Ocena:
Książka jest powszechnie uznawana za podstawowe źródło wiedzy dla osób wchodzących w dziedzinę Data Science, zwłaszcza dla analityków przechodzących do tego obszaru. Jest chwalona za jasne wyjaśnienia i praktyczne przykłady. Jednak wielu użytkowników wyraziło frustrację z powodu niefunkcjonalnych plików danych i kodu, co zmniejsza jej użyteczność.
Zalety:⬤ Podstawowy zasób dla Data Science
⬤ Jasne i przystępne wyjaśnienia złożonych pojęć
⬤ Dobrze zorganizowane i przydatne przykłady i zestawy danych
⬤ Produkt wysokiej jakości
⬤ Idealny zarówno dla początkujących, jak i instruktorów.
⬤ Pliki danych nie działają, co utrudnia praktykę
⬤ # Wiele przykładów kodu nie działa
⬤ # Odczuwalny brak korekty i kontroli jakości.
(na podstawie 8 opinii czytelników)
Principles of Data Science: Mathematical techniques and theory to succeed in data-driven industries
Poznaj techniki i matematykę, których potrzebujesz, aby zacząć nadawać sens swoim danym
Kluczowe cechy:
⬤ Poszerz swoją wiedzę na temat kodowania o teorię nauki o danych, aby uzyskać praktyczny wgląd w naukę i analizę danych.
⬤ Więcej niż tylko zajęcia z matematyki, dowiedz się, jak wykonywać rzeczywiste zadania nauki o danych za pomocą R i Pythona.
⬤ Twórz praktyczne spostrzeżenia i przekształcaj surowe dane w namacalną wartość.
Opis książki:
Potrzebujesz przekształcić swoje umiejętności programowania w skuteczne umiejętności nauki o danych? Książka Principles of Data Science została stworzona, aby pomóc ci połączyć matematykę, programowanie i analizę biznesową. Dzięki tej książce poczujesz się pewnie, zadając - i odpowiadając - na złożone i wyrafinowane pytania dotyczące danych, aby przejść od abstrakcyjnych i surowych statystyk do praktycznych pomysłów.
Dzięki unikalnemu podejściu, które wypełnia lukę między matematyką a informatyką, ta książka przeprowadzi Cię przez cały potok nauki o danych. Zaczynając od czyszczenia i przygotowywania danych oraz skutecznych strategii i technik eksploracji danych, przejdziesz do zbudowania kompleksowego obrazu tego, jak każdy element układanki nauki o danych pasuje do siebie. Poznasz podstawy matematyki obliczeniowej i statystyki, a także niektóre pseudokody używane obecnie przez analityków i naukowców zajmujących się danymi. Zapoznasz się z uczeniem maszynowym, odkryjesz modele statystyczne, które pomogą Ci przejąć kontrolę i poruszać się nawet po najgęstszych zbiorach danych, a także dowiesz się, jak tworzyć potężne wizualizacje, które komunikują, co oznaczają Twoje dane.
Czego się nauczysz:
⬤ Poznaj pięć najważniejszych kroków nauki o danych.
⬤ Inteligentnie wykorzystywać dane i nauczyć się obchodzić z nimi ostrożnie.
⬤ Wypełnić lukę między matematyką a programowaniem.
⬤ Dowiedz się więcej o prawdopodobieństwie, rachunku prawdopodobieństwa oraz o tym, jak korzystać z modeli statystycznych w celu kontrolowania i czyszczenia danych oraz uzyskiwania użytecznych wyników.
⬤ Zbuduj i oceń podstawowe modele uczenia maszynowego.
⬤ Poznaj najskuteczniejsze wskaźniki pozwalające określić sukces modeli uczenia maszynowego.
⬤ Tworzyć wizualizacje danych, które przekazują przydatne informacje.
⬤ Czytaj i stosuj koncepcje uczenia maszynowego do swoich problemów i twórz rzeczywiste prognozy.
Dla kogo jest ta książka:
Powinieneś być dość dobrze zaznajomiony z podstawową algebrą i powinieneś czuć się komfortowo czytając fragmenty R/Python, jak również pseudokod. Powinieneś mieć chęć do nauki i stosowania technik przedstawionych w tej książce na własnych zestawach danych lub tych, które zostały ci dostarczone. Jeśli masz podstawowe umiejętności matematyczne, ale chcesz je zastosować w nauce o danych lub masz dobre umiejętności programistyczne, ale brakuje ci matematyki, to ta książka jest dla Ciebie.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)