Uczenie maszynowe
Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku
- Szczegóły
- Kategoria: Uczenie maszynowe
Biznesowa analiza danych jest ważną umiejętnością, jednak większość służących do tego narzędzi informatycznych nie zapewnia wglądu w mechanizmy swojej pracy. Utrudnia to zrozumienie, na czym polega eksploracja danych. W wypadku niezbyt dużych zbiorów danych znakomitym rozwiązaniem jest program MS Excel. Udostępnia on wyspecjalizowane funkcje, dzięki którym analizę i wizualizację danych można wykonywać krok po kroku, zapoznając się z każdym etapem tego procesu.
Tę książkę docenią wszyscy zainteresowani eksploracją danych i uczeniem maszynowym, którzy chcieliby pewnie poruszać się w świecie nauki o danych. Pokazano tu, w jaki sposób Excel pozwala zobrazować proces ich eksplorowania i jak działają poszczególne techniki w tym zakresie.
Przejrzyście wyjaśniono metody eksploracji danych, a następnie zaprezentowano procedurę budowania ich implementacji w Excelu. Nawet tak złożone zagadnienia, jak algorytmy uczenia maszynowego, zostały wytłumaczone nadzwyczaj przystępnie. Przewodnik został pomyślany tak, aby umożliwić aktywne zdobywanie wiedzy, a niejako przy okazji podnieść umiejętności w posługiwaniu się arkuszem kalkulacyjnym na wyższy poziom.
Dzięki książce poznasz i zrozumiesz:
- zasady eksploracji danych,
- teoretyczne podstawy różnych metod eksploracji danych,
- tajniki algorytmów uczenia maszynowego,
- techniki kreatywnego korzystania z formuł i funkcji Excela,
- dostępne w Excelu narzędzia, szczególnie przydatne w praktyce eksploracji danych.
Wraz z Excelem odkryjesz tajemnice eksploracji danych!
Dr Hong Zhou od kilkunastu lat wykłada informatykę i matematykę na University of Saint Joseph w West Hartford w stanie Connecticut. Jego zainteresowania badawcze obejmują bioinformatykę, eksplorację danych, agenty i łańcuchy bloków. Przed objęciem katedry pracował jako programista Javy w Dolinie Krzemowej.
- 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]
- Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym - [26 październik 2023]
- Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP - [16 sierpień 2023]