"Kluczowe kompetencje specjalisty danych"

Spis treści

Spis rysunków 10

Bonus dla Czytelników 13

Podziękowania 14

Wstęp 16

CZĘŚĆ I „O co w tym chodzi?” Najważniejsze zasady Data Science 18

Dokąd zmierzamy 19

Hamowanie postępu 20

Przyszłość to dane 20

01 Definicja danych 22

Dane są wszędzie 23

Wielkość (danych) ma znaczenie 24

Przechowywanie i przetwarzanie danych 26

Dane mają moc tworzenia 28

Użycie danych 30

Dlaczego właśnie teraz dane stały się ważne 31

Martwienie się nic nie da 33

Bibliografia 21 02 Jak dane spełniają nasze potrzeby 37

Wszechobecność danych 37

Data Science a potrzeby fizjologiczne 38

Data Science a potrzeby bezpieczeństwa 40

Data Science a potrzeby przynależności i miłości 43

Data Science a samodoskonalenie 47

Data Science a samorealizacja 47

Kilka słów podsumowania 48

Bibliografia 49

03 Sztuczna inteligencja a nasza przyszłość 51

Czym jest sztuczna inteligencja? 51

Silna sztuczna inteligencja 52

Robotyka i automatyzacja procesów 53

Słaba sztuczna inteligencja 53

Rozpoznawanie obrazów 55

Przetwarzanie języka naturalnego 57

Uczenie ze wzmocnieniem oraz uczenie głębokie 59

Ciemna strona sztucznej inteligencji 60

Przygotuj się na część II 68

Bibliografia 69

CZĘŚĆ II „Gdzie i jak je znajdę?” Gromadzenie i analiza danych 72

Proces Data Science 73

Pierwsze kroki 76

04 Określenie problemu 80

Spójrz mamo, nie ma danych! 81

Jak rozwiązać taki problem, jak… 82

Pilnowanie czasu 94

Sztuka mówienia nie 95

Bibliografia 96

Naprzód! 96

05 Przygotowanie danych 97

Spraw, żeby dane zaczęły mówić 97

Z wielką władzą wiąże się wielka odpowiedzialność 98

Przygotuj dane do podróży 100

Bibliografia 115

06 Klasyczna analiza danych 116

Nie pomiń tego kroku 116

Klasyfikacja 118

Klasyfikacja i analiza skupień 118

Drzewa decyzyjne 119

Lasy losowe 122

Algorytm k najbliższych są 126

Naiwny klasyfikator Bayesa 130

Klasyfikacja przy użyciu klasyfikatora Bayesa 135

Regresja logistyczna 140

Algorytm grupowania metodą k-średnich 149

Analiza skupień 149

Grupowanie hierarchiczne 159

Bibliografia 164

07 Nowoczesna analiza danych 165

Uczenie ze wzmocnieniem 165

Problem wielorękiego bandyty 167

Algorytm UCB 172

Próbkowanie Thompsona 179

Który algorytm jest lepszy – próbkowanie Thompsona czy UCB? 186

Głębokie uczenie maszynowe 188

Ustalanie wag – jak uczą się sztuczne sieci neuronowe 200

Bibliografia 203

Przyszłość analizy danych 203

CZĘŚĆ III „Jak to przedstawić?” Opowiadanie o danych 204

Jak dobrze wyglądać 204

Akcelerator kariery 205

Jeszcze nie skończyliśmy! 205

08 Wizualizacja danych 206

Czym jest analiza wizualna? 206

Czym jest wizualizacja danych? 211

Mówienie językiem wizualnym 212

Kroki tworzenia atrakcyjnych wizualizacji 214

Uwagi końcowe 220

Bibliografia 223

Idąc o krok dalej. Typy wykresów 224

09 Prezentacja danych 236

Znaczenie opowieści 236

Powołanie rzecznika danych 238

Jak stworzyć świetną prezentację 239

Bibliografia 248

Koniec procesu Data Science 248

10 Twoja kariera specjalisty danych 249

Wejście do świata Data Science 249

Ubieganie się o pracę 259

Przygotowanie do rozmowy kwalifikacyjnej 260

Przeprowadzanie wywiadu 262

Dbanie o rozwój firmowej kariery 263

Bibliografia 2 indeks 266