Nauka o danych w języku laika: Statystyka

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Data Science in Layman's Terms: Statistics

Zawartość książki:

Istnieją niezliczone blogi, kursy i samouczki, które wyjaśniają koncepcje statystyczne, ale tylko książka może zapewnić kompletną mapę drogową do zrozumienia statystyki. Podręczniki koncentrują się jednak na teorii i dowodach matematycznych, a nie na praktycznych lub stosowanych statystykach. Data Science in Layman's Terms: Statistics zachowuje równowagę między łatwym w czytaniu samouczkiem a intensywnym podręcznikiem teoretycznym. Oferuje kompletną mapę drogową do zrozumienia statystyki. Pojęcia w tej książce są najpierw wyjaśnione prostym językiem angielskim, a następnie poparte wizualizacjami i równaniami. Materiał jest ułożony liniowo od prostych pomysłów przedstawionych w pierwszych kilku rozdziałach do złożonych pomysłów przedstawionych w późniejszych rozdziałach. Każdy rozdział opiera się na informacjach z poprzednich rozdziałów. Każdy rozdział zawiera kod, który pokazuje, jak wdrożyć koncepcje, zarówno w R, jak i Pythonie.

Książka rozpoczyna się od wyjaśnienia podstawowych pojęć statystycznych i statystyk opisowych. Następnie wyjaśnia regresję liniową i logistyczną oraz to, w jaki sposób optymalizacja odgrywa kluczową rolę w statystyce. Następnie wyjaśniono testy statystyczne służące do porównywania średnich grupowych, takie jak ANOVA i MANOVA. Opisano zarówno testy parametryczne, jak i nieparametryczne. Wyjaśniono również koncepcje zwiększające elastyczność analizy statystycznej, takie jak regularyzacja, ponowne próbkowanie, redukcja wymiaru i modelowanie nieliniowe. W dalszej części książki opisano bayesowskie podejście do statystyki. Ostatnie rozdziały obejmują analizę szeregów czasowych i sygnałów. Wszystkie te koncepcje są stosowane w językach R i Python na końcu każdego rozdziału.

Z tej książki dowiesz się.

- Nauczyć się budować modele statystyczne do przewidywania zmiennych ciągłych, porządkowych i kategorialnych.

- Wykorzystywać modelowanie szeregów czasowych do prognozowania cen akcji i zmienności.

- Wykorzystać dane Fitbit do modelowania spalonych kalorii i dowiedzieć się, ile kroków potrzeba, aby spalić 1 kalorię.

- Tworzenie generatora fałszywego tekstu lub tweeta, który generuje tekst na tyle zbliżony do normalnej mowy, że wydaje się wiarygodny.

- Wykrywaj wartości odstające, identyfikuj potencjalnie fałszywe dane i wykrywaj punkty zmian w danych szeregów czasowych.

- Dowiedz się, jak odkryć fale grawitacyjne w danych sygnałowych z Laser Interferometer Gravitational-Wave Observatory.

Repozytorium GitHub towarzyszące tej książce można znaleźć pod adresem: https: //github.com/nlinc1905/dsilt-stats-code.