Recenzie čitateľov
Zhrnutie:Kniha je komplexným zdrojom informácií pre začínajúcich dátových vedcov, ponúka jasné vysvetlenia, praktické príklady a užitočné cvičenia na kódovanie. Pokrýva celý rad tém od základnej práce s údajmi až po pokročilé techniky strojového učenia, takže je vhodná aj pre začiatočníkov s určitými znalosťami jazyka Python.
Výhody:⬤ Ľahko sa číta a je zrozumiteľná
⬤ dobre štruktúrované kapitoly s jasnými vysvetleniami
⬤ praktické príklady kódu v jazyku Python
⬤ premosťuje priepasť medzi teóriou a praxou
⬤ informatívne časti o moderných technikách strojového učenia, metrikách a skreslených údajoch
⬤ cenné pre vybudovanie pevných základov v dátovej vede.
Nevýhody:Kapitoly o pokročilej štatistike a pravdepodobnosti môžu čitateľom, ktorí očakávajú komplexnejšie pokrytie, chýbať do hĺbky; môžu predpokladať určitú úroveň predchádzajúcich znalostí v oblasti dátovej vedy.
(na základe 4 čitateľských recenzií)
Pôvodný názov:
Principles of Data Science - Third Edition: A beginner's guide to essential math and coding skills for data fluency and machine learning
Obsah knihy:
Transformujte svoje údaje na poznatky pomocou nevyhnutných techník a matematických konceptov, aby ste odhalili tajomstvá ukryté vo vašich údajoch Kľúčové vlastnosti Naučte sa praktickú dátovú vedu v kombinácii s dátovou teóriou, aby ste z údajov získali maximum poznatkov Objavte metódy na nasadenie použiteľných potrubí strojového učenia a zároveň zmiernite skreslenia v údajoch a modeloch Preskúmajte použiteľné prípadové štúdie, aby ste mohli svoje nové zručnosti okamžite využiť Kúpa tlačenej knihy alebo knihy pre Kindle zahŕňa bezplatnú elektronickú knihu vo formáte PDF Popis knihy
Princípy dátovej vedy spájajú matematiku, programovanie a obchodnú analýzu, čím vám umožnia sebavedomo klásť a riešiť zložité otázky týkajúce sa údajov a vytvárať efektívne potrubia strojového učenia. Táto kniha vás vybaví nástrojmi na transformáciu abstraktných pojmov a surových štatistických údajov na využiteľné poznatky.
Začnete čistením a prípravou, preskúmate účinné stratégie a techniky dolovania údajov a potom prejdete k vytváraniu uceleného obrazu o tom, ako do seba zapadajú všetky časti skladačky dátovej vedy. V celej knihe objavíte štatistické modely, pomocou ktorých môžete ovládať a navigovať aj tie najhustejšie alebo najredšie súbory údajov, a naučíte sa vytvárať účinné vizualizácie, ktoré sprostredkujú príbehy skryté vo vašich údajoch.
Toto vydanie sa zameriava na aplikácie a zahŕňa pokročilé transferové učenie a predtrénované modely pre úlohy NLP a videnia. Osvojíte si pokročilé techniky na zmiernenie algoritmickej zaujatosti v údajoch aj modeloch a riešenie driftu modelov a údajov. Nakoniec preskúmate správu údajov na strednej úrovni vrátane pôvodu údajov, ochrany súkromia a spracovania požiadaviek na vymazanie.
Na konci tejto knihy o vede o údajoch sa naučíte základy výpočtovej matematiky a štatistiky a zároveň sa budete orientovať v zložitých mechanizmoch modernej ML a veľkých predtrénovaných modeloch, ako sú GPT a BERT. Čo sa naučíte Zvládnite základné kroky dátovej vedy prostredníctvom praktických príkladov Preklenite priepasť medzi matematikou a programovaním pomocou pokročilej štatistiky a ML Využite pravdepodobnosť, kalkul a modely na efektívnu kontrolu údajov Preskúmajte transformatívnu modernú ML s veľkými jazykovými modelmi Vyhodnocujte úspešnosť ML pomocou efektívnych metrík a MLOps Vytvárajte presvedčivé vizuály, ktoré sprostredkujú využiteľné poznatky Kvantifikujte a zmierňujte skreslenia v údajoch a modeloch ML Pre koho je táto kniha určená
Ak ste začínajúci dátový vedec a túžite rozšíriť svoje vedomosti, táto kniha je určená práve vám. Či už máte základné matematické zručnosti a chcete ich uplatniť v oblasti dátovej vedy, alebo vynikáte v programovaní, ale chýbajú vám potrebné matematické základy, táto kniha vám bude užitočná. Oboznámenie sa s programovaním v jazyku Python ešte viac umocní váš zážitok z učenia. Obsah Terminológia dátovej vedy Typy údajov Päť krokov dátovej vedy Základy matematiky Nemožné alebo nepravdepodobné - jemný úvod do pravdepodobnosti Pokročilá pravdepodobnosť Aké sú šance? Úvod do štatistiky Pokročilá štatistika Komunikovanie údajov Ako zistiť, či sa váš hriankovač učí - Základy strojového učenia Predpovede nerastú na stromoch, alebo áno? Úvod do transferového učenia a vopred natrénovaných modelov Zmierňovanie algoritmického skreslenia a riešenie driftu modelov a údajov Riadenie umelej inteligencie Navigácia v reálnom svete Prípadové štúdie dátovej vedy v praxi
