Nauka o danych: Koncepcje i praktyka

Opinie czytelników

Książka stanowi jasne i zwięzłe wprowadzenie do analityki predykcyjnej i nauki o danych przy użyciu RapidMiner. Chociaż wyjaśnienia i metody nauczania są chwalone, istnieją istotne uwagi krytyczne dotyczące jakości drukowanych materiałów, w szczególności braku kolorów na ilustracjach.

⬤ Świetne wyjaśnienia i przykłady
⬤ ogólnie dobrze napisane
⬤ doskonałe nauczanie podstaw nauki o danych
⬤ jasne i zwięzłe
⬤ obejmuje podstawowe aspekty korzystania z RapidMiner
⬤ odpowiednie dla początkujących i perspektyw biznesowych.

⬤ Wydrukowana w czerni i bieli, brak kolorów na ważnych ilustracjach
⬤ postrzegana jako wydrukowana z myślą o rentowności, a nie jakości
⬤ niektóre diagramy są słabo renderowane, co szkodzi treści.

(na podstawie 7 opinii czytelników)

Oryginalny tytuł:

Data Science: Concepts and Practice

Zawartość książki:

Poznaj podstawy nauki o danych dzięki łatwym do zrozumienia ramom koncepcyjnym i natychmiastowej praktyce przy użyciu platformy RapidMiner. Niezależnie od tego, czy jesteś zupełnie nowy w nauce o danych, czy pracujesz nad dziesiątym projektem, ta książka pokaże Ci, jak analizować dane, odkrywać ukryte wzorce i relacje, aby pomóc w podejmowaniu ważnych decyzji i prognozowaniu.

Nauka o danych stała się niezbędnym narzędziem do wydobywania wartości z danych dla każdej organizacji, która gromadzi, przechowuje i przetwarza dane w ramach swojej działalności. Ta książka jest idealna dla użytkowników biznesowych, analityków danych, analityków biznesowych, inżynierów i specjalistów ds. analityki oraz dla każdego, kto pracuje z danymi.

Będziesz w stanie:

⬤ Zdobyć niezbędną wiedzę na temat różnych technik nauki o danych w celu wydobycia wartości z danych.

⬤ Opanować koncepcje i wewnętrzne działanie 30 powszechnie stosowanych, potężnych algorytmów nauki o danych.

⬤ Wdrożyć krok po kroku proces nauki o danych przy użyciu RapidMiner, otwartej platformy nauki o danych opartej na GUI.

Omówione techniki nauki o danych: Eksploracyjna analiza danych, wizualizacja, drzewa decyzyjne, indukcja reguł, k-najbliższych sąsiadów, klasyfikatory Nave Bayesa, sztuczne sieci neuronowe, głębokie uczenie, maszyny wektorów nośnych, modele Ensemble, lasy losowe, regresja, silniki rekomendacji, analiza asocjacji, klastery K-Means i oparte na gęstości, samoorganizujące się mapy, eksploracja tekstu, prognozowanie szeregów czasowych, wykrywanie anomalii, wybór cech i inne....