Thinking Data Science: Príručka pre praktikov v oblasti dátovej vedy

Pôvodný názov:

Thinking Data Science: A Data Science Practitioner's Guide

Obsah knihy:

Tento definitívny sprievodca projektmi strojového učenia odpovedá na problémy, s ktorými sa začínajúci alebo skúsený dátový vedec často stretáva: Neviete, akú technológiu použiť na vývoj ML? Mám použiť GOFAI, ANN/DNN alebo transferové učenie? Môžem sa pri vývoji modelu spoľahnúť na AutoML? Čo ak mi klient poskytne gigabajty a terabajty údajov na vývoj analytických modelov? Ako mám spracovať dynamické súbory údajov s vysokou frekvenciou? Táto kniha poskytuje odborníkovi z praxe konsolidáciu celého procesu vedy o údajoch v jednom "Cheat Sheet".

Úlohou dátového vedca je získať zmysluplné informácie z obrovských súborov údajov, ktoré pomôžu vytvoriť lepšie stratégie pre podniky. Mnohé algoritmy strojového učenia a neurónové siete sú navrhnuté na analýzu takýchto súborov údajov.

Pre dátového vedca je náročné rozhodnúť sa, ktorý algoritmus použiť pre daný súbor údajov. Hoci na túto otázku neexistuje jediná odpoveď, je potrebný systematický prístup k riešeniu problémov. Táto kniha koncepčne opisuje rôzne ML algoritmy a definuje/rozoberá postup pri výbere ML/DL modelov.

Konsolidácia dostupných algoritmov a techník na navrhovanie efektívnych ML modelov je kľúčovým aspektom tejto knihy. Kniha Thinking Data Science pomôže praktizujúcim dátovým vedcom, akademikom, výskumníkom a študentom, ktorí chcú vytvárať ML modely pomocou vhodných algoritmov a architektúr, či už ide o malé alebo veľké dáta.