Kluczowe kompetencje specjalisty danych

Kirill Eremenko

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-01-21655-9

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2021

Liczba stron:

272

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Eremenko, Kirill. Kluczowe kompetencje specjalisty danych. Red. . : Wydawnictwo Naukowe PWN, 2021, 272 s. ISBN 978-83-01-21655-9

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Eremenko, K.

T1 Kluczowe kompetencje specjalisty danych

PB Wydawnictwo Naukowe PWN

YR 2021

SN 978-83-01-21655-9

Bibliografia BibTex:

@Book{ 241190, author = "Eremenko, Kirill", editor = "", title = "Kluczowe kompetencje specjalisty danych", publisher = "Wydawnictwo Naukowe PWN", year = "2021", address = "", isbn = "978-83-01-21655-9" }

Bibliografia endNote:

TY - BOOK

AU - Eremenko, Kirill

ED -

TI - Kluczowe kompetencje specjalisty danych

PB - Wydawnictwo Naukowe PWN

CY -

PY - 2021

SN - 978-83-01-21655-9

ER -

Netografia (standard APA):

Eremenko, Kirill. Kluczowe kompetencje specjalisty danych [baza danych online] : Wydawnictwo Naukowe PWN, 2021 [dostęp: 05 05 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/kluczowe-kompetencje-specjalisty-danych-kirill-eremenko-241190.

analiza danych, Data Science, gromadzenie danych, specjalista danych

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 pro...

Więcej

ISBN/ISSN:

978-83-01-21655-9

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2021

Liczba stron:

272

XML:ISBN/ISSN:

ONIX MARC21

Spis rysunków10
Bonus dla Czytelników13
Podziękowania14
Wstęp 16
CZĘŚĆ I „O co w tym chodzi?” Najważniejsze zasady Data Science18
Dokąd zmierzamy19
Hamowanie postępu20
Przyszłość to dane20
01 Definicja danych22
Dane są wszędzie23
Wielkość (danych) ma znaczenie24
Przechowywanie i przetwarzanie danych26
Dane mają moc tworzenia28
Użycie danych30
Dlaczego właśnie teraz dane stały się ważne31
Martwienie się nic nie da33
Bibliografia 21 02 Jak dane spełniają nasze potrzeby37
Wszechobecność danych37
Data Science a potrzeby fizjologiczne38
Data Science a potrzeby bezpieczeństwa40
Data Science a potrzeby przynależności i miłości43
Data Science a samodoskonalenie47
Data Science a samorealizacja47
Kilka słów podsumowania48
Bibliografia49
03 Sztuczna inteligencja a nasza przyszłość51
Czym jest sztuczna inteligencja?51
Silna sztuczna inteligencja52
Robotyka i automatyzacja procesów53
Słaba sztuczna inteligencja53
Rozpoznawanie obrazów55
Przetwarzanie języka naturalnego57
Uczenie ze wzmocnieniem oraz uczenie głębokie59
Ciemna strona sztucznej inteligencji60
Przygotuj się na część II68
Bibliografia69
CZĘŚĆ II „Gdzie i jak je znajdę?” Gromadzenie i analiza danych 72
Proces Data Science73
Pierwsze kroki76
04 Określenie problemu80
Spójrz mamo, nie ma danych!81
Jak rozwiązać taki problem, jak…82
Pilnowanie czasu94
Sztuka mówienia nie95
Bibliografia96
Naprzód!96
05 Przygotowanie danych 97
Spraw, żeby dane zaczęły mówić97
Z wielką władzą wiąże się wielka odpowiedzialność98
Przygotuj dane do podróży100
Bibliografia115
06 Klasyczna analiza danych 116
Nie pomiń tego kroku116
Klasyfikacja118
Klasyfikacja i analiza skupień118
Drzewa decyzyjne119
Lasy losowe122
Algorytm k najbliższych są126
Naiwny klasyfikator Bayesa130
Klasyfikacja przy użyciu klasyfikatora Bayesa135
Regresja logistyczna140
Algorytm grupowania metodą k-średnich149
Analiza skupień149
Grupowanie hierarchiczne159
Bibliografia164
07 Nowoczesna analiza danych 165
Uczenie ze wzmocnieniem165
Problem wielorękiego bandyty167
Algorytm UCB172
Próbkowanie Thompsona179
Który algorytm jest lepszy – próbkowanie Thompsona czy UCB?186
Głębokie uczenie maszynowe188
Ustalanie wag – jak uczą się sztuczne sieci neuronowe200
Bibliografia203
Przyszłość analizy danych203
CZĘŚĆ III „Jak to przedstawić?” Opowiadanie o danych204
Jak dobrze wyglądać204
Akcelerator kariery205
Jeszcze nie skończyliśmy!205
08 Wizualizacja danych206
Czym jest analiza wizualna?206
Czym jest wizualizacja danych?211
Mówienie językiem wizualnym212
Kroki tworzenia atrakcyjnych wizualizacji214
Uwagi końcowe220
Bibliografia223
Idąc o krok dalej. Typy wykresów224
09 Prezentacja danych 236
Znaczenie opowieści236
Powołanie rzecznika danych238
Jak stworzyć świetną prezentację239
Bibliografia248
Koniec procesu Data Science248
10 Twoja kariera specjalisty danych249
Wejście do świata Data Science249
Ubieganie się o pracę259
Przygotowanie do rozmowy kwalifikacyjnej260
Przeprowadzanie wywiadu262
Dbanie o rozwój firmowej kariery263
Bibliografia 2 indeks266