Przedmowa

Część I. Techniki analityki danych

Rozdział 1. I co z tego? Generowanie wartości dzięki danologii

• Czym jest wartość?
• "Co?", czyli zrozumieć biznes
• "Co z tego?", czyli istota generowania wartości dzięki danologii
• "Co teraz?", czyli bądź przebojowy
• Pomiar wartości
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 2. Projektowanie wskaźników

• Pożądane właściwości wskaźników
  • Mierzalność
  • Możliwość podejmowania działań
  • Trafność
  • Aktualność
• Dekompozycja wskaźników
  • Lejek analityczny
  • Dekompozycje przepływów i zapasów
  • Dekompozycje typu P×Q
• Przykład: inny sposób dekompozycji przychodów
• Przykład: platformy sprzedażowe
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 3. Dekompozycje wzrostu - zrozumienie przeszkód i sprzyjających czynników

• Dlaczego dekompozycje wzrostu?
• Dekompozycja addytywna
  • Przykład
  • Interpretacja i przypadki użycia
• Dekompozycja multiplikatywna
  • Przykład
  • Interpretacja
• Dekompozycja zmian wag i wartości
  • Przykład
  • Interpretacja
• Wyprowadzanie równań matematycznych
  • Dekompozycja addytywna
  • Dekompozycja multiplikatywna
  • Dekompozycja mix-rate
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 4. Projekty 2×2

• Argumenty za upraszczaniem
• Czym jest projekt 2×2?
• Przykład: testowanie modelu i nowej cechy
• Przykład: zrozumienie zachowań użytkownika
• Przykład: udzielanie i akceptacja ofert kredytów
• Przykład: ustalanie priorytetów w procesie pracy
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 5. Tworzenie uzasadnienia biznesowego

• Wybrane zasady tworzenia uzasadnień biznesowych
• Przykład: proaktywna strategia zatrzymywania klientów
• Zapobieganie oszustwom
• Zakup zewnętrznych zbiorów danych
• Praca nad projektem z obszaru danologii
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 6. Czym jest wskaźnik przyrostu?

• Definicja wskaźnika przyrostu
• Przykład: model klasyfikatora
• Błędy wynikające z samoselekcji i przeżywalności
• Inne zastosowania wskaźników przyrostu
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 7. Narracje

• Co kryje się w narracji? Opowiadanie historii za pomocą danych
  • Jasna i rzeczowa
  • Wiarygodność
  • Zapadająca w pamięć
  • Możliwość podejmowania działań
• Tworzenie narracji
  • Nauka jako opowiadanie historii
  • "Co?", "co z tego?" i "co teraz?"
• Ostatnia prosta
  • Streszczenia TL;DR
  • Wskazówki dotyczące pisania zapadających w pamięć streszczeń TL;DR
  • Przykład: pisanie streszczenia TL;DR tego rozdziału
  • Skuteczne krótkie prezentacje
  • Prezentowanie narracji
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 8. Wizualizacje danych - wybór właściwego wykresu do przekazania komunikatu

• Kilka przydatnych i rzadko używanych wizualizacji danych
  • Wykres słupkowy a wykres liniowy
  • Wykres nachylenia
  • Wykres kaskadowy
  • Funkcje wygładzania dla wykresów punktowych
  • Prezentowanie rozkładów na wykresie
• Ogólne zalecenia
  • Dobierz odpowiednią wizualizację dla przekazu
  • Mądrze dobieraj kolory
  • Różne wymiary na wykresie
  • Staraj się uzyskać odpowiednio wysoki współczynnik dane/atrament
  • Personalizacja a półautomatyzacja
  • Na samym początku dobierz odpowiedni rozmiar czcionki
  • Interaktywne czy nie?
  • Zachowaj prostotę
  • Zacznij od wyjaśnienia wykresu
• Najważniejsze wnioski
• Dalsza lektura

Część II. Uczenie maszynowe

Rozdział 9. Symulacje i bootstrapping

• Podstawy symulacji
• Symulacja modelu liniowego i regresji liniowej
• Czym są wykresy zależności częściowych?
• Błąd systematyczny z powodu pominięcia zmiennej
• Symulacja problemu klasyfikacji
  • Modele zmiennych ukrytych
  • Porównanie różnych algorytmów
• Bootstrapping
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 10. Regresja liniowa - powrót do podstaw

• Co kryje się za współczynnikiem?
• Twierdzenie Frischa-Waugha-Lovella
• Dlaczego twierdzenie FWL jest ważne?
• Czynniki zakłócające
• Dodatkowe zmienne
• Centralna rola wariancji w uczeniu maszynowym
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 11. Wyciekanie danych

• Czym jest wyciekanie danych?
  • Wynik również jest cechą
  • Funkcja wyniku sama też jest cechą
  • Złe zmienne kontrolne
  • Niewłaściwe oznaczenie znacznika czasu
  • Wiele zbiorów danych z nieprecyzyjnymi agregacjami czasowymi
  • Wyciekanie innych informacji
• Wykrywanie wyciekania danych
• Całkowita separacja
• Metoda okien
  • Wybór długości okien
  • Etap treningu odzwierciedla etap oceny punktowej
  • Wdrażanie metody okien
• Mam wyciek. Co teraz?
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 12. Stosowanie modeli w środowisku produkcyjnym

• Co oznacza "gotowość produkcyjna"?
  • Wsadowa ocena punktowa (w trybie offline)
  • Obiekty modeli czasu rzeczywistego
• Dryf danych i modelu
• Etapy niezbędne w każdym potoku produkcyjnym
  • Pobieranie i przekształcanie danych
  • Sprawdzanie poprawności danych
  • Etapy treningu i oceny punktowej
  • Sprawdzanie poprawności modelu i ocen punktowych
  • Zapisywanie modelu i ocen punktowych
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 13. Opowiadanie historii w uczeniu maszynowym

• Holistyczne spojrzenie na opowiadanie historii w uczeniu maszynowym
• Opowiadanie historii przed opracowaniem modelu i w trakcie tego procesu
  • Tworzenie hipotez
  • Inżynieria cech
• Opowiadanie historii po opracowaniu modelu: otwieranie czarnej skrzynki
  • Kompromis między interpretowalnością a skutecznością
  • Regresja liniowa: ustalenie punktu odniesienia
  • Znaczenie cech
  • Mapa cieplna
  • Wykresy zależności częściowych
  • Skumulowane efekty lokalne
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 14. Od predykcji do decyzji

• Analiza procesu podejmowania decyzji
• Proste reguły decyzyjne oparte na inteligentnym wyznaczaniu wartości progowych
  • Precyzja i czułość
  • Przykład: pozyskiwanie list kontaktów
• Optymalizacja macierzy błędów
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 15. Zmiany dodatkowe - Święty Graal danologii?

• Definiowanie zmian dodatkowych
  • Wnioskowanie przyczynowe w celu poprawy predykcji
  • Wnioskowanie przyczynowe jako wyróżnik
  • Usprawnione podejmowanie decyzji
• Czynniki zakłócające i kolidery
• Błąd doboru
• Założenie o braku zmiennych zakłócających
• Radzenie sobie z błędem doboru - randomizacja
• Dopasowywanie
• Uczenie maszynowe i wnioskowanie przyczynowe
  • Kod otwartoźródłowy
  • Podwójne uczenie maszynowe
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 16. Testy A/B

• Czym są testy A/B?
• Kryterium decyzyjne
• Minimalne wykrywalne efekty
  • Ustalanie mocy statystycznej, poziomu istotności i wartości P
  • Szacowanie wariancji wyniku
  • Symulacje
  • Przykład: współczynniki konwersji
  • Określanie wartości MWE
• Lista hipotez do zbadania
  • Wskaźnik
  • Hipoteza
  • Uszeregowanie
• Zarządzanie eksperymentami
• Najważniejsze wnioski
• Dalsza lektura

Rozdział 17. Modele LLM i praktyka danologii

• Obecny stan sztucznej inteligencji
• Czym zajmują się danologowie?
• Ewolucja opisu stanowiska danologa
  • Studium przypadku: testy A/B
  • Studium przypadku: oczyszczanie danych
  • Studium przypadku: uczenie maszynowe
• Modele LLM a ta książka
• Najważniejsze wnioski
• Dalsza lektura

Skorowidz

• Назва: Data science, wyzwania i rozwiązania. Jak zostać ekspertem analizy danych
• Автор: Daniel Vaughan
• Оригінальна назва: Data Science: The Hard Parts: Techniques for Excelling at Data Science
• Переклад: Tomasz Walczak
• ISBN: 978-83-289-1295-3, 9788328912953
• Дата видання: 2024-12-03
• Формат: Eлектронна книга
• Ідентифікатор видання: dasctr
• Видавець: Helion