Datová věda: Koncepty a praxe

Recenze čtenářů

Kniha poskytuje jasný a stručný úvod do prediktivní analytiky a datové vědy s využitím programu RapidMiner. Zatímco vysvětlení a výukové metody jsou chváleny, ke kvalitě tištěného materiálu, konkrétně k nedostatku barevných ilustrací, se objevují značné výtky.

⬤ Skvělá vysvětlení a příklady
⬤ celkově dobře napsané
⬤ výborná výuka základů datové vědy
⬤ jasné a stručné
⬤ pokrývá základní aspekty používání RapidMineru
⬤ vhodné pro začátečníky i pro obchodní perspektivu.

⬤ Tištěno černobíle, chybí barva u důležitých ilustrací
⬤ vnímáno jako tištěné spíše kvůli rentabilitě než kvalitě
⬤ některé diagramy jsou špatně vykreslené, což znehodnocuje obsah.

(na základě 7 hodnocení čtenářů)

Původní název:

Data Science: Concepts and Practice

Obsah knihy:

Naučte se základy datové vědy prostřednictvím snadno pochopitelného koncepčního rámce a ihned si vyzkoušejte práci s platformou RapidMiner. Ať už jste v datové vědě úplnými nováčky, nebo pracujete na svém desátém projektu, tato kniha vám ukáže, jak analyzovat data, odhalovat skryté vzorce a vztahy, které vám pomohou při důležitých rozhodnutích a předpovědích.

Datová věda se stala základním nástrojem pro získávání hodnoty z dat pro každou organizaci, která v rámci své činnosti shromažďuje, uchovává a zpracovává data. Tato kniha je ideální pro podnikové uživatele, datové analytiky, obchodní analytiky, inženýry a analytiky a pro každého, kdo pracuje s daty.

Budete schopni:

⬤ Získat potřebné znalosti o různých technikách datové vědy k získání hodnoty z dat.

⬤ Zvládnout koncepty a vnitřní fungování 30 běžně používaných výkonných algoritmů datové vědy.

⬤ Zavádět postup datové vědy krok za krokem pomocí RapidMineru, open source platformy pro datovou vědu založené na grafickém uživatelském rozhraní.

Zahrnuté techniky datové vědy: Vizualizace, rozhodovací stromy, indukce pravidel, k-nejbližší sousedé, Nave Bayesovské klasifikátory, umělé neuronové sítě, hluboké učení, podpůrné vektorové stroje, ansámblové modely, náhodné lesy, regrese, doporučovací stroje, asociační analýza, shlukování založené na K-Means a hustotě, samoorganizující se mapy, dolování textu, předpovídání časových řad, detekce anomálií, výběr prvků a další...