Оглавление
Кирилл Еременко. Работа с данными в любой сфере
Бонус для читателей
Введение
Но я абсолютный новичок
Эй, а где код?
Как пользоваться этой книгой
Часть первая «Что это?» Ключевые принципы
01. Определение данных
Данные повсеместны
Большие данные прекрасны
Хранение и обработка данных
Данные могут генерировать контент
Использование данных
Почему данные важны сейчас
Беспокойство ни к чему не приводит
02. Как данные удовлетворяют наши потребности
Проникновение данных
Наука о данных и физиология
Наука о данных и безопасность
Наука о данных и принадлежность
Наука о данных и признание
Наука о данных и самореализация
Заключительные размышления
03. Мышление, необходимое для эффективного анализа данных
1. Выберите правильное место, чтобы начать
2. Напрягите творческие мышцы
3. Используйте свое прошлое
4. Практика ведет к совершенству
5. Помните об этике
Часть вторая «Когда и где я могу получить их?» Сбор и анализ данных
04. Сформулируйте вопрос
Смотри, мама, никаких данных!
Как решить такую проблему, как…
1. Поймите проблему
2. Изучить отрасль
3. Думайте как консультант
4. Осознайте ограничения
5. Проведите майнинг данных (по желанию)
6. Уточните проблему
7. Соберите дополнительные данные
8. Проинформируйте заинтересованные стороны[29]
Соблюдение графика
Искусство говорить «нет»
05. Подготовка данных
Как заставить данные говорить
С большими возможностями приходит большая ответственность
Подготовка данных к путешествию
Очистка данных
1. Извлеките данные
2. Преобразуйте ваши данные
3. Загрузите данные
06. Анализ данных (часть I)
Не пропустите этот шаг
Классификация или кластеризация?
Классификация
Деревья решений
Случайный лес
Метод k-ближайших соседей (k-NN)
Наивный байесовский классификатор
Полицейские проверки и теорема Байеса
Формула Байеса
Использование наивного байесовского классификатора
Построение наивного байесовского классификатора
Логистическая регрессия
Кластеризация
Алгоритм k-средних
Иерархическая кластеризация
07. Анализ данных (часть II)
Обучение с подкреплением
Задача о «многоруком бандите»
Верхняя доверительная граница
Выборка Томпсона
Верхняя доверительная граница vs выборка Томпсона: что предпочтительнее?
Будущее анализа данных
Часть третья «Как я могу это показать?» Представление данных
Хорошее впечатление
Вы еще не закончили!
Выбор карьеры
08. Визуализация данных
Что такое визуальный анализ данных?
Суть визуализации данных
Говорить на визуальном языке
Построение привлекательных визуальных элементов
Заключительные размышления
09. Презентация данных
Важность повествования
Формирование позитивного отношения к данным
Как подготовить убойную презентацию
1. Подготовьте структуру
2. Соберите иллюстративные материалы
3. Знайте свою аудиторию
4. Прямо укажите проблему…
5. …Затем покажите преимущества
6. Говорите понятным языком
7. Расскажите свою историю
8. Подготовьте слайды (по желанию)
9. Практика, практика, практика
Завершение процесса
10. Ваша карьера в науке о данных
Вхождение в профессию
Кем работать?
В какой области?
Что еще?
Заявление о приеме на работу
Подготовка к собеседованию
Расспросите работодателей
Развитие карьеры в компании
Благодарности
Литература
Отрывок из книги
Спасибо, что выбрали эту книгу. Вы сделали огромный шаг на пути в науку о данных.
Получите бесплатный доступ к моему курсу A-Z Data Science. Просто зайдите на сайт www.superdatascience.com/bookbonus и используйте пароль datarockstar.
.....
Теперь, когда мы разобрались, что такое данные, нужно по-другому взглянуть на то, где и как они фактически хранятся. Мы уже продемонстрировали наш широкомасштабный потенциал создания данных (это «выхлопные данные») и пояснили, что, трактуя их как единицу информации, мы создаем очень широкую концепцию того, что понимается под данными. Итак, если они где-то рядом, где все это происходит?
К настоящему времени вам, вероятно, доводилось слышать термин «большие данные». Проще говоря, большие данные – это название, присвоенное массивам данных со столбцами и строками, которых настолько много, что они не могут быть обработаны обычным аппаратным и программным обеспечением в течение разумного промежутка времени. По этой причине сам термин является динамичным – то, что расценивалось как большие данные в 2015 г., уже не будет считаться большими данными в 2020-м, поскольку к тому времени будут разработаны технологии, легко справляющиеся с подобными объемами.
.....
