Uczenie maszynowe
Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
- Szczegóły
- Kategoria: Uczenie maszynowe
Musisz spojrzeć prawdzie w oczy: epoka danych to nie tylko imponujące możliwości, ale również obietnice bez pokrycia. Firmy wdrażają rozwiązania, które mają je wyręczać w podejmowaniu decyzji. Menedżerowie zatrudniają analityków, którzy nimi nie są. Specjaliści w dziedzinie data science są zatrudniani w organizacjach, które nie są na nich gotowe. Dyrektorzy wysłuchują technicznego żargonu i udają, że go rozumieją. Efekt? Pieniądze idą w błoto.
Oto praktyczny przewodnik po nauce o danych w miejscu pracy. Dowiesz się stąd wszystkiego, co ważne na początku Twojej drogi jako danologa: od osobowości, z którymi przyjdzie Ci pracować, przez detale analizy danych, po matematykę stojącą za algorytmami i uczeniem maszynowym. Nauczysz się myśleć krytycznie o danych i otrzymanych wynikach, będziesz też inteligentnie o tym mówić. Jednym zdaniem: zrozumiesz dane i związane z nimi wyzwania na głębszym, profesjonalnym poziomie.
To książka dla każdego, kto chce przestawić firmę na tory data science.
Eric Weber,
kierownik ds. eksperymentów i badań metrycznych, Yelp
Naucz się:
- myśleć statystycznie i rozumieć rolę zmienności w podejmowaniu decyzji,
- zadawać właściwe pytania na temat statystyk i wyników analiz,
- sensownie korzystać z rozwiązań uczenia maszynowego i sztucznej inteligencji,
- unikać typowych błędów podczas pracy z danymi i ich interpretowania.
Data science? Odsiejesz piasek od złota!
Dr Alex J. Gutman jest adiunktem w Instytucie Technicznym Wojsk Lotniczych, specjalistą z zakresu data science i instruktorem biznesowym.
Jordan Goldmeier jest światowej klasy ekspertem w dziedzinie analityki i wizualizacji danych, a także autorem książek. Od sześciu lat otrzymuje nagrodę Excel MVP. Jest również wolontariuszem ratownictwa medycznego.
- Spark. Rozproszone uczenie maszynowe na dużą skalę. Jak korzystać z MLlib, TensorFlow i PyTorch - [08 sierpień 2024]
- Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV - [05 czerwiec 2024]
- Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko - [28 maj 2024]
- Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - [24 kwiecień 2024]
- Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku - [13 luty 2024]