Nauka o danych

Opinie czytelników

Książka zapewnia kompleksowy przegląd nauki o danych, służąc zarówno jako wprowadzenie, jak i praktyczny przewodnik dla osób zainteresowanych tą dziedziną. Zawiera spostrzeżenia profesjonalistów z branży i oferuje połączenie teorii i rzeczywistych zastosowań. Jednak spotyka się z krytyką za słabo zredagowane przykłady kodu i brak szczegółowych praktycznych kroków dla absolutnie początkujących.

⬤ Piękna prezentacja z doskonałymi referencjami
⬤ świetne wprowadzenie do nauki o danych
⬤ napisane w nieformalnym, wciągającym stylu
⬤ zawiera rzeczywiste przykłady i spostrzeżenia praktyków nauki o danych
⬤ obejmuje szeroki zakres tematów
⬤ dobra równowaga między teorią a praktycznym zastosowaniem.

⬤ Przykłady kodu są słabo zredagowane i mogą być problematyczne
⬤ nie jest wyczerpująca dla początkujących bez wcześniejszej wiedzy
⬤ niektórzy czytelnicy uważają ją za zbyt nieformalną z nadmiarem informacji ogólnych
⬤ brakuje dogłębnej eksploracji technicznej
⬤ postrzegana przez niektórych jako bardziej swobodna rozmowa niż praktyczny przewodnik.

(na podstawie 89 opinii czytelników)

Oryginalny tytuł:

Doing Data Science

Zawartość książki:

Teraz, gdy ludzie są świadomi, że dane mogą mieć wpływ na wybory lub model biznesowy, nauka o danych jako zawód zyskuje na popularności. Jak jednak rozpocząć pracę w tej szeroko zakrojonej, interdyscyplinarnej dziedzinie, która jest tak oblegana? Ta wnikliwa książka, oparta na zajęciach z wprowadzenia do nauki o danych na Uniwersytecie Columbia, powie ci, co musisz wiedzieć.

W wielu z tych rozdziałów naukowcy zajmujący się danymi z firm takich jak Google, Microsoft i eBay dzielą się nowymi algorytmami, metodami i modelami, prezentując studia przypadków i kod, którego używają. Jeśli jesteś zaznajomiony z algebrą liniową, prawdopodobieństwem i statystyką oraz masz doświadczenie w programowaniu, ta książka jest idealnym wprowadzeniem do nauki o danych.

Tematy obejmują

⬤ Wnioskowanie statystyczne, eksploracyjna analiza danych i proces nauki o danych.

⬤ Algorytmy.

⬤ Filtry antyspamowe, Naive Bayes i porządkowanie danych.

⬤ Regresja logistyczna.

⬤ Modelowanie finansowe.

⬤ Silniki rekomendacji i przyczynowość.

⬤ Wizualizacja danych.

⬤ Sieci społecznościowe i dziennikarstwo danych.

⬤ Inżynieria danych, MapReduce, Pregel i Hadoop.

Doing Data Science jest efektem współpracy między prowadzącą kurs Rachel Schutt, starszym wiceprezesem ds. nauki o danych w News Corp, a konsultantką ds. nauki o danych Cathy O'Neil, starszym naukowcem ds. danych w Johnson Research Labs, która uczestniczyła w kursie i pisała o nim na blogu.