Badanie danych. Raport z pierwszej linii działań - ebook

Unikalne wprowadzenie do nauki o danych!

W dzisiejszych czasach najcenniejszym dobrem jest informacja. Ogromne ilości danych są przechowywane w przepastnych bazach danych, a kluczem do sukcesu jest ich umiejętna analiza i wyciąganie wniosków. To dynamicznie rozwijająca się dziedzina wiedzy, w której do tej pory brakowało solidnych podręczników, pozwalających na dogłębne poznanie tego obszaru. Na szczęście to się zmieniło!

To unikalna książka, w której badacze z największych firm branży IT dzielą się skutecznymi technikami analizy danych. Z kolejnych rozdziałów dowiesz się, czym jest nauka o danych, model danych oraz test A/B. Ponadto zdobędziesz wiedzę na temat wnioskowania statystycznego, algorytmów, języka R oraz wizualizacji danych. Sięgnij po tę książkę, jeżeli chcesz się dowiedzieć, jak wykrywać oszustwa, korzystać z MapReduce oraz badać przyczynowość. To obowiązkowa pozycja na półce czytelników zainteresowanych badaniem danych.

Wśród tematów poruszonych w książce odnajdziesz:

• Wnioskowanie statystyczne, eksploracyjną analizę danych i proces (metodologię) nauki o danych
• Algorytmy
• Filtry spamu, naiwny algorytm Bayesa i wstępną obróbkę danych
• Regresję logistyczną
• Modelowanie finansowe
• Mechanizmy rekomendacji i przyczynowość
• Wizualizowanie danych
• Sieci społecznościowe i dziennikarstwo danych
• Inżynierię danych, systemy MapReduce, Pregel i Hadoop

Wyciągnij wartościowe wnioski z posiadanych informacji!

Przedmowa (9)

Rozdział 1. Wprowadzenie: czym jest nauka o danych? (19)

• Wielkie dane i szum wokół badania danych (19)
• Pokonywanie szumu (21)
• Dlaczego teraz? (22)
• Obecny horyzont (z domieszką historii) (23)
• Profil nauki o danych (27)
• Eksperyment myślowy - metadefinicja (28)
• Kim zatem jest badacz danych? (29)

Rozdział 2. Wnioskowanie statystyczne, eksploracyjna analiza danych i proces badania danych (33)

• Myślenie statystyczne w epoce wielkich danych (33)
• Eksploracyjna analiza danych (46)
• Proces badania danych (51)
• Eksperyment myślowy: jak zasymulować chaos? (54)
• Studium przypadku: RealDirect (55)

Rozdział 3. Algorytmy (61)

• Algorytmy uczenia maszynowego (62)
• Trzy algorytmy podstawowe (63)
• Zadanie: podstawowe algorytmy uczenia maszynowego (88)
• Podsumowując to wszystko (92)
• Eksperyment myślowy - automatyczny statystyk (93)

Rozdział 4. Filtry spamu, naiwny Bayes i obróbka danych (95)

• Eksperyment myślowy - nauczanie przez przykład (95)
• Naiwna metoda Bayesa (99)
• Zróbmy to z polotem - wygładzanie metodą Laplace'a (103)
• Porównanie naiwnej metody Bayesa z k-NN (104)
• Przykładowy kod w bashu (105)
• Skrobiąc po Sieci - interfejsy API i inne narzędzia (106)

Rozdział 5. Regresja logistyczna (111)

• Eksperymenty myślowe (112)
• Klasyfikatory (113)
• Przypadek regresji logistycznej w M6D (115)
• Zadanie z Media6Degrees (124)

Rozdział 6. Znaczniki czasu i modelowanie finansowe (129)

• Kyle Teague i GetBlue (129)
• Znaczniki czasu (131)
• Cathy O'Neil (136)
• Eksperyment myślowy (136)
• Modelowanie finansowe (137)
• Zadanie: GetGlue i zdarzenia opatrzone znacznikami czasu (150)

Rozdział 7. Wydobywanie znaczeń z danych (153)

• William Cukierski (153)
• Model Kaggle (156)
• Eksperyment myślowy: jakie są etyczne następstwa Robo-Gradera? (159)
• Wybór cech (161)
• David Huffaker: hybrydowe podejście Google do badań społecznych (176)

Rozdział 8. Doradzarki ? budowanie na styku z użytkownikiem produktu danych na miarę (181)

• Doradzarka z prawdziwego zdarzenia (182)
• Eksperyment myślowy ? bąbelki filtrowania (192)
• Zadanie: zbuduj własną doradzarkę (192)

Rozdział 9. Wizualizacja danych i wykrywanie oszustw (195)

• Historia wizualizacji danych (195)
• Czym jest nauka o danych? Nowym rozdaniem? (197)
• Przykładowe projekty wizualizacji danych (199)
• Marka projekty wizualizacji danych (202)
• Nauka o danych i ryzyko (209)
• Wizualizacja danych w Square (219)
• Eksperyment myślowy Iana (220)
• Wizualizacja danych dla takich jak my (220)

Rozdział 10. Sieci społeczne i dziennikarstwo danych (223)

• Analiza sieci społecznych w Morningside Analytics (223)
• Analiza sieci społecznych (225)
• Terminologia z obszaru sieci społecznych (226)
• Eksperyment myślowy (228)
• Metody analityczne w Morningside (229)
• Szersze tło statystyczne analizy sieci społecznych (232)
• Dziennikarstwo danych (236)

Rozdział 11. Przyczynowość (239)

• Korelacja nie implikuje przyczynowości (240)
• Starania witryny OK Cupid (242)
• Złoty standard - losowe próby kliniczne (243)
• Testy A/B (245)
• Z braku czegoś lepszego: badania obserwacyjne (247)
• Trzy zalecenia (252)

Rozdział 12. Epidemiologia (253)

• Wykształcenie i kariera zawodowa Madigana (253)
• Eksperyment myślowy (254)
• Współczesna statystyka akademicka (254)
• Literatura medyczna i badania obserwacyjne (255)
• Stratyfikacja nie rozwiązuje problemu czynników zaburzających (256)
• Czy jest lepsze wyjście? (258)
• Eksperyment badawczy (partnerstwo w wynikach obserwacji medycznych) (259)
• Finalny eksperyment myślowy (263)

Rozdział 13. Wnioski z konkursów danych: wycieki danych i ocenianie modelu (265)

• Profil Claudii jako badaczki danych (265)
• Zawody w wydobywaniu danych (267)
• Jak być dobrym modelarzem (268)
• Wyciek danych (268)
• Jak unikać wycieków (273)
• Ocenianie modeli (273)
• Wybór algorytmu (278)
• Przykład końcowy (278)
• Przemyślenia na pożegnanie (279)

Rozdział 14. Inżynieria danych - MapReduce, Pregel i Hadoop (281)

• O Davidzie Crawshaw (282)
• Eksperyment myślowy (282)
• MapReduce (283)
• Problem częstości słów (284)
• Inne przykłady użycia systemu MapReduce (288)
• Pregel (289)
• O Joshu Willsie (289)
• Eksperyment myślowy (290)
• Gdy się jest badaczem danych (290)
• Interludium ekonomiczne - Hadoop (291)
• Wracając do Josha - tok pracy (292)
• Jak zatem zacząć z Hadoopem? (293)

Rozdział 15. Głos studentów (295)

• Proces myślowy (295)
• Już nie naiwny (296)
• Pomocne dłonie (298)
• Twoje koszty mogą być różne (299)
• Tunele spinające (301)
• Z naszych prac (301)

Rozdział 16. Następna generacja badaczy danych, arogancja i etyka (303)

• Co zostało zrobione? (303)
• Czym jest (spytajmy raz jeszcze!) nauka o danych? (303)
• Jacy są badacze danych następnej generacji? (306)
• Jak być etycznym badaczem danych (308)
• Rada dotycząca kariery (313)

Skorowidz (315)