Dátová veda: Koncepty a prax

Recenzie čitateľov

Kniha poskytuje jasný a stručný úvod do prediktívnej analytiky a dátovej vedy s využitím programu RapidMiner. Zatiaľ čo vysvetlenia a metódy výučby sú chválené, existuje značná kritika týkajúca sa kvality tlačeného materiálu, konkrétne nedostatku farieb v ilustráciách.

⬤ Skvelé vysvetlenia a príklady
⬤ celkovo dobre napísané
⬤ výborná výučba základov dátovej vedy
⬤ prehľadné a stručné
⬤ pokrýva podstatné aspekty používania RapidMineru
⬤ vhodné pre začiatočníkov aj pre biznis perspektívu.

⬤ Vytlačené čiernobielo, chýba farba na dôležitých ilustráciách
⬤ vnímané ako vytlačené skôr kvôli rentabilite než kvalite
⬤ niektoré diagramy sú zle vykreslené, čo znehodnocuje obsah.

(na základe 7 čitateľských recenzií)

Pôvodný názov:

Data Science: Concepts and Practice

Obsah knihy:

Naučte sa základy dátovej vedy prostredníctvom ľahko pochopiteľného koncepčného rámca a okamžite si precvičte používanie platformy RapidMiner. Či už ste v dátovej vede úplný nováčik, alebo pracujete na svojom desiatom projekte, táto kniha vám ukáže, ako analyzovať údaje, odhaľovať skryté vzory a vzťahy, ktoré vám pomôžu pri dôležitých rozhodnutiach a predpovediach.

Dátová veda sa stala základným nástrojom na získavanie hodnoty z údajov pre každú organizáciu, ktorá v rámci svojej činnosti zhromažďuje, uchováva a spracováva údaje. Táto kniha je ideálna pre podnikových používateľov, dátových analytikov, obchodných analytikov, inžinierov a analytikov a pre každého, kto pracuje s údajmi.

Budete môcť:

⬤ Získať potrebné znalosti o rôznych technikách dátovej vedy na získavanie hodnoty z údajov.

⬤ Ovládnuť koncepty a vnútorné fungovanie 30 bežne používaných výkonných algoritmov dátovej vedy.

⬤ Vykonať krok za krokom proces dátovej vedy pomocou RapidMineru, open source platformy dátovej vedy založenej na grafickom rozhraní.

Pokryté techniky dátovej vedy: Vizualizácia, rozhodovacie stromy, indukcia pravidiel, k-najbližší susedia, Nave Bayesovské klasifikátory, umelé neurónové siete, hlboké učenie, podporné vektorové stroje, ansámblové modely, náhodné lesy, regresia, odporúčacie motory, asociačná analýza, K-Means a zhlukovanie na základe hustoty, samoorganizujúce mapy, dolovanie textu, predpovedanie časových radov, detekcia anomálií, výber prvkov a ďalšie.