Analityka danych jest uważana za wyjątkowo obiecującą dziedzinę wiedzy. Rozwija się błyskawicznie i znajduje coraz to nowsze wykorzystania. Profesjonaliści biegli w eksploracji danych i wydobywaniu z nich pożytecznych danych mogą liczyć na atrakcyjną pracę i niezwykle interesujące warunki zatrudnienia.
Jednak by zostać analitykiem danych, trzeba znać matematykę i statystykę oraz nauczyć się programowania. Umiejętności w zakresie uczenia maszynowego i uczenia głębokiego także są ważne. W przypadku tak niepowtarzalnej dziedziny, jaką jest nauka o danych, istotnie pokaźne jest zdobycie gruntownych podstaw i dogłębne ich zrozumienie.
W tym przewodniku opisano zagadnienia związane z podstawami nauki o danych. Wyjaśniono konieczne elementy matematyki i statystyki. Przedstawiono także techniki budowy koniecznych narzędzi i sposoby działania najszczególniejszych algorytmów.
Książka została skonstruowana tak, aby poszczególne implementacje były jak najbardziej klarowne i zrozumiałe. Zamieszczone tu przykłady napisano w Pythonie: jest to język dość prosty do nauki, a pracę na informacji ułatwia szereg przydatnych bibliotek Pythona.
W drugim wydaniu znalazły się nowe tematy, takie jak uczenie głębokie, statystyka i przetwarzanie języka naturalnego i działania na ogromnych zbiorach danych. Zagadnienia te niejednokrotnie pojawiają się w pracy współczesnego analityka informacji.
W książce między innymi: komponenty algebry liniowej, statystyki i rachunku prawdopodobieństwa zbieranie, oczyszczanie i eksploracja danych algorytmy modeli analizy informacji podstawy uczenia maszynowego systemy rekomendacji i przetwarzanie języka naturalnego analiza sieci społecznościowych i algorytm MapReduce Nauka o danych: bazuj na konkretnych podstawach!
Powyższy opis pochodzi od wydawcy.
