POLECAMY
Koszyk
Kluczowe kompetencje specjalisty danych
Jak pracować z danymi i zrobić karierę
Autor:
Wydawca:
Format:
epub, mobi, ibuk
Data Science szturmem zdobyło nowe obszary – wszystko jest większe, szybsze i lepsze. Większe możliwości obliczeniowe wprowadziły uczenie maszynowe i głębokie uczenie maszynowe na rynek. Tworzenie sztucznych sieci neuronowe jest znacznie prostsze. Sztuczna inteligencja zrewolucjonizowała wiele branż. Rozwój technologii byłby niemożliwy bez Data Science. Poznanie podstaw tej nauki otwiera wiele drzwi, bo specjaliści danych potrzebni są w wielu dziedzinach. Data Science jest wyjątkowo obiecującym obszarem prac i badań.
Jeśli chcesz zrobić krok w stronę swojej kariery w Data Science, książka Kluczowe kompetencje specjalisty danych jest dla Ciebie. Jest to publikacja, która w sposób kompleksowy omawia takie kwestie jak:
• gromadzenie danych,
• przygotowanie danych,
• analiza danych,
• wizualizacja danych,
• prezentacja danych.
Część I wprowadzi Cię w świat wszechobecnych danych i najważniejszych zasad Data Science, które pomogą Ci pogłębić posiadaną wiedzę. Część II przeprowadzi Cię przez etap gromadzenia i analizy danych. W Części III dowiesz się, jak najlepiej zwizualizować i zaprezentować wyniki swojej pracy.
| Rok wydania | 2021 |
|---|---|
| Liczba stron | 270 |
| Kategoria | Bazy danych |
| Wydawca | Wydawnictwo Naukowe PWN |
| Tłumaczenie | Marcin Szeliga |
| ISBN-13 | 978-83-01-21655-9 |
| Numer wydania | 1 |
| Język publikacji | polski |
| Informacja o sprzedawcy | ePWN sp. z o.o. |
Ciekawe propozycje
Spis treści
| Spis rysunków IX | |
| Bonus dla Czytelników XII | |
| Podziękowania XIII | |
| Wstęp 1 | |
| CZĘŚĆ I „O co w tym chodzi?” Najważniejsze zasady Data Science | 3 |
| Dokąd zmierzamy | 4 |
| Przyszłość to dane | 5 |
| Hamowanie postępu | 5 |
| 01 Definicja danych | 7 |
| Dane są wszędzie | 8 |
| Wielkość (danych) ma znaczenie | 9 |
| Przechowywanie i przetwarzanie danych | 11 |
| Dane mają moc tworzenia .13 | |
| Użycie danych | 15 |
| Dlaczego właśnie teraz dane stały się ważne | 16 |
| Martwienie się nic nie da | 18 |
| Bibliografia | 21 |
| 02 Jak dane spełniają nasze potrzeby | 22 |
| Wszechobecność danych | 22 |
| Data Science a potrzeby fizjologiczne | 23 |
| Data Science a potrzeby bezpieczeństwa | 25 |
| Data Science a potrzeby przynależności i miłości | 28 |
| Data Science a samorealizacja | 32 |
| Data Science a samodoskonalenie | 32 |
| Kilka słów podsumowania | 33 |
| Bibliografia | 34 |
| 03 Sztuczna inteligencja a nasza przyszłość | 36 |
| Czym jest sztuczna inteligencja? | 36 |
| Silna sztuczna inteligencja | 37 |
| Słaba sztuczna inteligencja | 38 |
| Robotyka i automatyzacja procesów | 38 |
| Rozpoznawanie obrazów | 40 |
| Przetwarzanie języka naturalnego | 42 |
| Uczenie ze wzmocnieniem oraz uczenie głębokie | 44 |
| Ciemna strona sztucznej inteligencji | 45 |
| Przygotuj się na część II | 53 |
| Bibliografia | 54 |
| CZĘŚĆ II „Gdzie i jak je znajdę?” Gromadzenie i analiza danych 57 | |
| Proces Data Science | 58 |
| Pierwsze kroki | 61 |
| 04 Określenie problemu | 65 |
| Spójrz mamo, nie ma danych! | 66 |
| Jak rozwiązać taki problem, jak… | 67 |
| Pilnowanie czasu | 79 |
| Sztuka mówienia nie | 80 |
| Naprzód! | 81 |
| Bibliografia | 81 |
| 05 Przygotowanie danych 82 | |
| Spraw, żeby dane zaczęły mówić | 82 |
| Z wielką władzą wiąże się wielka odpowiedzialność | 83 |
| Przygotuj dane do podróży | 85 |
| Bibliografia | 100 |
| 06 Klasyczna analiza danych 101 | |
| Nie pomiń tego kroku | 101 |
| Klasyfikacja i analiza skupień | 103 |
| Klasyfikacja | 103 |
| Drzewa decyzyjne | 104 |
| Lasy losowe | 107 |
| Algorytm k najbliższych są | 111 |
| Naiwny klasyfikator Bayesa | 115 |
| Klasyfikacja przy użyciu klasyfikatora Bayesa | 120 |
| Regresja logistyczna | 125 |
| Analiza skupień | 134 |
| Algorytm grupowania metodą k-średnich | 134 |
| Grupowanie hierarchiczne | 144 |
| Bibliografia | 149 |
| 07 Nowoczesna analiza danych 150 | |
| Uczenie ze wzmocnieniem | 150 |
| Problem wielorękiego bandyty | 152 |
| Algorytm UCB | 157 |
| Próbkowanie Thompsona | 164 |
| Który algorytm jest lepszy – próbkowanie Thompsona czy UCB? | 171 |
| Głębokie uczenie maszynowe | 173 |
| Ustalanie wag – jak uczą się sztuczne sieci neuronowe | 185 |
| Przyszłość analizy danych | 188 |
| Bibliografia | 188 |
| CZĘŚĆ III „Jak to przedstawić?” Opowiadanie o danych | 189 |
| Jak dobrze wyglądać | 189 |
| Jeszcze nie skończyliśmy! | 190 |
| Akcelerator kariery | 190 |
| 08 Wizualizacja danych | 191 |
| Czym jest analiza wizualna? | 191 |
| Czym jest wizualizacja danych? | 196 |
| Mówienie językiem wizualnym | 197 |
| Kroki tworzenia atrakcyjnych wizualizacji | 199 |
| Uwagi końcowe | 205 |
| Bibliografia | 208 |
| Idąc o krok dalej. Typy wykresów | 209 |
| 09 Prezentacja danych 221 | |
| Znaczenie opowieści | 221 |
| Powołanie rzecznika danych | 223 |
| Jak stworzyć świetną prezentację | 224 |
| Koniec procesu Data Science | 233 |
| Bibliografia | 233 |
| 10 Twoja kariera specjalisty danych | 234 |
| Wejście do świata Data Science | 234 |
| Ubieganie się o pracę | 244 |
| Przygotowanie do rozmowy kwalifikacyjnej | 245 |
| Przeprowadzanie wywiadu | 247 |
| Dbanie o rozwój firmowej kariery | 248 |
| Bibliografia | 2 |
| indeks | 251 |
KUP NA PREZENT
Kluczowe kompetencje specjalisty danych
50,40 zł
Uzupełnij informacje na temat odbiorcy.
Produkt został pomyślnie dodany do koszyka.
Nieudana próba zakupu produktu. Spróbuj jeszcze raz.
Wypożyczaj w abonamencie!
Już od 2,66 zł za ebooka
