Język R i analiza danych w praktyce. Wydanie II

Nina Zumel, John Mount

Analiza danych albo nauka o danych jest interdyscyplinarną dziedziną, dzięki której hipotezy i dane przekształca się w zrozumiałe przewidywania. Predykcyjna analiza danych przynosi wymierne korzyści w wielu dziedzinach, od polityki począwszy, a na udzielaniu kredytów skończywszy. Osobą odpowiedzialną za tę magię jest analityk danych - człowiek, który zbiera i przygotowuje dane, wybiera technikę modelowania, pisze kod, weryfikuje wyniki swojej pracy, wreszcie komunikuje je interesariuszom. Jak widać, profesja analityka danych jest wyjątkowo atrakcyjna i wyjątkowo wymagająca. Aby określić umiejętności praktyczne wymagane w zawodzie analityka danych, najlepiej prześledzić realizacje konkretnych projektów z wykorzystaniem rzeczywistych danych. Ta książka jest samouczkiem prezentującym praktyczne aspekty dziesiątek technik, które wykorzystują profesjonalni analitycy danych. Główny nacisk autorzy położyli na zadania: ich zaplanowanie, przygotowanie, realizację i prezentację wyników. Dzięki praktycznemu podejściu z tej pozycji skorzystają zarówno analitycy biznesowi, jak i badacze danych. Pokazano tu, w jakich przypadkach i w jaki sposób należy stosować techniki statystyczne oraz metody uczenia maszynowego. W każdym rozdziale omówiono nowe narzędzia w kontekście rzeczywistych, praktycznych projektów. W rezultacie powstał potężny zbiór przydatnych ćwiczeń napisanych w języku R, opatrzonych wartościowymi wskazówkami, komentarzami i podpowiedziami. W książce między innymi: zasady zarządzania procesem analizy danych zadania analityka danych przekształcanie danych w celu przygotowania ich do analizy techniki statystyczne i metody uczenia maszynowego w języku R zaawansowane metody modelowania tajniki skutecznego prezentowania wyników analiz R: jesteś gotów na właściwe wyniki analizy danych?

Język R. Kompletny zestaw narzędzi dla analityków danych

Hadley Wickham, Garrett Grolemund

Analiza danych jest stosunkowo młodą, interdyscyplinarną dziedziną, której celem jest wydobycie i wykorzystanie wiedzy ukrytej w surowych danych pozyskanych z różnych źródeł. Można w ten sposób zrozumieć istotę zjawisk, przewidzieć wystąpienie zdarzeń czy pozyskać informacje niedostępne w inny sposób. W wielu przypadkach wnioski wyciągnięte z analizy danych okazują się bezcenne, co doceniają profesjonaliści z licznych branż. Przygotowanie danych, przeanalizowanie ich i odpowiednie przedstawienie płynącej z nich wiedzy bywa sporym wyzwaniem, jednak dzięki takim narzędziom jak język R i związane z nim pakiety zadanie to staje się znacząco prostsze. Niniejsza książka jest przystępnie napisanym przewodnikiem po języku R i narzędziach służących do analizy danych. Zawarto tu wyczerpujące wprowadzenie do języka R, programu RStudio i tidyverse. Zaprezentowano zestaw pakietów R, które znacznie poprawiają komfort pracy podczas analizy danych. Wyjaśniono znaczenie poszczególnych etapów analizy danych: ich importowania, oczyszczania, przekształcania, modelowania, wizualizowania, a także skutecznego komunikowania wiedzy płynącej z danych. Mimo że książka dotyczy narzędzi programistycznych, skorzystają z niej nie tylko programiści. Doceni ją każdy, kto chce zyskać solidne podstawy przygotowania i analizy danych. Najważniejsze zagadnienia: przekształcanie zbiorów danych techniki analizy danych w języku R eksplorowanie danych, formułowanie i testowanie hipotez integracja opisów, kodu i wyników badań w języku R Markdown graficzna prezentacja danych z wykorzystaniem ggplot2 R — wszystko, czego potrzebujesz w profesjonalnej analizie danych!

Język R. Receptury. Analiza danych, statystyka i przetwarzanie grafiki. Wydanie II

JD Long, Paul Teetor

Język R jest potężnym narzędziem używanym w statystyce, przetwarzaniu grafiki i programowaniu statystycznym; stanowi konkurencję dla komercyjnych systemów do obliczeń tego rodzaju. Zawiera wszystkie narzędzia, których potrzebują statystycy. Równocześnie jest to specyficzny język, przez co jego użytkowanie może sprawiać problemy. Zarówno proste, jak i złożone zadania są łatwe do wykonania, jeśli tylko wiadomo, w jaki sposób je zrobić. Jeżeli jednak trzeba stopniowo dochodzić do właściwego rozwiązania, może to kosztować sporo cierpliwości i zniechęcać. Oto zbiór 275 receptur instruktażowych, z których każda pomaga w rozwiązaniu konkretnego problemu. Wszystkie zostały starannie przetestowane i wielokrotnie dowodziły swojej przydatności. Każda z omawianych receptur została poprzedzona krótkim wprowadzeniem i omówieniem zastosowanych mechanizmów działania. Nie jest to klasyczny podręcznik programowania, jednak z pewnością przyśpieszy naukę praktycznego wykorzystania możliwości R. Jeśli masz już pewne doświadczenie z tym językiem, odświeżysz swoją wiedzę i uzyskasz szerszą perspektywę. Wśród receptur znajdziesz obejmujące szeroki zakres zadania - od podstawowych operacji na danych wejściowych i wyjściowych, poprzez statystykę ogólną, aż po grafikę i regresję liniową. Dowiesz się również, jak wykorzystać język R do wizualizacji danych za pomocą ciekawych wykresów graficznych. W tej książce między innymi: przygotowywanie danych wejściowych i upraszczanie danych wyjściowych macierze, listy, wektory czynnikowe, ramki danych testy statystyczne, przedziały ufności, prawdopodobieństwa modele statystyczne z wykorzystaniem regresji liniowej i analizy wariancji stosowanie zaawansowanych technik statystycznych R: błyskawicznie osiągniesz znakomite wyniki!

Język R w data science. Importowanie, porządkowanie, przekształcanie, wizualizowanie i modelowanie danych. Wydanie II

Hadley Wickham, Mine Çetinkaya-Rundel, Garrett Grolemund

Aby w pełni wykorzystać potencjał danych i przekształcać je w wartościową wiedzę, musisz się posługiwać odpowiednimi narzędziami. Szczególnie przyda Ci się znajomość języka R, który pozwala na efektywne wykonywanie zadań, od importowania surowych danych po komunikowanie uzyskanych wyników w zrozumiały sposób. Oto drugie, zaktualizowane wydanie znakomitego przewodnika dla analityków danych. Dzięki niemu dowiesz się, w jaki sposób używać języka R do importowania, przekształcania i wizualizowania danych, a także do przekazywania uzyskanych wyników analizy. Nauczysz się też rozwiązywać najczęściej występujące problemy, a liczne ćwiczenia ułatwią Ci utrwalenie zdobytej wiedzy. Omówiono tu najnowsze funkcje języka i najlepsze praktyki w data science. Zaprezentowano również zasady korzystania z wielu bibliotek języka R, na przykład tidyverse, służącej do pobierania informacji z różnych źródeł. Dzięki tej książce nauczysz się: wizualizować, czyli tworzyć wykresy na potrzeby eksploracji danych przekształcać, czyli pracować z różnymi typami zmiennych importować, czyli pobierać dane w formie wygodnej do analizy programować, czyli rozwiązywać problemy z danymi za pomocą języka R przekazywać informacje, czyli pracować z użyciem Quarto To zaskakująco dobra aktualizacja światowej klasy przewodnika po danologii z użyciem języka R! Emma Rand, University of York

Praktyczne uczenie maszynowe w języku R

Fred Nwanganga, Mike Chapple

WPROWADZENIE DO UCZENIA MASZYNOWEGO Z WYKORZYSTANIEM INTUICYJNEGO JĘZYKA R Uczenie maszynowe i analiza danych pełnią coraz ważniejszą rolę w tworzeniu wartości dodanej. Uczenie maszynowe pozwala znajdować ukryte w danych zależności, wnosząc nowe pomysły i wiedzę, którą trudno byłoby osiągnąć bez tej zaawansowanej techniki. Książka Praktyczne uczenie maszynowe w języku R to wstępne przygotowanie do pracy z dużymi zbiorami danych w języku R, który jest łatwy w zrozumieniu i został opracowany specjalnie z myślą o analizie statystycznej. Nawet osoby bez doświadczenia w programowaniu mogą skorzystać z tej książki, dowiadując się, w jaki sposób praktyczne zastosowania uczenia maszynowego pozwalają analitykom danych pozyskiwać strategiczne informacje biznesowe, solidne prognozy i podejmować trafniejsze decyzje. W odróżnieniu od innych książek na ten temat, Praktyczne uczenie maszynowe w języku R oferuje zarówno teoretyczne, jak i techniczne wprowadzenie do uczenia maszynowego. W przykładach i ćwiczeniach wykorzystywany jest język programowania R oraz najnowsze narzędzia analizy danych, co pozwala zacząć pracę bez nadmiernego zagłębiania się w zaawansowaną matematykę. Dzięki tej książce techniki uczenia maszynowego – począwszy od regresji logistycznej po reguły asocjacyjne i analizę skupień – są w zasięgu ręki. Jedyna publikacja, która łączy intuicyjne wprowadzenie do uczenia maszynowego z opisami zastosowań technicznych krok po kroku. Praktyczne uczenie maszynowe w języku R pokaże jak: przyswoić koncepcje różnych typów uczenia maszynowego, odkrywać wzorce ukryte w dużych zbiorach danych, pisać i wykonywać skrypty R za pomocą RStudio, używać języka R w połączeniu z pakietami Tidyverse do zarządzania danymi i ich wizualizacji, stosować podstawowe techniki statystyczne, takie jak regresja logistyczna czy naiwny klasyfikator Bayesa, oceniać i ulepszać modele uczenia maszynowego. DR FRED NWANGANGA jest profesorem uczelni na wydziale Business Analytics w Mendoza College of Business na uniwersytecie Notre Dame, Indiana, USA. Ma ponad 15-letnie doświadczenie w pełnieniu roli lidera technicznego. DR MIKE CHAPPLE jest profesorem uczelni na wydziale Technology, Analytics, and Operations w Mendoza College of Business. Mike jest autorem ponad 25 poczytnych książek i pełni funkcję dyrektora naukowego programu studiów magisterskich z analizy biznesowej.

QGIS 3.14. Tworzenie i analiza map

Bartłomiej Iwańczak

Książka "QGIS 3.14. Tworzenie i analiza map" Barłomieja Iwańczaka zdobyła wyróżnienie w kategorii podręczników w konkursie na Najlepszą Polską Książkę Informatyczną 2022r. organizowanym przez Polskie Towarzystwo Informatyczne.   Świat w zasięgu Twojej mapy "Mam narysować mapę? Przecież ja nic nie pamiętam z geografii!" - znasz ten ból? Sama myśl o przedstawieniu jakichś danych przestrzennych, naniesieniu trasy na mapę albo wyborze na niej obiektów powoduje, że czujesz dreszcze? Czy jesteś informatykiem, dziennikarzem, psychologiem, handlowcem, czy logistykiem - te umiejętności mogą Ci się przydać. Jeżeli nie znasz tajników kartografii, dzięki tej książce odkryjesz je bezboleśnie. W dodatku będzie to całkiem przyjemne doświadczenie, bo w zasięgu jednego wskazania myszką czeka na Ciebie QGIS! Dla niewtajemniczonych: QGIS to otwarte, bezpłatne oprogramowanie pozwalające w intuicyjny sposób zarządzać istniejącymi zbiorami geograficznymi dostępnymi w internecie, tworzyć własne dane, wykonywać analizy przestrzenne i - przede wszystkim - publikować ciekawe mapy. Program jest niezwykle prosty w obsłudze, ma ogromną bibliotekę rozszerzeń do bardziej szczegółowych potrzeb, co więcej, występuje w polskiej wersji językowej i wspiera go także polskojęzyczna społeczność. Warto więc nauczyć się z niego korzystać, najlepiej z naszą sympatyczną przewodniczką Ulą, z którą między innymi: opanujesz zarówno podstawowe, jak i zaawansowane funkcje oprogramowania QGIS nauczysz się tworzyć w QGIS czytelne plany i mapy zapoznasz się z praktycznymi wskazówkami, jak poprawnie wykonać swoją pracę dowiesz się, jak przestrzennie przedstawiać i analizować dane z tabel zobaczysz, co jeszcze można zrobić z wykorzystaniem znajomości języków SQL, HTML i R będziesz się nieźle bawić przy odwzorowywaniu swojego świata w formie mapy w komputerze

R Deep Learning Essentials. A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet - Second Edition

Mark Hodnett, Joshua F. Wiley

Deep learning is a powerful subset of machine learning that is very successful in domains such as computer vision and natural language processing (NLP). This second edition of R Deep Learning Essentials will open the gates for you to enter the world of neural networks by building powerful deep learning models using the R ecosystem.This book will introduce you to the basic principles of deep learning and teach you to build a neural network model from scratch. As you make your way through the book, you will explore deep learning libraries, such as Keras, MXNet, and TensorFlow, and create interesting deep learning models for a variety of tasks and problems, including structured data, computer vision, text data, anomaly detection, and recommendation systems. You’ll cover advanced topics, such as generative adversarial networks (GANs), transfer learning, and large-scale deep learning in the cloud. In the concluding chapters, you will learn about the theoretical concepts of deep learning projects, such as model optimization, overfitting, and data augmentation, together with other advanced topics.By the end of this book, you will be fully prepared and able to implement deep learning concepts in your research work or projects.

Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II

Peter Bruce, Andrew Bruce, Peter Gedeck

Metody statystyczne są kluczowym narzędziem w data science, mimo to niewielu analityków danych zdobyło wykształcenie w ich zakresie. Może im to utrudniać uzyskiwanie dobrych efektów. Zrozumienie praktycznych zasad statystyki okazuje się ważne również dla programistów R i Pythona, którzy tworzą rozwiązania dla data science. Kursy podstaw statystyki rzadko jednak uwzględniają tę perspektywę, a większość podręczników do statystyki w ogóle nie zajmuje się narzędziami wywodzącymi się z informatyki. To drugie wydanie popularnego podręcznika statystyki przeznaczonego dla analityków danych. Uzupełniono je o obszerne przykłady w Pythonie oraz wyjaśnienie, jak stosować poszczególne metody statystyczne w problemach data science, a także jak ich nie używać. Skoncentrowano się też na tych zagadnieniach statystyki, które odgrywają istotną rolę w data science. Wyjaśniono, które koncepcje są ważne i przydatne z tej perspektywy, a które mniej istotne i dlaczego. Co ważne, poszczególne koncepcje i zagadnienia praktyczne przedstawiono w sposób przyswajalny i zrozumiały również dla osób nienawykłych do posługiwania się statystyką na co dzień. W książce między innymi: analiza eksploracyjna we wstępnym badaniu danych próby losowe a jakość dużych zbiorów danych podstawy planowania eksperymentów regresja w szacowaniu wyników i wykrywaniu anomalii statystyczne uczenie maszynowe uczenie nienadzorowane a znaczenie danych niesklasyfikowanych Statystyka: klasyczne narzędzia w najnowszych technologiach!