie?
- Zachowaj prostotÄ™
- Zacznij od wyjaśnienia wykresu
- Najważniejsze wnioski
- Dalsza lektura
Część II. Uczenie maszynowe
Rozdział 9. Symulacje i bootstrapping
- Podstawy symulacji
- Symulacja modelu liniowego i regresji liniowej
- Czym są wykresy zależności częściowych?
- Błąd systematyczny z powodu pominięcia zmiennej
- Symulacja problemu klasyfikacji
- Modele zmiennych ukrytych
- Porównanie różnych algorytmów
- Bootstrapping
- Najważniejsze wnioski
- Dalsza lektura
RozdziaÅ‚ 10. Regresja liniowa - powrót do podstaw
- Co kryje siÄ™ za wspóÅ‚czynnikiem?
- Twierdzenie Frischa-Waugha-Lovella
- Dlaczego twierdzenie FWL jest ważne?
- Czynniki zakÅ‚ócajÄ…ce
- Dodatkowe zmienne
- Centralna rola wariancji w uczeniu maszynowym
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 11. Wyciekanie danych
- Czym jest wyciekanie danych?
- Wynik również jest cechÄ…
- Funkcja wyniku sama też jest cechą
- ZÅ‚e zmienne kontrolne
- Niewłaściwe oznaczenie znacznika czasu
- Wiele zbiorów danych z nieprecyzyjnymi agregacjami czasowymi
- Wyciekanie innych informacji
- Wykrywanie wyciekania danych
- Całkowita separacja
- Metoda okien
- Wybór dÅ‚ugoÅ›ci okien
- Etap treningu odzwierciedla etap oceny punktowej
- Wdrażanie metody okien
- Mam wyciek. Co teraz?
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 12. Stosowanie modeli w środowisku produkcyjnym
- Co oznacza "gotowość produkcyjna"?
- Wsadowa ocena punktowa (w trybie offline)
- Obiekty modeli czasu rzeczywistego
- Dryf danych i modelu
- Etapy niezbędne w każdym potoku produkcyjnym
- Pobieranie i przekształcanie danych
- Sprawdzanie poprawności danych
- Etapy treningu i oceny punktowej
- Sprawdzanie poprawności modelu i ocen punktowych
- Zapisywanie modelu i ocen punktowych
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 13. Opowiadanie historii w uczeniu maszynowym
- Holistyczne spojrzenie na opowiadanie historii w uczeniu maszynowym
- Opowiadanie historii przed opracowaniem modelu i w trakcie tego procesu
- Tworzenie hipotez
- Inżynieria cech
- Opowiadanie historii po opracowaniu modelu: otwieranie czarnej skrzynki
- Kompromis między interpretowalnością a skutecznością
- Regresja liniowa: ustalenie punktu odniesienia
- Znaczenie cech
- Mapa cieplna
- Wykresy zależności częściowych
- Skumulowane efekty lokalne
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 14. Od predykcji do decyzji
- Analiza procesu podejmowania decyzji
- Proste reguły decyzyjne oparte na inteligentnym wyznaczaniu wartości progowych
- Precyzja i czułość
- PrzykÅ‚ad: pozyskiwanie list kontaktów
- Optymalizacja macierzy bÅ‚Ä™dów
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 15. Zmiany dodatkowe - Święty Graal danologii?
- Definiowanie zmian dodatkowych
- Wnioskowanie przyczynowe w celu poprawy predykcji
- Wnioskowanie przyczynowe jako wyróżnik
- Usprawnione podejmowanie decyzji
- Czynniki zakÅ‚ócajÄ…ce i kolidery
- BÅ‚Ä…d doboru
- ZaÅ‚ożenie o braku zmiennych zakÅ‚ócajÄ…cych
- Radzenie sobie z błędem doboru - randomizacja
- Dopasowywanie
- Uczenie maszynowe i wnioskowanie przyczynowe
- Kod otwartoźródÅ‚owy
- Podwójne uczenie maszynowe
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 16. Testy A/B
- Czym sÄ… testy A/B?
- Kryterium decyzyjne
- Minimalne wykrywalne efekty
- Ustalanie mocy statystycznej, poziomu istotności i wartości P
- Szacowanie wariancji wyniku
- Symulacje
- PrzykÅ‚ad: wspóÅ‚czynniki konwersji
- Określanie wartości MWE
- Lista hipotez do zbadania
- Wskaźnik
- Hipoteza
- Uszeregowanie
- ZarzÄ…dzanie eksperymentami
- Najważniejsze wnioski
- Dalsza lektura
Rozdział 17. Modele LLM i praktyka danologii
- Obecny stan sztucznej inteligencji
- Czym zajmujÄ… siÄ™ danologowie?
- Ewolucja opisu stanowiska danologa
- Studium przypadku: testy A/B
- Studium przypadku: oczyszczanie danych
- Studium przypadku: uczenie maszynowe
- Modele LLM a ta książka
- Najważniejsze wnioski
- Dalsza lektura
Skorowidz