Uczenie si

Zobacz także:

• Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zÅ‚, (69,65 zÅ‚ -65%)
• NLP. Kurs video. Analiza danych tekstowych w j 144,86 zÅ‚, (52,15 zÅ‚ -64%)
• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zÅ‚, (67,05 zÅ‚ -55%)
• Excel 2013. Kurs video. Poziom drugi. Przetwarzanie i analiza danych 79,00 zÅ‚, (35,55 zÅ‚ -55%)
• Google Analytics od podstaw. Analiza wp 69,00 zÅ‚, (34,50 zÅ‚ -50%)

Spis treści

Data science, wyzwania i rozwiązania. Jak zostać ekspertem analizy danych eBook -- 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 wartoÅ›ci dziÄ™ki danologii
• "Co teraz?", czyli bÄ…dź przebojowy
• Pomiar wartoÅ›ci
• Najważniejsze wnioski
• Dalsza lektura

RozdziaÅ‚ 2. Projektowanie wskaźników

• Pożądane wÅ‚aÅ›ciwoÅ›ci wskaźników
  • Mierzalność
  • Możliwość podejmowania dziaÅ‚aÅ„
  • Trafność
  • Aktualność
• Dekompozycja wskaźników
  • Lejek analityczny
  • Dekompozycje przepÅ‚ywów i zapasów
  • Dekompozycje typu P×Q
• PrzykÅ‚ad: inny sposób dekompozycji przychodów
• PrzykÅ‚ad: platformy sprzedażowe
• Najważniejsze wnioski
• Dalsza lektura

RozdziaÅ‚ 3. Dekompozycje wzrostu - zrozumienie przeszkód i sprzyjajÄ…cych czynników

• Dlaczego dekompozycje wzrostu?
• Dekompozycja addytywna
  • PrzykÅ‚ad
  • Interpretacja i przypadki użycia
• Dekompozycja multiplikatywna
  • PrzykÅ‚ad
  • Interpretacja
• Dekompozycja zmian wag i wartoÅ›ci
  • PrzykÅ‚ad
  • 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?
• PrzykÅ‚ad: testowanie modelu i nowej cechy
• PrzykÅ‚ad: zrozumienie zachowaÅ„ 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 uzasadnieÅ„ 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
• PrzykÅ‚ad: model klasyfikatora
• BÅ‚Ä™dy wynikajÄ…ce z samoselekcji i przeżywalnoÅ›ci
• 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
  • ZapadajÄ…ca w pamięć
  • Możliwość podejmowania dziaÅ‚aÅ„
• 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
  • PrzykÅ‚ad: pisanie streszczenia TL;DR tego rozdziaÅ‚u
  • 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 sÅ‚upkowy 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 wyjaÅ›nienia wykresu
• Najważniejsze wnioski
• Dalsza lektura

Część II. Uczenie maszynowe

Rozdział 9. Symulacje i bootstrapping

• Podstawy symulacji
• Symulacja modelu liniowego i regresji liniowej
• Czym sÄ… wykresy zależnoÅ›ci częściowych?
• BÅ‚Ä…d systematyczny z powodu pominiÄ™cia 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 cechÄ…
  • ZÅ‚e zmienne kontrolne
  • NiewÅ‚aÅ›ciwe oznaczenie znacznika czasu
  • Wiele zbiorów danych z nieprecyzyjnymi agregacjami czasowymi
  • Wyciekanie innych informacji
• Wykrywanie wyciekania danych
• CaÅ‚kowita 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 niezbÄ™dne w każdym potoku produkcyjnym
  • Pobieranie i przeksztaÅ‚canie danych
  • Sprawdzanie poprawnoÅ›ci danych
  • Etapy treningu i oceny punktowej
  • Sprawdzanie poprawnoÅ›ci 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 miÄ™dzy interpretowalnoÅ›ciÄ… a skutecznoÅ›ciÄ…
  • Regresja liniowa: ustalenie punktu odniesienia
  • Znaczenie cech
  • Mapa cieplna
  • Wykresy zależnoÅ›ci częściowych
  • Skumulowane efekty lokalne
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 14. Od predykcji do decyzji

• Analiza procesu podejmowania decyzji
• Proste reguÅ‚y decyzyjne oparte na inteligentnym wyznaczaniu wartoÅ›ci progowych
  • Precyzja i czuÅ‚ość
  • 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 bÅ‚Ä™dem 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 istotnoÅ›ci i wartoÅ›ci P
  • Szacowanie wariancji wyniku
  • Symulacje
  • PrzykÅ‚ad: wspóÅ‚czynniki konwersji
  • OkreÅ›lanie wartoÅ›ci 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