Ocena:
Książka stanowi kompleksowe, ale przystępne wprowadzenie do nauki o danych, obejmujące jej historię, zastosowania, narzędzia i kwestie etyczne. Choć stanowi ona doskonały elementarz dla nowicjuszy, niektórzy recenzenci stwierdzili, że brakuje jej głębi dla osób posiadających wcześniejszą wiedzę w tej dziedzinie.
Zalety:⬤ Przejrzysty i łatwy do zrozumienia język.
⬤ Dobre omówienie podstawowych pojęć i ekosystemu nauki o danych.
⬤ Porusza ważne kwestie etyczne w nauce o danych.
⬤ Odpowiednia dla początkujących i jako materiał szkoleniowy.
⬤ Dobrze zorganizowana i uporządkowana treść.
⬤ Oferuje kompleksowy przegląd zastosowań i narzędzi nauki o danych.
⬤ Brak głębi i szczegółowości, co sprawia, że jest mniej odpowiednia dla osób z pewną wiedzą.
⬤ Generyczne informacje w wielu sekcjach, a jedynie ostatni rozdział oferuje oryginalne spostrzeżenia.
⬤ Niektórzy czytelnicy uważali, że jest zbyt podstawowa lub wysokopoziomowa.
(na podstawie 64 opinii czytelników)
Data Science
Zwięzłe wprowadzenie do powstającej dziedziny nauki o danych, wyjaśniające jej ewolucję, związek z uczeniem maszynowym, bieżące zastosowania, kwestie infrastruktury danych i wyzwania etyczne.
Celem nauki o danych jest poprawa podejmowania decyzji poprzez analizę danych. Dziś nauka o danych określa reklamy, które widzimy w Internecie, książki i filmy, które są nam polecane online, które e-maile są filtrowane do naszych folderów spamu, a nawet ile płacimy za ubezpieczenie zdrowotne. Ten tom z serii MIT Press Essential Knowledge oferuje zwięzłe wprowadzenie do powstającej dziedziny nauki o danych, wyjaśniając jej ewolucję, obecne zastosowania, kwestie infrastruktury danych i wyzwania etyczne.
Gromadzenie, przechowywanie i przetwarzanie danych nigdy nie było łatwiejsze dla organizacji. Wykorzystanie nauki o danych jest napędzane przez rozwój dużych zbiorów danych i mediów społecznościowych, rozwój wysokowydajnych obliczeń oraz pojawienie się tak potężnych metod analizy danych i modelowania, jak głębokie uczenie się. Nauka o danych obejmuje zestaw zasad, definicji problemów, algorytmów i procesów wyodrębniania nieoczywistych i użytecznych wzorców z dużych zbiorów danych. Jest ściśle związana z dziedzinami eksploracji danych i uczenia maszynowego, ale ma szerszy zakres. Niniejsza książka przedstawia krótką historię tej dziedziny, wprowadza podstawowe koncepcje danych i opisuje etapy projektu nauki o danych. Rozważa infrastrukturę danych i wyzwania związane z integracją danych z wielu źródeł, wprowadza podstawy uczenia maszynowego i omawia, jak połączyć wiedzę z zakresu uczenia maszynowego z rzeczywistymi problemami. Książka zawiera również przegląd kwestii etycznych i prawnych, zmian w regulacjach dotyczących danych oraz obliczeniowych podejść do ochrony prywatności. Wreszcie, rozważa przyszły wpływ nauki o danych i oferuje zasady sukcesu w projektach nauki o danych.
