O autorach

O redaktorach technicznych

Podziękowania

Przedmowa

Wprowadzenie

CZĘŚĆ I. MYŚL JAK SPEC OD DANYCH

• ROZDZIAŁ 1. NA CZYM POLEGA PROBLEM?
  • PYTANIA, KTÓRE POWINIEN ZADAWAĆ SPEC OD DANYCH
    • Dlaczego problem jest ważny?
    • Na kogo wpływa ten problem?
    • Co, jeśli nie mamy właściwych danych?
    • Kiedy projekt się zakończy?
    • Co, jeśli nie spodobają nam się rezultaty?
  • DLACZEGO PROJEKTY ZWIĄZANE Z DANYMI KOŃCZĄ SIĘ NIEPOWODZENIEM?
    • Wrażenia klientów
    • Omówienie
  • PRACA NAD PROBLEMAMI, KTÓRE MAJĄ ZNACZENIE
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 2. CZYM SĄ DANE?
  • DANE A INFORMACJE
    • Przykładowy zbiór danych
  • TYPY DANYCH
  • JAK GROMADZI SIĘ DANE I JAKĄ MAJĄ STRUKTURĘ?
    • Dane obserwacyjne i eksperymentalne
    • Dane ustrukturyzowane i nieustrukturyzowane
  • PODSTAWOWE STATYSTYKI ZBIORCZE
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 3. PRZYGOTOWANIE DO MYŚLENIA STATYSTYCZNEGO
  • ZADAWAJ PYTANIA
  • WSZYSTKO JEST ZMIENNE
    • Scenariusz: wrażenia klientów (kontynuacja)
    • Studium przypadku: zachorowalność na raka nerki
  • PRAWDOPODOBIEŃSTWO I STATYSTYKA
    • Prawdopodobieństwo a intuicja
    • Odkrywanie informacji za pomocą statystyki
  • PODSUMOWANIE ROZDZIAŁU

CZĘŚĆ II. MÓW JAK SPEC OD DANYCH

• ROZDZIAŁ 4. POLEMIZUJ Z DANYMI
  • CO BYŚ ZROBIŁ(A)?
    • Katastrofa spowodowana brakiem danych
  • JAKA JEST HISTORIA POCHODZENIA DANYCH?
    • Kto zebrał dane?
    • Jak zebrano dane?
  • CZY DANE SĄ REPREZENTATYWNE?
    • Czy poprawnie dobrano próbę?
    • Co zrobiono z wartościami odstającymi?
  • JAKICH DANYCH NIE WIDZĘ?
    • Jak rozwiązano problem brakujących wartości?
    • Czy dane mogą zmierzyć to, co ma być mierzone?
  • POLEMIZUJ Z DANYMI KAŻDEJ WIELKOŚCI
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 5. EKSPLORUJ DANE
  • EKSPLORACYJNA ANALIZA DANYCH I TY
  • PRZYJMIJ NASTAWIENIE EKSPLORACYJNE
    • Pytania naprowadzające
    • Scenariusz
  • CZY DANE MOGĄ ODPOWIEDZIEĆ NA PYTANIE?
    • Określ oczekiwania i użyj zdrowego rozsądku
    • Czy wartości mają intuicyjny sens?
    • Uważaj! Wartości odstające i brakujące
  • CZY ODKRYLIŚCIE JAKIEŚ ZWIĄZKI?
    • Korelacja
    • Uważaj! Błędne interpretowanie korelacji
    • Uważaj! Korelacja nie implikuje przyczynowości
  • CZY ZNALEŹLIŚCIE W DANYCH NOWE MOŻLIWOŚCI?
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 6. BADAJ PRAWDOPODOBIEŃSTWA
  • ZGADNIJ ODPOWIEDŹ
  • REGUŁY GRY
    • Notacja
    • Prawdopodobieństwo warunkowe i zdarzenia niezależne
    • Prawdopodobieństwo wielu zdarzeń
  • ĆWICZENIE MYŚLOWE Z ZAKRESU PRAWDOPODOBIEŃSTWA
    • Następne kroki
  • UWAŻAJ Z ZAKŁADANIEM NIEZALEŻNOŚCI
    • Nie popełniaj błędu hazardzisty
  • WSZYSTKIE PRAWDOPODOBIEŃSTWA SĄ WARUNKOWE
    • Nie przestawiaj zależności
    • Twierdzenie Bayesa
  • UPEWNIJ SIĘ, ŻE PRAWDOPODOBIEŃSTWA MAJĄ ZNACZENIE
    • Kalibracja
    • Rzadkie zdarzenia mogą się zdarzać i się zdarzają
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 7. KWESTIONUJ STATYSTYKI
  • KRÓTKIE LEKCJE O WNIOSKOWANIU
    • Zostaw sobie trochę przestrzeni
    • Więcej danych, więcej dowodów
    • Kwestionuj status quo
    • Dowody na twierdzenie przeciwne
    • Równoważenie błędów decyzyjnych
  • PROCES WNIOSKOWANIA STATYSTYCZNEGO
  • PYTANIA, KTÓRE POMOGĄ CI KWESTIONOWAĆ STATYSTYKI
    • Jaki jest kontekst tych statystyk?
    • Jaki jest rozmiar próby?
    • Co testujecie?
    • Jaka jest hipoteza zerowa?
    • Jaki jest poziom istotności?
    • Ile przeprowadzacie testów?
    • Czy mogę zobaczyć przedziały ufności?
    • Czy jest to praktycznie istotne?
    • Czy zakładacie przyczynowość?
  • PODSUMOWANIE ROZDZIAŁU

CZĘŚĆ III. PRZYBORNIK SPECJALISTY DATA SCIENCE

• ROZDZIAŁ 8. W POSZUKIWANIU UKRYTYCH GRUP
  • UCZENIE NIENADZOROWANE
  • REDUKCJA WYMIAROWOŚCI
    • Tworzenie cech złożonych
  • ANALIZA SKŁADOWYCH GŁÓWNYCH
    • Składowe główne zdolności sportowych
    • Podsumowanie PCA
    • Potencjalne pułapki
  • KLASTERYZACJA
  • KLASTERYZACJA METODĄ K-ŚREDNICH
    • Klasteryzacja sklepów detalicznych
    • Potencjalne pułapki
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 9. MODEL REGRESJI
  • UCZENIE NADZOROWANE
  • JAK DZIAŁA REGRESJA LINIOWA?
    • Regresja metodą najmniejszych kwadratów: nie tylko pomysłowa nazwa
  • REGRESJA LINIOWA: CO CI DAJE?
    • Rozszerzanie modelu na wiele cech
  • REGRESJA LINIOWA: JAKIE POWODUJE NIEPOROZUMIENIA?
    • Pominięte zmienne
    • Współliniowość
    • Przeciek danych
    • Błędy ekstrapolacji
    • Relacje nie zawsze są liniowe
    • Wyjaśniasz czy przewidujesz?
    • Skuteczność regresji
  • INNE MODELE REGRESJI
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 10. MODEL KLASYFIKACJI
  • WPROWADZENIE DO KLASYFIKACJI
    • Czego się nauczysz?
    • Przykładowy problem klasyfikacj
  • REGRESJA LOGISTYCZNA
    • Regresja logistyczna - i co z tego?
  • DRZEWA DECYZYJNE
  • METODY ZESPOŁOWE
    • Lasy losowe
    • Drzewa wzmacniane gradientowo
    • Interpretowalność modeli zespołowych
  • STRZEŻ SIĘ PUŁAPEK
    • Złe podejście do problemu
    • Przeciek danych
    • Brak podziału danych
    • Wybór odpowiedniego progu decyzyjnego
  • BŁĘDNE ROZUMIENIE DOKŁADNOŚCI
    • Macierze błędów
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 11. ANALIZA TEKSTU
  • OCZEKIWANIA WOBEC ANALIZY TEKSTU
  • JAK TEKST STAJE SIĘ LICZBAMI
    • Wielki worek słów
    • N-gramy
    • Osadzenia słów
  • MODELOWANIE TEMATYCZNE
  • KLASYFIKACJA TEKSTU
    • Naiwny klasyfikator byesowski
    • Analiza odczuć
  • KWESTIE PRAKTYCZNE PODCZAS PRACY Z TEKSTEM
    • Giganci technologiczni mają przewagę
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 12. UCZENIE GŁĘBOKIE
  • SIECI NEURONOWE
    • Pod jakimi względami sieci neuronowe przypominają ludzki mózg?
    • Prosta sieć neuronowa
    • Jak uczy się sieć neuronowa?
    • Nieco bardziej złożona sieć neuronowa
  • ZASTOSOWANIA UCZENIA GŁĘBOKIEGO
    • Korzyści z uczenia głębokiego
    • Jak komputery "widzą" obrazy?
    • Konwolucyjne sieci neuronowe
    • Uczenie głębokie w języku i sekwencjach
  • UCZENIE GŁĘBOKIE W PRAKTYCE
    • Czy masz dane?
    • Czy Twoje dane są ustrukturyzowane?
    • Jak będzie wyglądać sieć?
  • SZTUCZNA INTELIGENCJA I TY
    • Giganci technologiczni mają przewagę
    • Etyka w uczeniu głębokim
  • PODSUMOWANIE ROZDZIAŁU

CZĘŚĆ IV. DROGA DO SUKCESU

• ROZDZIAŁ 13. STRZEŻ SIĘ PUŁAPEK
  • TENDENCYJNOŚĆ I DZIWNE ZJAWISKA W DANYCH
    • Błąd przeżywalności
    • Regresja do średniej
    • Paradoks Simpsona
    • Błąd konfirmacj
    • Błąd utopionych kosztów
    • Dyskryminacja algorytmiczna
    • Nieskategoryzowane przejawy tendencyjności
  • WIELKA LISTA PUŁAPEK
    • Pułapki związane ze statystyką i uczeniem maszynowym
    • Pułapki związane z projektem
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 14. ZNAJ LUDZI I OSOBOWOŚCI
  • SIEDEM SCENARIUSZY FIASKA KOMUNIKACYJNEGO
    • Post mortem
    • Wieczorynka
    • Głuchy telefon
    • W gąszczu szczegółów
    • Konfrontacja z rzeczywistością
    • Wrogie przejęcie
    • Egocentryk
  • OSOBOWOŚCI W ŚWIECIE DANYCH
    • Entuzjasta
    • Cynik
    • Spec od danych
  • PODSUMOWANIE ROZDZIAŁU
• ROZDZIAŁ 15. CO DALEJ?

• Назва: Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
• Автор: Alex J. Gutman, Jordan Goldmeier
• Оригінальна назва: Becoming a Data Head: How to Think, Speak and Understand Data Science, Statistics and Machine Learning
• Переклад: Grzegorz Werner
• ISBN: 978-83-289-0216-9, 9788328902169
• Дата видання: 2023-10-24
• Формат: Eлектронна книга
• Ідентифікатор видання: dascbi
• Видавець: Helion