Analiza danych za pomocą narzędzi Open Source: Praktyczny przewodnik dla programistów i analityków danych

Opinie czytelników

Książka „Data Analysis with Open Source Tools” oferuje kompleksowe wprowadzenie do technik analizy danych, choć koncentruje się bardziej na aspektach teoretycznych niż praktycznej implementacji za pomocą kodu. Czytelnicy generalnie doceniają głębię treści i spostrzeżenia autora, ale pojawiają się krytyczne uwagi dotyczące jej struktury, głębokości przykładów i dokładności niektórych wyjaśnień.

⬤ Oferuje dokładny przegląd różnych technik analizy danych
⬤ dobrze napisana i przystępna
⬤ prezentuje przydatne spostrzeżenia i zachęca do nieszablonowego myślenia
⬤ odpowiednia dla początkujących
⬤ zawiera praktyczne narzędzia i metody
⬤ cenna dla dogłębnego zrozumienia pojęć.

⬤ mylący tytuł dotyczący narzędzi open source
⬤ brak wystarczających przykładów działającego kodu
⬤ problemy organizacyjne z przepływem treści
⬤ pewne nieścisłości matematyczne i statystyczne
⬤ zbyt mały rozmiar czcionki dla wygodnego czytania
⬤ może nie być odpowiedni dla osób poszukujących szczegółowych informacji technicznych lub rygorystycznych przykładów praktycznych.

(na podstawie 52 opinii czytelników)

Oryginalny tytuł:

Data Analysis with Open Source Tools: A Hands-On Guide for Programmers and Data Scientists

Zawartość książki:

Zbieranie danych jest stosunkowo łatwe, ale przekształcenie surowych informacji w coś użytecznego wymaga wiedzy, jak wyodrębnić dokładnie to, czego potrzebujesz. Dzięki tej wnikliwej książce średnio zaawansowani i doświadczeni programiści zainteresowani analizą danych poznają techniki pracy z danymi w środowisku biznesowym. Dowiesz się, jak patrzeć na dane, aby odkryć, co zawierają, jak uchwycić te pomysły w modelach koncepcyjnych, a następnie przekazać swoje zrozumienie z powrotem do organizacji za pomocą planów biznesowych, pulpitów wskaźników i innych aplikacji.

Po drodze będziesz eksperymentować z koncepcjami poprzez praktyczne warsztaty na końcu każdego rozdziału. Przede wszystkim nauczysz się myśleć o wynikach, które chcesz osiągnąć - zamiast polegać na narzędziach, które myślą za Ciebie.

⬤ Wykorzystywać grafikę do opisywania danych z jedną, dwiema lub dziesiątkami zmiennych.

⬤ Rozwijaj modele koncepcyjne przy użyciu obliczeń typu "back-of-the-envelope", a także skalowania i argumentów prawdopodobieństwa.

⬤ Eksplorować dane za pomocą intensywnych obliczeniowo metod, takich jak symulacja i grupowanie.

⬤ Uczynić swoje wnioski zrozumiałymi za pomocą raportów, pulpitów nawigacyjnych i innych programów metrycznych.

⬤ Zrozumieć obliczenia finansowe, w tym wartość pieniądza w czasie.

⬤ Wykorzystanie technik redukcji wymiarowości lub analizy predykcyjnej do pokonywania trudnych sytuacji związanych z analizą danych.

⬤ Zapoznanie się z różnymi środowiskami programistycznymi typu open source do analizy danych.

"Wreszcie, zwięzłe odniesienie do zrozumienia, jak pokonać stosy danych." --Austin King, Senior Web Developer, Mozilla.

"Niezbędny tekst dla początkujących naukowców zajmujących się danymi". --Michael E. Driscoll, CEO/założyciel, Dataspora.