Spis treści
O autorach
O redaktorach technicznych
Podziękowania
Przedmowa
Wprowadzenie
CZĘŚĆ I. MYŚL JAK SPEC OD DANYCH
ROZDZIAŁ 1. NA CZYM POLEGA PROBLEM?
PYTANIA, KTÓRE POWINIEN ZADAWAĆ SPEC OD DANYCH
Dlaczego problem jest ważny?
Na kogo wpływa ten problem?
Co, jeśli nie mamy właściwych danych?
Kiedy projekt się zakończy?
Co, jeśli nie spodobają nam się rezultaty?
DLACZEGO PROJEKTY ZWIĄZANE Z DANYMI KOŃCZĄ SIĘ NIEPOWODZENIEM?
Wrażenia klientów
Omówienie
PRACA NAD PROBLEMAMI, KTÓRE MAJĄ ZNACZENIE
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 2. CZYM SĄ DANE?
DANE A INFORMACJE
Przykładowy zbiór danych
TYPY DANYCH
JAK GROMADZI SIĘ DANE I JAKĄ MAJĄ STRUKTURĘ?
Dane obserwacyjne i eksperymentalne
Dane ustrukturyzowane i nieustrukturyzowane
PODSTAWOWE STATYSTYKI ZBIORCZE
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 3. PRZYGOTOWANIE DO MYŚLENIA STATYSTYCZNEGO
ZADAWAJ PYTANIA
WSZYSTKO JEST ZMIENNE
Scenariusz: wrażenia klientów (kontynuacja)
Studium przypadku: zachorowalność na raka nerki
PRAWDOPODOBIEŃSTWO I STATYSTYKA
Prawdopodobieństwo a intuicja
Odkrywanie informacji za pomocą statystyki
PODSUMOWANIE ROZDZIAŁU
CZĘŚĆ II. MÓW JAK SPEC OD DANYCH
ROZDZIAŁ 4. POLEMIZUJ Z DANYMI
CO BYŚ ZROBIŁ(A)?
Katastrofa spowodowana brakiem danych
JAKA JEST HISTORIA POCHODZENIA DANYCH?
Kto zebrał dane?
Jak zebrano dane?
CZY DANE SĄ REPREZENTATYWNE?
Czy poprawnie dobrano próbę?
Co zrobiono z wartościami odstającymi?
JAKICH DANYCH NIE WIDZĘ?
Jak rozwiązano problem brakujących wartości?
Czy dane mogą zmierzyć to, co ma być mierzone?
POLEMIZUJ Z DANYMI KAŻDEJ WIELKOŚCI
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 5. EKSPLORUJ DANE
EKSPLORACYJNA ANALIZA DANYCH I TY
PRZYJMIJ NASTAWIENIE EKSPLORACYJNE
Pytania naprowadzające
Scenariusz
CZY DANE MOGĄ ODPOWIEDZIEĆ NA PYTANIE?
Określ oczekiwania i użyj zdrowego rozsądku
Czy wartości mają intuicyjny sens?
Uważaj! Wartości odstające i brakujące
CZY ODKRYLIŚCIE JAKIEŚ ZWIĄZKI?
Korelacja
Uważaj! Błędne interpretowanie korelacji
Uważaj! Korelacja nie implikuje przyczynowości
CZY ZNALEŹLIŚCIE W DANYCH NOWE MOŻLIWOŚCI?
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 6. BADAJ PRAWDOPODOBIEŃSTWA
ZGADNIJ ODPOWIEDŹ
REGUŁY GRY
Notacja
Prawdopodobieństwo warunkowe i zdarzenia niezależne
Prawdopodobieństwo wielu zdarzeń
ĆWICZENIE MYŚLOWE Z ZAKRESU PRAWDOPODOBIEŃSTWA
Następne kroki
UWAŻAJ Z ZAKŁADANIEM NIEZALEŻNOŚCI
Nie popełniaj błędu hazardzisty
WSZYSTKIE PRAWDOPODOBIEŃSTWA SĄ WARUNKOWE
Nie przestawiaj zależności
Twierdzenie Bayesa
UPEWNIJ SIĘ, ŻE PRAWDOPODOBIEŃSTWA MAJĄ ZNACZENIE
Kalibracja
Rzadkie zdarzenia mogą się zdarzać i się zdarzają
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 7. KWESTIONUJ STATYSTYKI
KRÓTKIE LEKCJE O WNIOSKOWANIU
Zostaw sobie trochę przestrzeni
Więcej danych, więcej dowodów
Kwestionuj status quo
Dowody na twierdzenie przeciwne
Równoważenie błędów decyzyjnych
PROCES WNIOSKOWANIA STATYSTYCZNEGO
PYTANIA, KTÓRE POMOGĄ CI KWESTIONOWAĆ STATYSTYKI
Jaki jest kontekst tych statystyk?
Jaki jest rozmiar próby?
Co testujecie?
Jaka jest hipoteza zerowa?
Jaki jest poziom istotności?
Ile przeprowadzacie testów?
Czy mogę zobaczyć przedziały ufności?
Czy jest to praktycznie istotne?
Czy zakładacie przyczynowość?
PODSUMOWANIE ROZDZIAŁU
CZĘŚĆ III. PRZYBORNIK SPECJALISTY DATA SCIENCE
ROZDZIAŁ 8. W POSZUKIWANIU UKRYTYCH GRUP
UCZENIE NIENADZOROWANE
REDUKCJA WYMIAROWOŚCI
Tworzenie cech złożonych
ANALIZA SKŁADOWYCH GŁÓWNYCH
Składowe główne zdolności sportowych
Podsumowanie PCA
Potencjalne pułapki
KLASTERYZACJA
KLASTERYZACJA METODĄ K-ŚREDNICH
Klasteryzacja sklepów detalicznych
Potencjalne pułapki
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 9. MODEL REGRESJI
UCZENIE NADZOROWANE
JAK DZIAŁA REGRESJA LINIOWA?
Regresja metodą najmniejszych kwadratów: nie tylko pomysłowa nazwa
REGRESJA LINIOWA: CO CI DAJE?
Rozszerzanie modelu na wiele cech
REGRESJA LINIOWA: JAKIE POWODUJE NIEPOROZUMIENIA?
Pominięte zmienne
Współliniowość
Przeciek danych
Błędy ekstrapolacji
Relacje nie zawsze są liniowe
Wyjaśniasz czy przewidujesz?
Skuteczność regresji
INNE MODELE REGRESJI
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 10. MODEL KLASYFIKACJI
WPROWADZENIE DO KLASYFIKACJI
Czego się nauczysz?
Przykładowy problem klasyfikacj
REGRESJA LOGISTYCZNA
Regresja logistyczna – i co z tego?
DRZEWA DECYZYJNE
METODY ZESPOŁOWE
Lasy losowe
Drzewa wzmacniane gradientowo
Interpretowalność modeli zespołowych
STRZEŻ SIĘ PUŁAPEK
Złe podejście do problemu
Przeciek danych
Brak podziału danych
Wybór odpowiedniego progu decyzyjnego
BŁĘDNE ROZUMIENIE DOKŁADNOŚCI
Macierze błędów
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 11. ANALIZA TEKSTU
OCZEKIWANIA WOBEC ANALIZY TEKSTU
JAK TEKST STAJE SIĘ LICZBAMI
Wielki worek słów
N-gramy
Osadzenia słów
MODELOWANIE TEMATYCZNE
KLASYFIKACJA TEKSTU
Naiwny klasyfikator byesowski
Analiza odczuć
KWESTIE PRAKTYCZNE PODCZAS PRACY Z TEKSTEM
Giganci technologiczni mają przewagę
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 12. UCZENIE GŁĘBOKIE
SIECI NEURONOWE
Pod jakimi względami sieci neuronowe przypominają ludzki mózg?
Prosta sieć neuronowa
Jak uczy się sieć neuronowa?
Nieco bardziej złożona sieć neuronowa
ZASTOSOWANIA UCZENIA GŁĘBOKIEGO
Korzyści z uczenia głębokiego
Jak komputery „widzą” obrazy?
Konwolucyjne sieci neuronowe
Uczenie głębokie w języku i sekwencjach
UCZENIE GŁĘBOKIE W PRAKTYCE
Czy masz dane?
Czy Twoje dane są ustrukturyzowane?
Jak będzie wyglądać sieć?
SZTUCZNA INTELIGENCJA I TY
Giganci technologiczni mają przewagę
Etyka w uczeniu głębokim
PODSUMOWANIE ROZDZIAŁU
CZĘŚĆ IV. DROGA DO SUKCESU
ROZDZIAŁ 13. STRZEŻ SIĘ PUŁAPEK
TENDENCYJNOŚĆ I DZIWNE ZJAWISKA W DANYCH
Błąd przeżywalności
Regresja do średniej
Paradoks Simpsona
Błąd konfirmacj
Błąd utopionych kosztów
Dyskryminacja algorytmiczna
Nieskategoryzowane przejawy tendencyjności
WIELKA LISTA PUŁAPEK
Pułapki związane ze statystyką i uczeniem maszynowym
Pułapki związane z projektem
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 14. ZNAJ LUDZI I OSOBOWOŚCI
SIEDEM SCENARIUSZY FIASKA KOMUNIKACYJNEGO
Post mortem
Wieczorynka
Głuchy telefon
W gąszczu szczegółów
Konfrontacja z rzeczywistością
Wrogie przejęcie
Egocentryk
OSOBOWOŚCI W ŚWIECIE DANYCH
Entuzjasta
Cynik
Spec od danych
PODSUMOWANIE ROZDZIAŁU
ROZDZIAŁ 15. CO DALEJ?
Opinie
Na razie nie ma opinii o produkcie.