SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

155 wyników

Książka

W koszyku

Autor

Albrzykowski Leszek

Forma i typ

Książki Publikacje dydaktyczne Publikacje naukowe

Odbiorca

Szkoły wyższe

Temat

Algorytmy Analiza danych Rachunek prawdopodobieństwa Statystyka matematyczna Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Matematyka

Bibliografie, netografie przy rozdziałach.

Liniowe zależności danych Kowariancja Współczynnik korelacji Regresja liniowa Wnioskowanie bayesowskie Twierdzenie Bayesa Naiwny klasyfikator bayesowski Czynniki wpływające na wyniki modelu Propensity score matching Shapley value Detekcja anomalii Detekcja anomalii za pomocą z-score Detekcja anomalii za pomocą algorytmów klastrujących Algorytm Isolation Forest Ewaluacja modeli Ewaluacja modeli klasyfikacji Ewaluacja modeli regresji

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 153864 N, 153865 N, 153863 N (3 egz.)

Brak okładki

Artykuł

W koszyku

Odchodzący pracownik / Katarzyna Bielecka. W: Personel i Zarządzanie. 2011, nr 6, s.74-77. - Warszawa : INFOR, 2011

Autor

Bielecka Katarzyna.

Temat

Sztuka kierowania Exit interview Rezygnacja z pracy Kwestionariusz pytań Analiza danych

Dokument nadrzędny: Personel i Zarządzanie / [redaktor naczelny Wojciech Gładykowski].

Kartoteka zagadnieniowa: Organizacja, Zarządzanie i Marketing

Brak okładki

Książka

W koszyku

Metody statystyczne i obliczeniowe analizy danych / Siegmund Brandt ; tł. Wojciech Wójcik. - Warszawa : Państ. Wydaw. Naukowe, 1976. - 278, [1] s. : schem., tab., wykr. ; 25 cm.

Autor

Brandt Siegmund. Wójcik Wojciech.

Temat

Analiza danych. Metody statystyczne. Metody obliczeniowe

Tyt. oryg. : Statistical and Computational Methods in Data Analysis.

Bibliogr.s. 275 - [276]

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. S 45841, S 45842, 48948 (3 egz.)

Książka

W koszyku

Aktywne wykrywanie zagrożeń w systemach IT w praktyce : wykorzystywanie analizy danych, frameworku ATT&CK oraz narzędzi open source / Valentina Costa-Gascón ; przekład: Piotr Rakowski. - Gliwice : Helion, 2022. - 344 strony : ilustracje ; 24 cm.

Autor

Costa-Gascón Valentina Wyrodow-Rakowski Piotr.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Programiści

Temat

Analiza danych Bezpieczeństwo systemów Bezpieczeństwo teleinformatyczne Framework (platforma programistyczna) Haking Oprogramowanie open source Systemy informatyczne

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Informatyka wywiadowcza Poziom strategiczny Poziom operacyjny Poziom taktyczny Cykl działań wywiadowczych Planowanie i wyznaczanie celu Przygotowywanie i gromadzenie danych Przetwarzanie i wykorzystywanie danych Analiza i wytwarzanie informacji Rozpowszechnianie i integracja wiedzy Ocena i informacje zwrotne Definiowanie Twojego zapotrzebowania na informacje wywiadowcze Proces gromadzenia danych Wskaźniki naruszenia bezpieczeństwa Zrozumieć złośliwe oprogramowanie Wykorzystanie źródeł publicznych do gromadzenia danych - OSINT Honeypoty Analiza złośliwego oprogramowania i sandboxing Przetwarzanie i wykorzystywanie danych Cyber Kill Chain® Model diamentowy Framework MITRE ATT&CK Tendencyjność a analiza informacji Czym jest polowanie na zagrożenia? Czym jest polowanie na zagrożenia? Rodzaje polowań na zagrożenia Zestaw umiejętności łowcy zagrożeń Piramida Model dojrzałości w procesie polowania na zagrożenia Określenie naszego modelu dojrzałości Proces polowania na zagrożenia Pętla polowania na zagrożenia Model polowania na zagrożenia Metodologia oparta na danych TaHiTI - polowanie ukierunkowane integrujące informatykę wywiadowczą Z jakich źródeł pozyskujemy dane? Zrozumienie zebranych danych Podstawy systemów w operacyjnych Podstawy działania sieci komputerowych Narzędzia dostępne w systemie Windows Podgląd zdarzeń w systemie Windows Instrumentacja zarządzania systemem Windows (WMI) Śledzenie zdarzeń dla Windows (ETW) Źródła danych Dane z punktów końcowych Dane sieciowe Dane zabezpieczeń Zrozumieć przeciwnika Jak mapować przeciwnika Framework ATT&CK Taktyki, techniki, subtechniki i procedury Macierz ATT&CK Nawigator ATT&CK Mapowanie za pomocą frameworka ATT&CK Praca z danymi Używanie słowników danych Metadane zdarzeń zagrażających bezpieczeństwu typu open source Używanie narzędzia MITRE CAR CARET Używanie Sigmy Jak emulować przeciwnika Stworzenie planu emulacji przeciwnika Czym jest emulacja przeciwnika? Plan emulacji zespołu MITRE ATT&CK Jak emulować zagrożenie Atomic Red Team Mordor (Security Datasets) CALDERA Jak pracować z wykorzystaniem środowiska badawczego Jak stworzyć środowisko badawcze Konfigurowanie środowiska badawczego Instalowanie środowiska wirtualnego VMware ESXI Tworzenie sieci VLAN Konfigurowanie zapory (firewalla) Instalowanie systemu operacyjnego Windows Server Konfigurowanie systemu operacyjnego Windows Server w roli kontrolera domeny Zrozumienie struktury usługi katalogowej Active Directory Nadanie serwerowi statusu kontrolera domeny Konfigurowanie serwera DHCP Tworzenie jednostek organizacyjnych Tworzenie użytkowników Tworzenie grup Obiekty zasad grupy Konfigurowanie zasad inspekcji Dodawanie nowych klientów Konfigurowanie stosu ELK Konfigurowanie usługi systemowej Sysmon Pobieranie certyfikatu Konfigurowanie aplikacji Winlogbeat Szukanie naszych danych w instancji stosu ELK Bonus - dodawanie zbiorów danych Mordor do naszej instancji stosu ELK HELK - narzędzie open source autorstwa Roberto Rodrigueza Rozpoczęcie pracy z platformą HELK Jak przeprowadzać kwerendę danych Atomowe polowanie z użyciem bibliotek Atomic Red Team Cykl testowy bibliotek Atomic Red Team Testowanie dostępu początkowego Testowanie wykonania Testowanie zdolności do przetrwania Testy nadużywania przywilejów Testowanie unikania systemów obronnych Testowanie pod kątem wykrywania przez atakującego zasobów ofiary Testowanie taktyki wysyłania poleceń i sterowania (C2) Invoke-AtomicRedTeam Quasar RAT Przypadki użycia trojana Quasar RAT w świecie rzeczywistym Uruchamianie i wykrywanie trojana Quasar RAT Testowanie zdolności do przetrwania Testowanie dostępu do danych uwierzytelniających Badanie ruchu w poprzecznych Jak polować na przeciwnika Oceny przeprowadzone przez MITRE Importowanie zbiorów danych APT29 do bazy HELK Polowanie na APT29 Używanie frameworka MITRE CALDERA Konfigurowanie programu CALDERA Wykonanie planu emulacji za pomocą programu CALDERA Reguły pisane w języku Sigma. Znaczenie dokumentowania i automatyzowania procesu Znaczenie dokumentacji Klucz do pisania dobrej dokumentacji Dokumentowanie polowań Threat Hunter Playbook Jupyter Notebook Aktualizowanie procesu polowania Znaczenie automatyzacji. Wymiana informacji kluczem do sukcesu Jak oceniać jakość danych Jak odróżnić dane dobrej jakości od danych złej jakości Wymiary danych Jak poprawić jakość danych OSSEM Power-up DeTT&CT Sysmon-Modular Jak zrozumieć dane wyjściowe Jak zrozumieć wyniki polowania Znaczenie wyboru dobrych narzędzi analitycznych. Jak zdefiniować dobre wskaźniki śledzenia postępów Znaczenie definiowania dobrych wskaźników Jak określić sukces programu polowań Korzystanie z frameworka MaGMA for Threat Hunting Jak stworzyć zespół szybkiego reagowania i jak informować zarząd o wynikach polowań Jak zaangażować w działanie zespół reagowania na incydenty Wpływ komunikowania się na sukces programu polowania na zagrożenia

Sygnatura czytelni BWEAiI: XII Ń 91

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. 152991 (1 egz.)

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.)

Książka

W koszyku

Data Science : programowanie, analiza i wizualizacja danych z wykorzystaniem języka R / Freeman Michael, Joel Ross ; tłumaczenie Tomasz Walczak. - Gliwice : Helion, copyright 2020. - 360 stron : ilustracje ; 24 cm.

Autor

Freeman Michael Ross Joel E. (1922- ). Walczak Tomasz tłumacz).

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Temat

R (język programowania) Analiza danych Data mining

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Programming skills for Data Science : start writing code to wrangle, analyze, and visualize data with R.

Indeks.

Dla analityków danych.

Rozdział 1 Przygotowywanie komputera23 1.1.Przygotowywanie narzędzi używanych w wierszu poleceń24 1.1.1. Wiersz poleceń w systemie macOS24 1.1.2. Wiersz poleceń w systemie Windows25 1.1.3. Wiersz poleceń w systemie Linux25 1.2.Instalowanie systemu git25 1.3.Tworzenie konta w serwisie GitHub26 1.4.Wybieranie edytora tekstu26 1.4.1. Atom26 1.4.2. Visual Studio Code27 1.4.3. Sublime Text27 1.5.Pobieranie języka R28 1.6.Pobieranie środowiska RStudio28 Rozdział 2 Używanie wiersza poleceń31 2.1.Uruchamianie wiersza poleceń31 2.2.Poruszanie się w systemie plików32 2.2.1. Przechodzenie do innego katalogu33 2.2.2. Wyświetlanie listy plików35 2.2.3. Ścieżki35 2.3.Zarządzanie plikami37 2.3.1. Uczenie się nowych instrukcji37 2.3.2. Symbole wieloznaczne39 2.4.Radzenie sobie z błędami40 2.5.Przekierowywanie danych wyjściowych41 2.6.Polecenia związane z siecią42 CZĘŚĆ II Zarządzanie projektami45 Rozdział 3 Kontrola wersji z użyciem systemu git i serwisu GitHub47 3.1.Czym jest git?47 3.1.1. Podstawowe zagadnienia związane z systemem git48 3.1.2. Czym jest GitHub?49 3.2.Konfigurowanie narzędzi i tworzenie projektu50 3.2.1. Tworzenie repozytorium51 3.2.2. Sprawdzanie stanu51 3.3.Śledzenie zmian w projekcie52 3.3.1. Dodawanie plików53 3.3.2. Zatwierdzanie54 3.3.3. Proces używania systemu git55 3.4.Zapisywanie projektów w witrynie GitHub56 3.4.1. Forki i klonowanie57 3.4.2. Wysyłanie i pobieranie59 3.5.Dostęp do historii projektu60 3.5.1. Historia rewizji60 3.5.2. Powrót do starszych wersji61 3.6.Ignorowanie plików w projekcie62 Rozdział 4 Tworzenie dokumentacji za pomocą języka Markdown65 4.1.Pisanie kodu w języku Markdown65 4.1.1. Formatowanie tekstu66 4.1.2. Bloki tekstu66 4.1.3. Hiperłącza67 4.1.4. Rysunki67 4.1.5. Tabele68 4.2.Wyświetlanie dokumentów w języku Markdown68 CZĘŚĆ III Podstawowe umiejętności z zakresu języka R71 Rozdział 5 Wprowadzenie do języka R73 5.1.Programowanie z użyciem języka R73 5.2.Uruchamianie kodu w języku R74 5.2.1. Używanie środowiska RStudio74 5.2.2. Używanie języka R w wierszu poleceń76 5.3.Dodawanie komentarzy78 5.4.Definiowanie zmiennych78 5.4.1. Podstawowe typy danych80 5.5.Szukanie pomocy83 5.5.1. Nauka uczenia się języka R84 Rozdział 6 Funkcje89 6.1.Czym jest funkcja?89 6.1.1. Składnia funkcji w języku R90 6.2.Wbudowane funkcje języka R91 6.2.1. Argumenty nazwane92 6.3.Wczytywanie funkcji93 6.4.Pisanie funkcji95 6.4.1. Debugowanie funkcji97 6.5.Instrukcje warunkowe98 Rozdział 7 Wektory101 7.1.Czym jest wektor?101 7.1.1. Tworzenie wektorów101 7.2.Operacje wektorowe102 7.2.1. Ponowne używanie elementów104 7.2.2. Prawie wszystko jest wektorem105 7.2.3. Funkcje wektorowe105 7.3.Indeksy w wektorach107 7.3.1. Listy indeksów108 7.4.Filtrowanie wektorów109 7.5.Modyfikowanie wektorów110 Rozdział 8 Listy113 8.1.Czym jest lista?113 8.2.Tworzenie list114 8.3.Dostęp do elementów listy115 8.4.Modyfikowanie list117 8.4.1. Pojedyncze i podwójne nawiasy kwadratowe118 8.5.Stosowanie funkcji do list za pomocą wywołania lapply()119 CZĘŚĆ IV Przekształcanie danych121 Rozdział 9 Jak zrozumieć dane?123 9.1.Proces generowania danych123 9.2.Wyszukiwanie danych124 9.3.Rodzaje danych126 9.3.1. Skale pomiarowe126 9.3.2. Struktury danych127 9.4.Interpretowanie danych129 9.4.1. Zdobywanie wiedzy w danej dziedzinie129 9.4.2. Jak zrozumieć schematy danych?131 9.5.Odpowiadanie na pytania na podstawie danych133 Rozdział 10 Ramki danych135 10.1. Czym jest ramka danych?135 10.2. Praca z ramkami danych136 10.2.1. Tworzenie ramek danych136 10.2.2. Opisywanie struktury ramek danych137 10.2.3. Dostęp do ramek danych138 10.3. Praca z danymi CSV139 10.3.1. Katalog roboczy140 10.3.2. Zmienne w postaci faktorów142 Rozdział 11 Operowanie danymi za pomocą pakietu dplyr145 11.1. Gramatyka operowania danymi145 11.2.Podstawowe funkcje pakietu dplyr146 11.2.1. Pobieranie (funkcja selekt())147 11.2.2. Filtrowanie (funkcja filter())149 11.2.3. Dodawanie kolumn (funkcja mutate())150 11.2.4. Sortowanie danych (funkcja arrange())151 11.2.5. Tworzenie podsumowań (funkcja summarize())152 11.3.Wykonywanie operacji sekwencyjnych153 11.3.1. Operator potoku154 11.4.Analizowanie ramek danych z wykorzystaniem grupowania155 11.5.Złączanie ramek danych157 11.6.Pakiet dplyr w praktyce — analizowanie danych na temat lotów162 Rozdział 12 Porządkowanie danych za pomocą pakietu tidyr169 12.1.Czym jest porządkowanie danych?169 12.2.Od kolumn do wierszy — gather()171 12.3.Z wierszy na kolumny — spread()172 12.4.Pakiet tidyr w praktyce — eksplorowanie statystyk na temat edukacji174 Rozdział 13 Dostęp do bazy danych181 13.1.Przegląd relacyjnych baz danych181 13.1.1. Czym jest relacyjna baza danych?182 13.1.2. Tworzenie relacyjnej bazy danych184 13.2.Wstęp do języka SQL185 13.3.Dostęp do bazy danych w języku R189 Rozdział 14 Używanie internetowych interfejsów API193 14.1.Czym jest internetowy interfejs API?193 14.2.Żądania REST194 14.2.1. Identyfikatory URI194 14.2.2. Operacje (czasowniki) z protokołu HTTP201 14.3.Dostęp do internetowych interfejsów API w R201 14.4.Przetwarzanie danych w formacie JSON203 14.4.1. Przetwarzanie danych w formacie JSON205 14.4.2. Spłaszczanie danych207 14.5.Interfejsy API w praktyce — znajdowanie kubańskiego jedzenia w Seattle209 CZĘŚĆ V Wizualizacje danych215 Rozdział 15 Projektowanie wizualizacji danych217 15.1.Cel wizualizacji217 15.2.Wybieranie układu graficznego219 15.2.1. Wizualizowanie jednej zmiennej220 15.2.2. Wizualizowanie wielu zmiennych223 15.2.3. Wizualizowanie danych hierarchicznych227 15.3.Wybieranie skutecznego kodowania graficznego229 15.3.1. Skuteczne kolory231 15.3.2. Wykorzystanie atrybutów przed u wagowych234 15.4.Ekspresywne prezentacje danych236 15.5.Zwiększanie estetyki238 Rozdział 16 Tworzenie wizualizacji za pomocą pakietu ggplot2241 16.1.Gramatyka grafiki241 16.2.Tworzenie podstawowych wykresów za pomocą ggplot2242 16.2.1. Określanie obiektów geometrycznych245 16.2.2. Odwzorowania aspektów estetycznych247 16.3.Złożone układy i dostosowywanie opcji248 16.3.1. Dostosowywanie pozycji248 16.3.2. Zmienianie stylu za pomocą skal250 16.3.3. Układ współrzędnych253 16.3.4. Fasety254 16.3.5. Etykiety i uwagi255 16.4.Tworzenie map257 16.4.1. Kartogramy258 16.4.2. Mapy punktowe261 16.5.Pakiet ggplot2 w praktyce — mapa eksmisji w San Francisco262 Rozdział 17 Interaktywne wizualizacje w języku R267 17.1.Pakiet plotly269 17.2.Pakiet rbokeh271 17.3.Pakiet leaflet273 17.4.Interaktywne wizualizacje w praktyce — analizowanie zmian w Seattle276 CZĘŚĆ VI Tworzenie i udostępnianie aplikacji281 Rozdział 18 Tworzenie dynamicznych raportów za pomocą platformy R Markdown283 18.1.Konfigurowanie raportu283 18.1.1. Tworzenie plików .rmd284 18.1.2. Kompilowanie dokumentów286 18.2.Integrowanie tekstu w formacie Markdown i kodu w języku R287 18.2.1. Wykonywalne fragmenty kodu w języku R287 18.2.2. Kod wewnątrzwierszowy288 18.3.Wyświetlanie danych i wizualizacji w raportach289 18.3.1. Wyświetlanie łańcuchów znaków289 18.3.2. Wyświetlanie list w formacie Markdown290 18.3.3. Wyświetlanie tabel291 18.3.4. Wyświetlanie wykresów292 18.4.Udostępnianie raportów jako stron internetowych293 18.5.Platforma R Markdown w praktyce — raport na temat oczekiwanej długości życia295 Rozdział 19 Tworzenie interaktywnych aplikacji internetowych za pomocą platformy Shiny301 19.1.Platforma Shiny301 19.1.1. Podstawowe zagadnienia dotyczące platformy Shiny302 19.1.2. Struktura aplikacji303 19.2.Projektowanie interfejsów użytkownika307 19.2.1. Treści statyczne308 19.2.2. Dynamiczne dane wejściowe310 19.2.3. Dynamiczne dane wyjściowe311 19.2.4. Układy312 19.3.Tworzenie serwerów aplikacji315 19.4.Publikowanie aplikacji na platformę Shiny318 19.5.Platforma Shiny w praktyce — wizualizacja śmiertelnych postrzeleń przez policję320 Rozdział 20 Praca zespołowa327 20.1.Śledzenie różnych wersji kodu za pomocą gałęzi327 20.1.1. Praca z różnymi gałęziami329 20.1.2. Scalanie gałęzi332 20.1.3. Scalanie a konflikty333 20.1.4. Scalanie w serwisie GitHub335 20.2.Prowadzenie projektów z użyciem gałęzi funkcji337 20.3.Współpraca w ramach scentralizowanego procesu pracy338 20.3.1. Tworzenie centralnego repozytorium339 20.3.2. Używanie gałęzi funkcji w scentralizowanym procesie pracy341 20.4.Współpraca w procesie pracy z użyciem forków342 Rozdział 21 Dalsza nauka347 21.1.Uczenie statystyczne347 21.1.1. Ocena zależności347 21.1.2. Prognozowanie348 21.2.Inne języki programowania348 21.3.Odpowiedzialność etyczna349

Sygnatura czytelni BWEAiI: XII L 47

aktualnie wypożyczona

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

Wypożyczalnia

Wszystkie egzemplarze są obecnie wypożyczone: sygn. 149934 N (1 egz.)