MENU
Nasze ceny
-
nowość
Jak ogarnąć trudne dane? Praktyczne podejście profesjonalnego analityka - ebook
Jak ogarnąć trudne dane? Praktyczne podejście profesjonalnego analityka - ebook
Analiza trudnych danych w rzeczywistym świecie? Cóż to skomplikowane. Trzeba sobie poradzić z takimi wyzwaniami jak niewiarygodne źródła danych, niejednoznaczne zapytania i niekompatybilne formaty. Rzeczywistość wykracza poza czyste, ustrukturyzowane przykłady z podręczników. Jak więc z trudnymi danymi radzą sobie zawodowcy?
Dobrze napisana książka, pokazująca podejścia do rozwiązywania wielu rodzajów problemów w analizie danych.
Naomi Ceder, członkini Python Software Foundation
Za sprawą tej książki poznasz metodologię rozwiązywania różnorodnych problemów związanych z pracą na danych. Poszczególne techniki zostały tu wyjaśnione krok po kroku, tak by odzwierciedlić tok myślenia i sposób działania profesjonalnego analityka. Znajdziesz tu osiem często spotykanych scenariuszy, z którymi można się zetknąć w tej dziedzinie.
Stosując zorientowane na wyniki podejście autora, nauczysz się modelować dane poprzez odnajdywanie rekordów klientów, pracę ze słabo zdefiniowanymi wskaźnikami, wydobywanie informacji z plików PDF i wiele więcej! Dowiesz się również, jak przejmować niedokończone projekty i tworzyć szybkie prototypy z rzeczywistymi danymi.
Możesz podglądać pracę wytrawnego analityka danych, który wyjaśnia, jak radzić sobie ze wszystkimi nieprzyjemnymi pułapkami!
Randy Au, Google
W książce:
- rozkładanie problemów na części pierwsze
- praca z niejasnymi wskaźnikami
- modelowanie danych
- manipulacja danymi kategorycznymi
Jasna i powtarzalna metodologia ułatwi Ci pewne i szybkie dochodzenie do odpowiedzi!
Shaun McGirr, DevOn Software Services
Doskonałe źródło dla każdego aspirującego analityka danych!
Andrew R. Freed, IBM
Spis treści
Przedmowa
Wstęp
Podziękowania
O książce
O autorze
1. Łączenie teorii z praktyką w nauce o danych
- 1.1. Zestaw narzędzi analityka danych
- 1.2. Podejście zorientowane na wyniki
- 1.2.1. Zrozum problem
- 1.2.2. Zacznij od końca
- 1.2.3. Poszukaj dodatkowych źródeł
- 1.2.4. Pozyskaj dane
- 1.2.5. Wykonaj pracę
- 1.2.6. Przedstaw minimalną satysfakcjonującą odpowiedź
- 1.2.7. W razie potrzeby iteruj
- 1.3. Struktura projektu
- Podsumowanie
2. Praca z danymi geograficznymi
- 2.1. Projekt 1. Określenie lokalizacji klientów
- 2.1.1. Słownik danych
- 2.2. Przykładowe rozwiązanie: odnajdywanie Londynu
- 2.2.1. Przygotowanie do sukcesu
- 2.2.2. Tworzenie pierwszej wersji rozwiązania
- 2.2.3. Podsumowanie i kolejne kroki
- 2.3. Jak czytać pozostałą część książki?
- Podsumowanie
3. Modelowanie danych
- 3.1. Znaczenie modelowania danych
- 3.1.1. Typowe zadania w modelowaniu danych
- 3.2. Projekt 2. Kim są Twoi klienci?
- 3.2.1. Założenia projektu
- 3.2.2. Słownik danych
- 3.2.3. Oczekiwane rezultaty
- 3.2.4. Niezbędne narzędzia
- 3.3. Planowanie podejścia do modelowania danych klientów
- 3.3.1. Zastosowanie procesu zorientowanego na wyniki do modelowania danych
- 3.3.2. Pytania warte uwagi
- 3.4. Przykładowe rozwiązanie: identyfikacja klientów na podstawie danych transakcyjnych
- 3.4.1. Opracowanie planu działania
- 3.4.2. Odkrywanie, pozyskiwanie i łączenie danych z wielu źródeł
- 3.4.3. Rozwiązywanie problemu encji w celu usunięcia duplikatów
- 3.4.4. Wnioski i zalecenia
- 3.5. Podsumowanie modelowania danych
- 3.5.1. Umiejętności modelowania danych przydatne w każdym projekcie
- Podsumowanie
4. Wskaźniki
- 4.1. Znaczenie dobrze zdefiniowanych wskaźników
- 4.2. Projekt 3. Definiowanie precyzyjnych wskaźników po to, by podejmować lepsze decyzje
- 4.2.1. Opis problemu
- 4.2.2. Słownik danych
- 4.2.3. Oczekiwane rezultaty
- 4.2.4. Wymagane narzędzia
- 4.3. Zastosowanie metody zorientowanej na wyniki do różnych definicji wskaźników
- 4.3.1. Pytania warte uwagi
- 4.4. Przykładowe rozwiązanie: identyfikacja najlepiej sprzedających się produktów
- 4.4.1. Łączenie i analiza danych o produktach
- 4.4.2. Obliczanie wskaźników na poziomie produktu
- 4.4.3. Znajdowanie najlepszych produktów z użyciem zdefiniowanych wskaźników
- 4.5. Podsumowanie rozdziału o wskaźnikach
- 4.5.1. Umiejętności definiowania lepszych wskaźników dla dowolnego projektu
- Podsumowanie
5. Nietypowe źródła danych
- 5.1. Szukanie nowych źródeł danych
- 5.1.1. Kwestie do rozważenia przy korzystaniu z nowych zbiorów danych
- 5.2. Projekt 4. Analiza trendów w branży filmowej z użyciem danych z plików PDF
- 5.2.1. Opis problemu
- 5.2.2. Słownik danych
- 5.2.3. Oczekiwane rezultaty
- 5.2.4. Wymagane narzędzia
- 5.3. Zastosowanie metody zorientowanej na wyniki do ekstrakcji danych z plików PDF
- 5.4. Przykładowe rozwiązanie: wpływ ograniczeń związanych z COVID-19 na przemysł filmowy
- 5.4.1. Analiza dostępnych danych
- 5.4.2. Wyodrębnianie danych z plików PDF
- 5.4.3. Analiza danych wyodrębnionych z plików PDF
- 5.4.4. Wnioski i zalecenia dotyczące projektu
- 5.5. Podsumowanie rozważań na temat eksploracji nowych źródeł danych
- 5.5.1. Umiejętności badania nietypowych źródeł danych dla dowolnego projektu
- Podsumowanie
6. Dane kategoryczne
- 6.1. Praca z danymi kategorycznymi
- 6.1.1. Metody obsługi danych kategorycznych
- 6.1.2. Praca z danymi z ankiet
- 6.2. Projekt 5. Analiza ankiety badającej nastawienie programistów do narzędzi AI
- 6.2.1. Założenia projektu
- 6.2.2. Słownik danych
- 6.2.3. Oczekiwane rezultaty
- 6.2.4. Wymagane narzędzia
- 6.3. Zastosowanie metody zorientowanej na wyniki do analizy ankiety dla programistów
- 6.4. Przykładowe rozwiązanie: Jak programiści wykorzystują sztuczną inteligencję?
- 6.4.1. Analiza danych kategorycznych
- 6.4.2. Analiza danych kategorycznych z ankiet
- 6.4.3. Dotychczasowy postęp projektu
- Podsumowanie
7. Dane kategoryczne - metody zaawansowane
- 7.1. Powrót do Projektu 5. Analiza ankiety badającej nastawienie programistów do narzędzi AI
- 7.1.1. Słownik danych
- 7.1.2. Oczekiwane rezultaty
- 7.1.3. Podsumowanie dotychczasowych prac nad projektem
- 7.2. Zaawansowane metody analizy danych kategorycznych
- 7.2.1. Grupowanie wartości ciągłych w kategorie dyskretne
- 7.2.2. Stosowanie testów statystycznych do danych kategorycznych
- 7.2.3. Odpowiadanie na nowe pytanie od początku do końca
- 7.2.4. Wyniki projektu
- 7.3. Podsumowanie na temat danych kategorycznych
- 7.3.1. Umiejętności potrzebne do pracy z danymi kategorycznymi w dowolnym projekcie
- Podsumowanie
8. Szeregi czasowe - przygotowanie danych
- 8.1. Praca z szeregami czasowymi
- 8.1.1. Ukryta głębia szeregów czasowych
- 8.1.2. Jak pracować z szeregami czasowymi?
- 8.2. Projekt 6. Analiza szeregów czasowych w celu poprawy infrastruktury rowerowej
- 8.2.1. Problem
- 8.2.2. Słownik danych
- 8.2.3. Oczekiwane rezultaty
- 8.2.4. Wymagane narzędzia
- 8.3. Zastosowanie metody zorientowanej na wyniki do analizy danych o ruchu drogowym
- 8.4. Przykładowe rozwiązanie: Gdzie należy skupić się na ulepszeniach infrastruktury rowerowej?
- 8.4.1. Badanie dostępnych danych i wyodrębnianie szeregów czasowych
- 8.4.2. Dotychczasowy postęp projektu
- Podsumowanie
9. Szeregi czasowe - analiza danych
- 9.1. Powrót do projektu 6. Analiza szeregów czasowych w celu poprawy infrastruktury rowerowej
- 9.1.1. Opis problemu
- 9.1.2. Słownik danych
- 9.1.3. Oczekiwane rezultaty
- 9.2. Gdzie należy skupić się na poprawie infrastruktury rowerowej?
- 9.2.1. Analiza szeregów czasowych
- 9.2.2. Wnioski i zalecenia wynikłe z projektu
- 9.3. Podsumowanie: szeregi czasowe
- 9.3.1. Umiejętności potrzebne do pracy z danymi szeregów czasowych w dowolnym projekcie
- Podsumowanie
10. Szybkie prototypowanie - analiza danych
- 10.1. Proces szybkiego prototypowania
- 10.1.1. Przykład szybkiego prototypowania
- 10.2. Projekt 7. Stworzenie prototypu do analizy cen nieruchomości w Walii
- 10.2.1. Sformułowanie problemu
- 10.2.2. Słownik danych
- 10.2.3. Oczekiwane rezultaty
- 10.2.4. Wymagane narzędzia
- 10.3. Zastosowanie metody zorientowanej na wyniki w analizie danych dotyczących nieruchomości w Walii
- 10.4. Przykładowe rozwiązanie: budowa prototypu do analizy danych o cenach nieruchomości
- 10.4.1. Analiza danych przed prototypowaniem
- 10.4.2. Analiza aspektów geograficznych zbioru danych
- 10.4.3. Określanie sposobu prezentacji danych w prototypie
- 10.4.4. Dotychczasowy postęp projektu
- Podsumowanie
11. Szybkie prototypowanie - tworzenie dowodu koncepcji
- 11.1. Powrót do projektu 7. Budowa prototypu do analizy cen nieruchomości w Walii
- 11.1.1. Słownik danych
- 11.1.2. Oczekiwane rezultaty
- 11.1.3. Podsumowanie dotychczasowych prac nad projektem
- 11.2. Tworzenie dowodu koncepcji
- 11.2.1. Przygotowanie do budowy dowodu koncepcji
- 11.2.2. Wykorzystanie biblioteki streamlit do stworzenia dowodu koncepcji
- 11.2.3. Wyniki projektu i dalsze działania
- 11.3. Podsumowanie na temat szybkiego prototypowania pomysłów
- 11.3.1. Umiejętności szybkiego prototypowania w dowolnym projekcie
- Podsumowanie
12. Rozbudowa rozwiązania innego analityka - przygotowanie danych
- 12.1. Wyszukiwanie podobnych obiektów
- 12.2. Kontynuowanie pracy rozpoczętej przez kogoś innego
- 12.3. Projekt 8. Identyfikacja segmentów klientów na podstawie aktywności mobilnej
- 12.3.1. Opis problemu
- 12.3.2. Słownik danych
- 12.3.3. Pożądane rezultaty
- 12.3.4. Wymagane narzędzia
- 12.4. Zastosowanie metody zorientowanej na wyniki do stworzenia drugiej iteracji segmentacji klientów
- 12.5. Przykładowe rozwiązanie: tworzenie segmentów klientów
- 12.5.1. Odtwarzanie analizy innej osoby
- 12.5.2. Analiza danych o zdarzeniach w celu poznania zachowań klientów
- 12.5.3. Dotychczasowy postęp projektu
- Podsumowanie
13. Rozbudowa rozwiązania innego analityka - segmentacja użytkowników
- 13.1. Powrót do projektu 8. Identyfikacja segmentów klientów na podstawie aktywności mobilnej
- 13.1.1. Słownik danych
- 13.1.2. Oczekiwane wyniki
- 13.1.3. Podsumowanie dotychczasowych prac nad projektem
- 13.1.4. Segmentacja użytkowników mobilnych z użyciem grupowania
- 13.1.5. Wnioski i dalsze działania
- 13.2. Podsumowanie: segmentacja i grupowanie
- 13.2.1. Podsumowanie umiejętności przydatnych w każdym projekcie
- Podsumowanie
Dodatek. Instrukcje instalacji Pythona
- A.1. Instalacja Pythona
- A.2. Instalacja poetry
- A.3. Tworzenie środowiska wirtualnego
| Kategoria: | Raporty i Analizy |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-289-3309-5 |
| Rozmiar pliku: | 37 MB |
