SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

1 wynik

Książka

W koszyku

Analityk danych : przewodnik po data science, statystyce i uczeniu maszynowym / Alex J. Gutman, Jordan Goldmeier ; przekład: Grzegorz Werner. - Gliwice : Helion, copyright 2023. - XXXVIII, 213 stron : fotografie, ilustracje, mapy, wykresy ; 24 cm.

Autor

Gutman Alex J. Goldmeier Jordan. Werner Grzegorz.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych

Temat

Analiza danych Data science Statystyka matematyczna Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Na grzbiecie także nazwa wydawcy oryginału: Wiley.

Pytania, które powinien zadawać spec od danych Dlaczego problem jest ważny? Na kogo wpływa ten problem? Co, jeśli nie mamy właściwych danych? Kiedy projekt się zakończy? Co, jeśli nie spodobają nam się rezultaty? Dlaczego projekty związane z danymi kończą się niepowodzeniem? Wrażenia klientów Omówienie Praca nad problemami, które mają znaczenie Dane a informacje Przykładowy zbiór danych Jak gromadzi się dane i jaką mają strukturę? Dane obserwacyjne i eksperymentalne Dane ustrukturyzowane i nieustrukturyzowane Podstawowe statystyki zbiorcze Przygotowanie do myślenia statystycznego Zadawaj pytania Scenariusz: wrażenia klientów (kontynuacja) Studium przypadku: zachorowalność na raka nerki Prawdopodobieństwo i statystyka Prawdopodobieństwo a intuicja Odkrywanie informacji za pomocą statystyki Mów jak spec od danych Polemizuj z danymi Katastrofa spowodowana brakiem danych Jaka jest historia pochodzenia danych? Kto zebrał dane? Jak zebrano dane? Czy dane są reprezentatywne? Czy poprawnie dobrano próbę? Co zrobiono z wartościami odstającymi? Jakich danych nie widzę? Jak rozwiązano problem brakujących wartości? Czy dane mogą zmierzyć to, co ma być mierzone? Polemizuj z danymi każdej wielkości Eksploruj dane Eksploracyjna analiza danych i Ty Przyjmij nastawienie eksploracyjne Pytania naprowadzające Czy dane mogą odpowiedzieć na pytanie? Określ oczekiwania i użyj zdrowego rozsądku Czy wartości mają intuicyjny sens? Uważaj! Wartości odstające i brakujące Czy odkryliście jakieś związki? Korelacja Uważaj! Błędne interpretowanie korelacji Uważaj! Korelacja nie implikuje przyczynowości Czy znaleźliście w danych nowe możliwości? Badaj prawdopodobieństwa Reguły gry Notacja Prawdopodobieństwo warunkowe i zdarzenia niezależne Prawdopodobieństwo wielu zdarzeń Ćwiczenie myślowe z zakresu prawdopodobieństwa Uważaj z zakładaniem niezależności Wszystkie prawdopodobieństwa są warunkowe Nie przestawiaj zależności Twierdzenie Bayesa Upewnij się, że prawdopodobieństwa mają znaczenie Kalibracja Rzadkie zdarzenia mogą się zdarzać i się zdarzają Kwestionuj statystyki Więcej danych, więcej dowodów Kwestionuj status quo Dowody na twierdzenie przeciwne Równoważenie błędów decyzyjnych Proces wnioskowania statystycznego Pytania, które pomogą Ci kwestionować statystyki Jaki jest kontekst tych statystyk? Jaki jest rozmiar próby? Co testujecie? Jaka jest hipoteza zerowa? Zakładanie równoważności Jaki jest poziom istotności? Ile przeprowadzacie testów? Czy mogę zobaczyć przedziały ufności? Czy jest to praktycznie istotne? Czy zakładacie przyczynowość? Przybornik specjalisty data science W poszukiwaniu ukrytych grup Uczenie nienadzorowane Redukcja wymiarowości Tworzenie cech złożonych Analiza składowych głównych Składowe główne zdolności sportowych Podsumowanie PCA Potencjalne pułapki Klasteryzacja metodą k-średnich Klasteryzacja sklepów detalicznych Potencjalne pułapki Model regresji Uczenie nadzorowane Jak działa regresja liniowa? Regresja metodą najmniejszych kwadratów: nie tylko pomysłowa nazwa

Regresja liniowa Rozszerzanie modelu na wiele cech Regresja liniowa: jakie powoduje nieporozumienia? Pominięte zmienne Współliniowość Przeciek danych Błędy ekstrapolacji Relacje nie zawsze są liniowe Wyjaśniasz czy przewidujesz? Skuteczność regresji Model klasyfikacji Regresja logistyczna Regresja logistyczna Drzewa decyzyjne Metody zespołowe Lasy losowe Drzewa wzmacniane gradientowo Interpretowalność modeli zespołowych Przeciek danych Brak podziału danych Wybór odpowiedniego progu decyzyjnego Błędne rozumienie dokładności Macierze błędów Analiza tekstu Oczekiwania wobec analizy tekstu Jak tekst staje się liczbami N-gramy Osadzenia słów Modelowanie tematyczne Klasyfikacja tekstu Naiwny klasyfikator bayesowski Analiza odczuć Kwestie praktyczne podczas pracy z tekstem Giganci technologiczni mają przewagę Uczenie głębokie Sieci neuronowe Pod jakimi względami sieci neuronowe przypominają ludzki mózg? Jak uczy się sieć neuronowa? Nieco bardziej złożona sieć neuronowa Zastosowania uczenia głębokiego Korzyści z uczenia głębokiego Jak komputery „widzą” obrazy? Konwolucyjne sieci neuronowe Uczenie głębokie w języku i sekwencjach Uczenie głębokie w praktyce Czy masz dane? Czy Twoje dane są ustrukturyzowane? Jak będzie wyglądać sieć? Sztuczna inteligencja i Ty Giganci technologiczni mają przewagę Etyka w uczeniu głębokim Droga do sukcesu Strzeż się pułapek Tendencyjność i dziwne zjawiska w danych Błąd przeżywalności Regresja do średniej Paradoks Simpsona Błąd konfirmacji Błąd utopionych kosztów Dyskryminacja algorytmiczna Nieskategoryzowane przejawy tendencyjności Wielka lista pułapek Pułapki związane ze statystyką i uczeniem maszynowym Pułapki związane z projektem Znaj ludzi i osobowości Siedem scenariuszy fiaska komunikacyjnego Post mortem Konfrontacja z rzeczywistością Wrogie przejęcie Egocentryk Osobowości w świecie danych Entuzjasta Cynik Spec od danych

Sygnatura czytelni BWEAiI: XII E 126

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. 154647 N (1 egz.)