Логотип LiveLibbetaК основной версии
Обложка
User AvatarВаша оценка
4
(1)

Data Science для бізнесу. Як збирати, аналізувати і використовувати дані

Фостер Провост
Написана відомими фахівцями з інформатики, ця книга розповідає про фундаментальні принципи науки про дані, яке значення вони мають сьогодні та як ними найкраще скористатися для покращення бізнесу. Ця книга допоможе зрозуміти технології, які використовуються для збирання масиву даних.

Рейтинг LiveLib

4,0
1 оценка
  • 5
    0%
  • 4
    100%
  • 3
    0%
  • 2
    0%
  • 1
    0%
User AvatarВаша оценка
Прочитали 1Хотят прочитать 1

Рецензии

  • Аватар пользователя
    odvis9 июня 2024 г.

    После прочтения книги осталось больше нейтральное впечатление, чем положительное.
    Если говорить про авторов, то они на основе своего 20+ -летнего опыта в data science попытались сформулировать концептуальные положения работы с данными. Много внимания уделено вопросам классификации, кластеризации и прогнозирования, приведены примеры возможных бизнес-задач. К недостаткам можно отнести минимальный объем математических реализаций. Причем, авторы выделяют в книге блоки с формулами и сами часто пишут, что их можно пропустить.

    Много замечаний возникает к редакторам и переводчикам книги. Т.к. ощущается, что это были люди далекие от экономико-математического моделирования и не владеющие необходимой терминологией.
    И поэтому "витік диних" становится "течею", "інтервал довіри" - "вірчим інтервалом" и т.п. В цитатах в тексте авторы или не переведены, или встречатся в разночтениях. Например, в тексте "Рон Когаві", а на задней обложке "Ронні Кохаві". Или трансформируются в разные варианты: "Ляпоїн" (стр. 172), "Лапоїн" (стр. 173), "Лапуант" (стр. 188), "Лепуан" (стр. 198). В описании таблицы пользователь кредитной карты по имени "Давид", а в самой таблице "Девід" (стр. 176). На странице 305 упоминание Перис Хилтон в мужском роде. И подобного очень много.
    На стр. 115 есть интересное определение:


    "... метод опорних векторів, або, як його ще називають метод опорних векторів - це...".

    Т.е. можно отметить, что невычитанности встречаются часто.

    Удобным вариантом прочтения, возможно, будет ознакомление с "Додаток А. Інструкція до оцінки пропозиції", а затем прочтение соответствующих глав, на которые ссылаются в нужном пункте приложения.

    Книгу сложно порекомендовать как один из основных учебников для работы с данными, но для понимания фундаментальных подходов можно порекомендовать как дополнительную литературу.

    Читать далее
    4
    173
Все рецензии

Цитаты

  • Аватар пользователя
    odvis8 июня 2024 г.

    Фундаментальні концепції можна розбити на три групи:
    1. Загальні концепції про те, як data science може стати частиною організації і конкурентного поля — способи привабити, структурувати й підтримувати команди data science, способи використати її для переваги над конкурентами, способи втримати цю перевагу, і тактичні принципи, як керувати data science проектами;
    2. Загальні способи, як думати дата-аналітично, які допомагають збирати потрібні дані й вибирати потрібні методи. Серед цих концепцій — процес майнингу даних, добірка висококласних завдань data science, і також такі принципи:
    • Команда data science повинна пам’ятати про задачу і сценарій використання під час процесу майнингу даних;
    • Дані належить вважати надбанням, а отже, потрібно уважно підходити до того, які зробити інвестиції, щоб отримати від нашого активу найбільше;
    • Принцип очікуваного значення допомагає структурувати задачу, і ми можемо побачити складові задачі на майнинг даних, а також які витрати, прибутки й перепони є в бізнес-середовищі;
    • Генералізація і перенавчання: якщо ми досить сильно придивимося до даних, то знайдемо в них патерни; нам потрібні патерни, які генералізуються на дані, яких ми ще не бачили;
    • Застосовувати data science до структурованої задачі і майнити дані з метою дослідження—це різні зусилля і різні стадії процесу майнингу даних.
    3. Загальні концепції, як отримувати знання з даних, які лежать в основі великої кількості напрямків data science. Сюди входять такі концепції:
    • Визначення інформативних атрибутів—таких, що корелюють з невідомою потрібною нам величиною або дають нам про неї інформацію;
    • Навчання числової функціональної моделі під дані за допомогою вибору цілі й пошуку набору параметрів, основаних на цілі;
    • Контроль складності необхідний, щоб знайти правильний компроміс між генералізацією і перенавчанням;
    • Обчислення подібності об’єктів на основі даних.

    Читать далее
    0
    15
Все цитаты

Подборки с этой книгой

Все подборки