Book description
To unikalny podręcznik, który pomoże Ci sprawnie opanować nawet najtrudniejsze zagadnienia związane z analizą danych. Dowiedz się, jak zbudowany jest proces eksploracji danych, z jakich narzędzi możesz skorzystać oraz jak stworzyć model predykcyjny i dopasować go do danych. W kolejnych rozdziałach przeczytasz o tym, czym grozi nadmierne dopasowanie modelu i jak go unikać oraz jak wyciągać wnioski metodą najbliższych sąsiadów. Na koniec zaznajomisz się z możliwościami wizualizacji skuteczności modelu oraz odkryjesz związek pomiędzy nauką o danych a strategią biznesową. To obowiązkowa lektura dla wszystkich osób chcących podejmować świadome decyzje na podstawie posiadanych danych!
Table of contents
- Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji
- Dedykacja
- Opinie o książce
- Przedmowa
-
1. Wstęp: myślenie w kategoriach analityki danych
- Wszechobecność możliwości pozyskiwania danych
- Przykład: huragan Frances
- Przykład: prognozowanie odpływu klientów
- Nauka o danych, inżynieria i podejmowanie decyzji na podstawie danych
- Przetwarzanie danych i Big Data
- Od Big Data 1.0 do Big Data 2.0
- Dane i potencjał nauki o danych jako aktywa strategiczne
- Myślenie w kategoriach analityki danych
- Nasza książka
- Eksploracja danych i nauka o danych, nowe spojrzenie
- Chemia to nie probówki: nauka o danych kontra praca badacza danych
- Podsumowanie
- 2. Problemy biznesowe a rozwiązania z zakresu nauki o danych
- 3. Wprowadzenie do modelowania predykcyjnego: od korelacji do nadzorowanej segmentacji
- 4. Dopasowywanie modelu do danych
-
5. Nadmierne dopasowanie i jego unikanie
- Generalizacja
- Nadmierne dopasowanie („przeuczenie”)
- Badanie nadmiernego dopasowania
- Przykład: nadmierne dopasowanie funkcji liniowych
- * Przykład: dlaczego nadmierne dopasowanie jest niekorzystne?
- Od ewaluacji danych wydzielonych do sprawdzianu krzyżowego
- Zbiór danych dotyczących odpływu abonentów — nowe spojrzenie
- Krzywe uczenia się
- Unikanie nadmiernego dopasowania i kontrola złożoności
- Podsumowanie
-
6. Podobieństwo, sąsiedzi i klastry
- Podobieństwo i odległość
- Wnioskowanie metodą najbliższych sąsiadów
- Kilka istotnych szczegółów technicznych dotyczących podobieństw i sąsiadów
- Klastrowanie
- Krok wstecz: rozwiązywanie problemu biznesowego kontra eksploracja danych
- Podsumowanie
- 7. Myślenie w kategoriach analityki decyzji I: co to jest dobry model?
- 8. Wizualizacja skuteczności modelu
- 9. Dowody i prawdopodobieństwa
- 10. Reprezentacja i eksploracja tekstu
- 11. Myślenie w kategoriach analityki decyzji II: w kierunku inżynierii analitycznej
-
12. Inne zadania i techniki nauki o danych
- Współwystąpienia i zależności: znajdowanie elementów, które idą w parze
- Profilowanie: znajdowanie typowego zachowania
- Predykcja połączeń i rekomendacje społecznościowe
- Redukcja danych, informacje ukryte i rekomendacje filmów
- Stronniczość, wariancja i metody zespalania
- Oparte na danych wyjaśnianie przyczynowe i przykład marketingu wirusowego
- Podsumowanie
-
13. Nauka o danych i strategia biznesowa
- Myślenie w kategoriach analityki danych, raz jeszcze
- Osiąganie przewagi konkurencyjnej przy pomocy nauki o danych
- Utrzymywanie przewagi konkurencyjnej przy pomocy nauki o danych
- Pozyskiwanie badaczy danych i ich zespołów oraz opieka nad nimi
- Badanie studiów przypadku z zakresu nauki o danych
- Gotowość do przyjmowania kreatywnych pomysłów z każdego źródła
- Gotowość do oceny propozycji projektów z zakresu nauki o danych
- Dojrzałość firmy w sferze nauki o danych
- 14. Zakończenie
- A. Przewodnik dotyczący oceny propozycji
- B. Jeszcze jedna przykładowa propozycja
-
C. Słowniczek
- A priori
- Atrybut (pole, zmienna, funkcja)
- Brak wartości
- Cecha
- Czułość
- Czyszczenie/oczyszczanie danych
- Dokładność (stopa błędu)
- Eksploracja danych (data mining)
- Indukcja
- KDD
- Klasa (etykieta)
- Klasyfikator
- Koszt (użyteczność/strata/opłacalność)
- Krotka
- Macierz pomyłek
- Model
- Odkrywanie wiedzy
- Odkrywanie zależności
- OLAP (MOLAP, ROLAP)
- Pokrycie (coverage)
- Pole
- Próbka i.i.d.
- Przykład
- Rekord
- Schemat
- Specyficzność
- Sprawdzian krzyżowy
- Stopa błędu
- Strata
- Uczenie maszynowe
- Uczenie nadzorowane
- Uczenie nienadzorowane
- Użyteczność
- Wdrożenie modelu
- Wektor cech (rekord, krotka)
- Wymiar
- Wystąpienie (przykład, przypadek, rekord)
- Zbiór danych
- Bibliografia
- D. O autorach
- Indeks
- Copyright
Product information
- Title: Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji
- Author(s):
- Release date: November 2014
- Publisher(s): Helion
- ISBN: 97888324696130
You might also like
book
Podstawy architektury oprogramowania dla inżynierów
Oto kompleksowy przewodnik po nowych aspektach architektury oprogramowania. Skorzysta z niego zarówno praktykujący architekt, chcący odświeżyć …
book
Mózg. Nieoficjalny podr?cznik
Sekretne ?ycie Twojego mózgu -- czyli mroczna podró? w g??b galaretowatej masy komórek Co Twój mózg …
book
Podstawy wizualizacji danych
Ten poradnik pomoże Ci uniknąć często spotykanych problemów z wizualizacją danych. Zawiera wskazówki, dzięki którym szybko …
book
Uczenie maszynowe w Pythonie
Z tego zwięzłego przewodnika po technikach uczenia maszynowego opartego na strukturalnych danych skorzystają programiści, badacze, osoby …