Kluczowe kompetencje specjalisty danych
Dane radykalnie zmieniły sposób działania naszego świata. Ich zrozumienie i wykorzystanie jest obecnie jedną z najbardziej uniwersalnych i pożądanych umiejętności. Niezależnie od tego, czy jesteś przedsiębiorcą, który chce rozwijać swoją firmę, poszukujesz pracy, czy po prostu chcesz rozwinąć swoją obecną karierę w Data Science, książka Kluczowe kompetencje specjalisty danych może Ci w tym pomóc.
Do rąk Czytelnika trafia drugie, zaktualizowane wydanie książki. Zawiera ono podstawowe informacje na temat danych kluczowe dla specjalistów danych – od eksploracji danych, przez ich przygotowywanie i analizowanie, po wizualizację i przekazywanie spostrzeżeń. Najnowsze wydanie zostało uzupełnione o treści dotyczące sieci neuronowych i uczenia głębokiego. Zawiera omówienie studiów przypadku z firm takich jak Amazon czy LinkedIn. Wszystko to zostało opisane łatwym do zrozumienia językiem oraz wzbogacone inspirującymi poradami i wskazówkami. Po przeczytaniu tej książki będziesz mógł wykorzystać nowo odkryte umiejętności związane z gromadzeniem, analizą i prezentacją danych.
„Najbardziej obszerna książka, jaką widziałem, dla tych, którzy chcieliby zająć się Data Science – tym, co Harvard Business Review nazwał ‹‹najseksowniejszą pracą XXI wieku››”.
Ben Taylor, DataRobot
„Książka Kirilla Eremenko umiejętnie odkrywa tajemnice wszystkich popularnych narzędzi i technik analitycznych, a także wielu algorytmów, które zasilają inteligentne systemy. Poleciłbym ją każdemu, kto chce rozpocząć karierę w Data Science”.
Dan Shiebler, Twitter Cortex
„Kirill Eremenko wymyślił niesamowity, unikalny sposób na uproszczenie Data Science. Ta książka przyniesie korzyści zarówno nowicjuszom, jak i bardziej doświadczonym osobom, które chcą się uczyć Data Science. Książka obejmuje wszystkie ważne zagadnienia, od tego, czym są dane i jak z nimi walczyć, przez pomoc w opracowaniu własnego procesu analizy danych, po efektywną komunikację z danymi”.
Andy Kriebel, The Information Lab Data School
Spis rysunków IX
Bonus dla Czytelników XII
Podziękowania XIII
Wstęp 1
CZĘŚĆ I „O co w tym chodzi?”
Najważniejsze zasady Data Science
Dokąd zmierzamy 4
Przyszłość to dane 5
Hamowanie postępu 5
01 Definicja danych 7
Dane są wszędzie 8
Wielkość (danych) ma znaczenie 9
Przechowywanie i przetwarzanie danych 11
Dane mają moc tworzenia 13
Użycie danych 15
Dlaczego właśnie teraz dane stały się ważne 16
Martwienie się nic nie da 18
Bibliografia 21
02 Jak dane spełniają nasze potrzeby 22
Wszechobecność danych 22
Data Science a potrzeby fizjologiczne 23
Data Science a potrzeby bezpieczeństwa 25
Data Science a potrzeby przynależności i miłości 28
Data Science a samorealizacja 32
Data Science a samodoskonalenie 32
Kilka słów podsumowania 33
Bibliografia 34
03 Sztuczna inteligencja a nasza przyszłość 36
Czym jest sztuczna inteligencja? 36
Silna sztuczna inteligencja 37
Słaba sztuczna inteligencja 38
Robotyka i automatyzacja procesów 38
Rozpoznawanie obrazów 40
Przetwarzanie języka naturalnego 42
Uczenie ze wzmocnieniem oraz uczenie głębokie 44
Ciemna strona sztucznej inteligencji 45
Przygotuj się na część II 53
Bibliografia 54
CZĘŚĆ II „Gdzie i jak je znajdę?”
Gromadzenie i analiza danych
Proces Data Science 58
Pierwsze kroki 61
04 Określenie problemu 65
Spójrz mamo, nie ma danych! 66
Jak rozwiązać taki problem, jak… 67
Pilnowanie czasu 79
Sztuka mówienia nie 80
Naprzód! 81
Bibliografia 81
05 Przygotowanie danych 82
Spraw, żeby dane zaczęły mówić 82
Z wielką władzą wiąże się wielka odpowiedzialność 83
Przygotuj dane do podróży 85
Bibliografia 100
06 Klasyczna analiza danych 101
Nie pomiń tego kroku 101
Klasyfikacja i analiza skupień 103
Klasyfikacja 103
Drzewa decyzyjne 104
Lasy losowe 107
Algorytm k najbliższych są. 111
Naiwny klasyfikator Bayesa 115
Klasyfikacja przy użyciu klasyfikatora Bayesa 120
Regresja logistyczna 125
Analiza skupień 134
Algorytm grupowania metodą k-średnich 134
Grupowanie hierarchiczne 144
Bibliografia 149
07 Nowoczesna analiza danych 150
Uczenie ze wzmocnieniem 150
Problem wielorękiego bandyty 152
Algorytm UCB 157
Próbkowanie Thompsona 164
Który algorytm jest lepszy – próbkowanie Thompsona czy UCB? 171
Głębokie uczenie maszynowe 173
Ustalanie wag – jak uczą się sztuczne sieci neuronowe 185
Przyszłość analizy danych 188
Bibliografia 188
CZĘŚĆ III „Jak to przedstawić?”
Opowiadanie o danych
Jak dobrze wyglądać 189
Jeszcze nie skończyliśmy! 190
Akcelerator kariery 190
08 Wizualizacja danych 191
Czym jest analiza wizualna? 191
Czym jest wizualizacja danych? 196
Mówienie językiem wizualnym 197
Kroki tworzenia atrakcyjnych wizualizacji 199
Uwagi końcowe 205
Bibliografia 208
Idąc o krok dalej. Typy wykresów 209
09 Prezentacja danych 221
Znaczenie opowieści 221
Powołanie rzecznika danych 223
Jak stworzyć świetną prezentację 224
Koniec procesu Data Science 233
Bibliografia 233
10 Twoja kariera specjalisty danych 234
Wejście do świata Data Science 234
Ubieganie się o pracę 244
Przygotowanie do rozmowy kwalifikacyjnej 245
Przeprowadzanie wywiadu 247
Dbanie o rozwój firmowej kariery 248
Bibliografia 249
indeks 251
Fragment książki(pdf)
str. 109-111
82 KB
Fragment książki(pdf)
str. 243-244
66 KB
Fragment książki(pdf)
str. 57-58
74 KB
Fragment książki(pdf)
str. 3-6
69 KB
Przeczytaj fragment
Fragment książki(pdf)
str. 109-111
82 KB
Fragment książki(pdf)
str. 243-244
66 KB
Fragment książki(pdf)
str. 57-58
74 KB
Fragment książki(pdf)
str. 3-6
69 KB
Zobacz więcej
Zobacz mniej
