Nigdy wcze

Zobacz także:

• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zł, (67,05 zł -55%)
• Excel 2013. Kurs video. Poziom drugi. Przetwarzanie i analiza danych 79,00 zł, (35,55 zł -55%)
• Data science od podstaw. Analiza danych w Pythonie. Wydanie II 67,00 zł, (33,50 zł -50%)
• Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes! 58,98 zł, (29,49 zł -50%)
• Analiza danych w środowisku R. Kurs video. Poziom pierwszy. Manipulacja, modelowanie i wizualizacja danych w praktyce 59,00 zł, (29,50 zł -50%)

Spis treści

Sztuka analizy danych. Twarde i miękkie umiejętności w czasach sztucznej inteligencji eBook -- spis treści

Słowo wstępne

Przedmowa

Podziękowania

Informacje o książce

O autorce

Część I. Zadawanie pytań

• 1. Czym zajmuje się analityk?
  • 1.1. Czym jest analityka?
    • 1.1.1. Analiza biznesowa
    • 1.1.2. Analityka marketingowa
    • 1.1.3. Analityka finansowa
    • 1.1.4. Analityka produktowa
    • 1.1.5. Jak bardzo odrębne są te dziedziny?
  • 1.2. Zestaw narzędzi analityka danych
    • 1.2.1. Arkusze kalkulacyjne
    • 1.2.2. Język zapytań
    • 1.2.3. Języki programowania do zastosowań statystycznych
    • 1.2.4. Narzędzia do wizualizacji danych
    • 1.2.5. Rozbudowa zestawu narzędzi
  • 1.3. Przygotowanie się do swojej roli
    • 1.3.1. Czego możesz się spodziewać jako analityk?
    • 1.3.2. Czego nauczysz się z tej książki?
  • Podsumowanie
• 2. Od pytania do rezultatu
  • 2.1. Cykl życia projektu analitycznego
    • 2.1.1. Pytania i hipotezy
    • 2.1.2. Źródła danych
    • 2.1.3. Miary i metody analizy
    • 2.1.4. Interpretacja wyników
    • 2.1.5. Ćwiczenia
  • 2.2. Komunikacja z interesariuszami
    • 2.2.1. Wytyczne dotyczące interpretacji wyników
    • 2.2.2. Wyniki, które nie potwierdzają hipotez
    • 2.2.3. Ćwiczenia
  • 2.3. Odtwarzalność
    • 2.3.1. Czym jest odtwarzalność?
    • 2.3.2. Dokumentowanie efektów pracy
    • 2.3.3. Ćwiczenia
  • Podsumowanie
• 3. Testowanie i ocena hipotez
  • 3.1. Formułowanie hipotezy
    • 3.1.1. Gromadzenie podstawowych informacji
    • 3.1.2. Formułowanie hipotezy
    • 3.1.3. Ujęcie ilościowe hipotezy
    • 3.1.4. Ćwiczenia
  • 3.2. Metody gromadzenia dowodów
    • 3.2.1. Opisy
    • 3.2.2. Korelacje
    • 3.2.3. Eksperymenty
    • 3.2.4. Typy projektów badawczych
    • 3.2.5. Ćwiczenia
  • 3.3. Typy programów badawczych
    • 3.3.1. Badania podstawowe i stosowane
    • 3.3.2. Testy A/B
    • 3.3.3. Ocena programów
  • Podsumowanie

Część II. Pomiary

• 4. Metody statystyczne, których (prawdopodobnie) się nauczyłeś: testy t, analiza wariancji i korelacje
  • 4.1. Logika statystyk opisowych
    • 4.1.1. Podsumowywanie właściwości danych
    • 4.1.2. Podsumowanie
    • 4.1.3. Ćwiczenia
  • 4.2. Wnioskowanie: porównywanie grup
    • 4.2.1. Testy parametryczne
    • 4.2.2. Ćwiczenia
  • 4.3. Wnioskowanie: korelacja i regresja
    • 4.3.1. Współczynniki korelacji
    • 4.3.2. Modelowanie regresji
    • 4.3.3. Raportowanie korelacji i regresji
    • 4.3.4. Ćwiczenia
  • Podsumowanie
• 5. Statystyki, które (prawdopodobnie) przeoczyłeś: metody nieparametryczne i ich interpretacja
  • 5.1. Obraz statystyki
    • 5.1.1. Ewolucja metod statystycznych
    • 5.1.2. Odpowiedzialne wybieranie metod
  • 5.2. Statystyka nieparametryczna
    • 5.2.1. Porównania między grupami dla danych ciągłych lub porządkowych
    • 5.2.2. Ćwiczenia
    • 5.2.3. Porównywanie danych kategorycznych
    • 5.2.4. Podsumowanie
  • 5.3. Odpowiedzialna interpretacja
    • 5.3.1. Błędy statystyczne
    • 5.3.2. Manipulowanie danymi
  • Podsumowanie
• 6. Czy mierzysz to, co postanowiłeś mierzyć?
  • 6.1. Teoria pomiaru
    • 6.1.1. Przekształcanie pomysłów w koncepcje
    • 6.1.2. Typowe narzędzia pomiarowe
  • 6.2. Wybór metody zbierania danych
    • 6.2.1. Typy miar
    • 6.2.2. Tworzenie miar samooceny
    • 6.2.3. Interpretacja dostępnych danych
    • 6.2.4. Ćwiczenia
  • 6.3. Rzetelność i trafność
    • 6.3.1. Rzetelność
    • 6.3.2. Trafność
    • 6.3.3. Ćwiczenia
  • Podsumowanie
• 7. Sztuka używania wskaźników: monitorowanie wyników pod kątem sukcesu firmy
  • 7.1. Rola wskaźników w podejmowaniu decyzji
    • 7.1.1. Monitorowanie wydajności
    • 7.1.2. Kształtowanie strategii organizacyjnej
    • 7.1.3. Promowanie odpowiedzialności
    • 7.1.4. Ćwiczenia
  • 7.2. Kluczowe zasady projektowania wskaźników
    • 7.2.1. Użycie koncepcji SMART
    • 7.2.2. Ustalanie punktów odniesienia i celów
    • 7.2.3. Ćwiczenia
  • 7.3. Unikanie pułapek związanych ze wskaźnikami
    • 7.3.1. Reprezentacja
    • 7.3.2. Wizualizacja
    • 7.3.3. Ćwiczenia
  • Podsumowanie

Część III. Zestaw narzędzi analityka

• 8. Zajmowanie się danymi wrażliwymi i chronionymi
  • 8.1. Jednomyślność w badaniach
    • 8.1.1. Krótka lekcja historii
    • 8.1.2. Świadoma zgoda
    • 8.1.3. Ćwiczenia
  • 8.2. Obecny stan prawny
    • 8.2.1. Regulacje dotyczące ochrony danych
    • 8.2.2. Stronniczość w systemach zautomatyzowanych
    • 8.2.3. Ćwiczenia
  • 8.3. Analiza danych wrażliwych
    • 8.3.1. Minimalizacja danych
    • 8.3.2. Anonimizacja i pseudonimizacja danych
    • 8.3.3. Zapobieganie deanonimizacji
    • 8.3.4. Ćwiczenia
  • Podsumowanie
• 9. Świat modelowania statystycznego
  • 9.1. Wiele obliczy modelowania statystycznego
    • 9.1.1. Klasy modeli statystycznych
    • 9.1.2. Dane wynikowe modelu i diagnostyka
    • 9.1.3. Ćwiczenia
  • 9.2. Proces modelowania
    • 9.2.1. Analiza eksploracyjna
    • 9.2.2. Dopasowanie modelu
    • 9.2.3. Ćwiczenia
  • 9.3. Model statystyczny i jego wartość
    • 9.3.1. Modele objaśniające
    • 9.3.2. Modele predykcyjne
    • 9.3.3. Ćwiczenia
  • Podsumowanie
• 10. Uwzględnianie w analizach danych zewnętrznych
  • 10.1. Korzystanie z interfejsów API
    • 10.1.1 Pobieranie danych: porównanie interfejsów API z interfejsem przeglądarki
    • 10.1.2. Ustalanie wartości korzystania z interfejsu API
    • 10.1.3. Ćwiczenia
  • 10.2. Uzyskiwanie danych z witryn internetowych
    • 10.2.1. Uzyskiwanie danych z sieci
    • 10.2.2. Wyodrębnianie niezbędnych danych
    • 10.2.3. Określanie wartości metody uzyskiwania danych z witryn
    • 10.2.4. Ćwiczenia
  • 10.3. Korzystanie z publicznych źródeł danych
    • 10.3.1. Kiedy dane publiczne stały się tak popularne?
    • 10.3.2. Typy publicznych źródeł danych
    • 10.3.3. Dostęp do danych publicznych
    • 10.3.4. Ćwiczenia
  • Podsumowanie
• 11. Magia danych o właściwej strukturze
  • 11.1. Dylemat analityka
  • 11.2. Przegląd narzędzi do pracy z danymi
    • 11.2.1. Gromadzenie danych
    • 11.2.2. Przechowywanie danych
    • 11.2.3. Przetwarzanie danych
    • 11.2.4. Ćwiczenia
  • 11.3. Praktyki dotyczące zarządzania danymi
    • 11.3.1. Struktura danych
    • 11.3.2. Jakość danych
    • 11.3.3. Użycie metadanych
    • 11.3.4. Ćwiczenia
  • 11.4. Dane do analizy
    • 11.4.1. Inżynieria analityczna
    • 11.4.2. Modelowanie danych w schematach gwiazdy
    • 11.4.3. Ćwiczenia
  • Podsumowanie
• 12. Narzędzia i technologie do nowoczesnej analizy danych
  • 12.1. Ewolucja analityki danych
  • 12.2. Narzędzia do analizy i raportowania
    • 12.2.1. Typy narzędzi
    • 12.2.2. Biblioteki analiz
    • 12.2.3. Ćwiczenia
  • 12.3. Analityka samoobsługowa
    • 12.3.1. Metody zapewniania samoobsługi
    • 12.3.2. Tworzenie strategii
    • 12.3.3. Ćwiczenia
  • 12.4. Sztuczna inteligencja
    • 12.4.1. Generatywna sztuczna inteligencja
    • 12.4.2. Kierunki na przyszłość
    • 12.4.3. Końcowe przemyślenia
    • 12.4.4. Ćwiczenia
  • Podsumowanie

Bibliografia