SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

1 wynik

Książka

W koszyku

Autor

Foreman John W. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Temat

Data Mining (metoda) Analiza danych Analiza skupień

Gatunek

Opracowanie

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Data Smart: Using Data Science to Transform Information into Insight.

Indeks.

Praktyczna definicja analizy danych Chwila, chwila. A co z big data? Kim jestem? Kim jesteś? Na szczęście będziesz pracować tylko w arkuszu kalkulacyjnym Ale arkusze kalkulacyjne są takie staromodne! Korzystaj z programu Excel lub pakietu LibreOffice Konwencje typograficzne przyjęte w tej książce 1. Wszystko, co chciałeś wiedzieć o arkuszu kalkulacyjnym, ale bałeś się o to zapytać Przykładowe proste dane Szybkie przeglądanie arkusza i klawisz Ctrl Szybkie kopiowanie danych i formuł Formatowanie komórek Wklejanie wartości specjalnych Wstawianie wykresów Menu Znajdź i menu Zamień Formuły przeznaczone do wyszukiwania i wyciągania wartości Stosowanie formuły WYSZUKAJ.PIONOWO do łączenia danych Filtrowanie i sortowanie Stosowanie tabel przestawnych Korzystanie z formuł tablicowych Rozwiązywanie problemów za pomocą narzędzia Solver OpenSolver chciałbym, abyśmy go nie potrzebowali, ale 2. Analiza skupień Część I zastosowanie algorytmu centroidów do segmentowania bazy klientów Dziewczyny tańczą z dziewczynami, a chłopcy drapią się po łokciach Prawdziwy problem: implementacja algorytmu centroidów w e-mail marketingu Handel winem Początkowy zbiór danych Określanie tego, co chcemy mierzyć Zacznij od czterech grup Odległość euklidesowa pomiar odległości w linii prostej Odległość dla wszystkich! Określanie położenia środków klastrów Analiza uzyskanych wyników Ustalanie najlepszej oferty dla danego klastra Sylwetka podziału dobry sposób na określenie optymalnej liczby klastrów Sylwetka podziału na wysokim poziomie jak daleko od Ciebie są Twoi sąsiedzi? Tworzenie macierzy odległości Excel i implementacja sylwetki podziału A może potrzebujesz pięciu klastrów? Dzielenie klientów na pięć klastrów za pomocą narzędzia Solver Ustalanie najlepszych ofert dla wszystkich pięciu klastrów Określanie sylwetki podziału na pięć klastrów Podział na grupy za pomocą algorytmu k-medioidów i asymetryczny pomiar odległości Podział na grupy za pomocą metody k-medioidów Stosowanie lepszego sposobu pomiaru odległości Czy pomiar odległości zgodnie z metryką miejską rozwiązuje problem? Odległość kosinusowa wcale nie jest czymś strasznym Implementacja za pomocą Excela Najlepsze oferty przy podziale na pięć klastrów za pomocą median 3. Naiwny klasyfikator bayesowski i niezwykła lekkość bycia idiotą Jeżeli nazwiesz swój produkt Mandrill, to uzyskasz zaszumione informacje zwrotne Najszybsze na świecie wprowadzenie do rachunku prawdopodobieństwa Obliczanie prawdopodobieństwa warunkowego Prawdopodobieństwo części wspólnej, reguła łańcuchowa i niezależność A co, jeżeli sytuacje są zależne od siebie? Twierdzenie Bayesa Tworzenie modelu sztucznej inteligencji za pomocą twierdzenia Bayesa Zwykle zakłada się, że wysokopoziomowe prawdopodobieństwa klas są sobie równe Kilka innych drobnostek Rozwiązywanie problemu słów rzadkich Rozwiązywanie problemu niedomiaru zmiennoprzecinkowego Czas rozpocząć zabawę z Excelem Usuwanie nieistotnych znaków interpunkcyjnych Dzielenie na znakach spacji Zliczanie leksemów i obliczanie prawdopodobieństw Zbudowaliśmy model. Skorzystajmy z niego! 4. Modelowanie optymalizacyjne świeżo wyciśnięty sok nie zamiesza się sam Dlaczego analityk danych powinien wiedzieć, czym jest optymalizacja? Zacznijmy od prostego kompromisu Przedstawienie problemu w formie wielokomórki Rozwiązywanie problemu poprzez przesuwanie poziomicy Metoda simpleks kręcenie się wokół rogów Praca w Excelu Przecież nie da się wyprodukować 3,43 karabinu! Spróbujmy rozwiązać problem w sposób nieliniowy Na końcu tego rozdziału kryje się potwór Szklanka świeżego soku pomarańczowego prosto z drzewa z przystankiem na modelowanie Trzeba skorzystać z modelu mieszania Zacznijmy od specyfikacji soków Stałość produktu wyjściowego Wprowadzanie danych do Excela Określanie problemu w dodatku Solver Obniżanie standardów Usuwanie cuchnącego problemu minimalizacja maksymalnych odchyleń Warunki i ograniczenie wielkiego M Mnożenie zmiennych skorzystajmy ze 110% mocy Excela Modelowanie ryzyka Dane pochodzące z rozkładu normalnego Dystrybuanta Opracowywanie scenariuszy na podstawie odchyleń standardowych związanych z problemem mieszania soków Określanie ograniczeń scenariusza Podsumowanie Praktyka, praktyka, praktyka i dalsza lektura 5. Analiza skupień Część II grafy i analiza sieci Czym jest graf sieci? Wizualizacja prostego grafu Krótkie wprowadzenie do Gephi Instalacja Gephi i przygotowanie pliku Budowa grafu Stopień rozgałęzienia Elegancki wydruk Edycja danych grafu Tworzenie grafu na podstawie danych sprzedaży wina Tworzenie macierzy podobieństwa kosinusowego Generowanie grafu r-sąsiedztwa Jaka jest wartość krawędzi? Nagradzanie i karanie krawędzi modularność grafu Czym jest punkt, a czym kara? Tworzenie arkusza punktacji Czas dokonać podziału na grupy Podział 1. Punktowanie przypisania każdego klienta Tworzenie modelu liniowego obliczającego punktację Tworzenie programu liniowego Podział 2. kontratak Podział 3. zemsta Grupy kodowanie i analiza Tam i z powrotem czas na Gephi 6. Regresja jako przodek nadzorowanego uczenia maszynowego i sztucznej inteligencji Co? Jesteś w ciąży? Nie oszukuj siebie Osoby, które nie wiedzą, jak działają modele sztucznej inteligencji, bardzo często reagują na możliwość przewidywania przyszłości z niedowierzaniem i przerażeniem. Dobrze parafrazuje to cytat z filmu Włamywacze z 1992 r.: Nie oszukuj siebie. To wcale nie jest takie inteligentne. Przewidywanie ciąży klientów na podstawie regresji liniowej Zbiór cech Tworzenie treningowego zbioru danych Tworzenie zmiennych fikcyjnych Pobawmy się regresją liniową Najprostsze modele liniowe Wracamy do danych sprzedaży Dodawanie formuły obliczającej wartość błędu Trenowanie modelu za pomocą narzędzia Solver Parametry regresji liniowej: współczynnik determinacji, test F i test t Współczynnik determinacji parametr oceniający poprawność dopasowania Test F czy dopasowanie jest istotne z punktu widzenia statystyki? Testy t współczynników które zmienne są dla nas ważne? Przewidywanie ciąży na nowym zbiorze danych i sprawdzanie jakości modelu Określanie wartości progowej Precyzja (wartości przewidziane jako pozytywne) Specyficzność (liczba wyników prawdziwie negatywnych) Liczba wyników fałszywie pozytywnych Czułość (liczba wyników prawdziwie pozytywnych) Wyznaczanie kompromisu pomiędzy wskaźnikami jakości modelu i tworzenie krzywej charakterystyki pracy Przewidywanie ciąży klientów za pomocą regresji logistycznej Najpierw musisz określić funkcję wiążącą Tworzenie funkcji logistycznej i ponowna optymalizacja Praca nad prawdziwą regresją logistyczną Wybór modelu porównywanie skuteczności regresji liniowej i regresji logistycznej 7. Modele zespołowe dużo nie najlepszej pizzy Korzystanie z danych z rozdziału 6. Agregacja losuj, trenuj, powtórz Pieniek decyzyjny to niezbyt ładne określenie głupiego modelu To wcale nie wydaje się takie głupie! Więcej mocy! Czas rozpocząć proces trenowania Tworzenie próbki losowej Tworzenie pieńka decyzyjnego na podstawie wylosowanej próbki danych Zapisywanie zwycięzcy To tak dużo pracy! Ocena działania modelu zespolonego Prognozowanie wartości zbioru testowego Wydajność Coś więcej niż dokładność Wzmacnianie jeżeli uzyskałeś niesatysfakcjonujące wyniki, to wzmocnij swój model i uruchom go jeszcze raz Trenowanie modelu każda cecha ma swoje pięć minut Czas wyłonić zwycięzcę Obliczanie wartości parametru alfa dla najlepszej reguły decyzyjnej Zmiana wag Zrób to ponownie i znów i znów Wydajność modelu wzmacnianych reguł decyzyjnych Prognozy na testowym zbiorze danym Obliczanie parametrów określających skuteczność klasyfikacji Coś więcej niż dokładność 8. Prognozowanie oddychaj spokojnie, i tak nie wygrasz Hossa na rynku sprzedaży mieczy Szeregi czasowe Zacznij od prostego wygładzania wykładniczego Przygotowanie arkusza prognozy prostego wygładzania wykładniczego Dodawanie kolumn prognozy jednego kroku i jej błędu Przeciągnij te formuły w dół Optymalizacja błędu pojedynczego kroku Czas przedstawić to na wykresie Być może dane zawierają trend Podwójne wygładzanie wykładnicze (metoda Holta) Metoda Holta w arkuszu kalkulacyjnym Prognozowanie popytu w przyszłości Optymalizacja błędu prognozy pojedynczego kroku To wszystko? Analiza autokorelacji Wielokrotne wygładzanie wykładnicze model Holta-Wintersa Określanie początkowych wartości poziomu, trendu i sezonowości Tworzenie prognozy Czas na optymalizację Powiedz mi, że to już koniec. Proooszę! Interwały prognozy Tworzenie wykresu warstwowego wachlarza wartości 9. Wykrywanie obserwacji odstających to, że jakiś element jest inny od pozostałych, nie oznacza, że jest nieistotny Element odstający to też człowiek Fascynująca sprawa Hadlumów Metoda Tukeya Implementacja metody Tukeya w arkuszu kalkulacyjnym Ograniczenia tej prostej techniki Nie tragiczny, ale słaby we wszystkim Przygotowywanie danych do utworzenia wykresu Tworzenie grafu Określanie k najbliższych sąsiadów Pierwsza metoda wykrywania elementów odstających grafu skorzystaj ze stopnia wchodzącego Druga metoda wykrywania elementów odstających grafu zgłębianie niuansów za pomocą k-odległości Trzecia metoda wykrywania elementów odstających grafu lokalny miernik stopnia oddalenia obserwacji Zacznij od odległości osiągalnej Określanie lokalnych mierników stopnia oddalenia obserwacji Podsumowanie 10. Przejście z arkusza kalkulacyjnego do języka R Przygotowanie środowiska i początek pracy w języku R Wprowadzanie prostych danych Działania matematyczne na wektorach i faktory Macierze dwuwymiarowe Najlepszy typ danych dataframe Wczytywanie danych do R Prawdziwa analiza danych Sferyczny algorytm k-średnich wywołany za pomocą zaledwie kilku linii kodu Budowanie modeli sztucznej inteligencji na podstawie danych zakupów (wykrywanie ciąży) Prognozowanie w R Wykrywanie elementów odstających Gdzie ja jestem? Co się stało? Zanim odłożysz tę książkę Poznaj problem Potrzebujemy więcej tłumaczy Uważaj na trójgłowe monstrum: narzędzia, wydajność i perfekcjonizm Złożoność Narzędzia Wydajność Nie jesteś najważniejszą osobą w firmie Bądź kreatywny

Sygnatura czytelni BWEAiI: XII W 53

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 148060 N (1 egz.)