Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python wyd. 2, 43D4-310CA

Metody statystyczne są kluczowym narzędziem w data science, mimo to niewielu analityków danych zdobyło wykształcenie w ich zakresie. Może im to utrudniać uzyskiwanie korzystnych efektów. Zrozumienie użytecznych zasad statystyki okazuje się ważne na dodatek dla programistów R i Pythona, którzy tworzą rozwiązania dla data science. Kursy podstaw statystyki rzadko jednak uwzględniają tę perspektywę, a większość podręczników do statystyki w ogóle nie zajmuje się narzędziami wywodzącymi się z informatyki.

To drugie wydanie popularnego podręcznika statystyki dedykowanego dla analityków informacji. Uzupełniono je o znaczne przykłady w Pythonie i wyjaśnienie, jak stosować poszczególne metody statystyczne w problemach data science, a także jak ich nie używać. Skoncentrowano się również na tych zagadnieniach statystyki, które odgrywają wyraźną rolę w data science. Wyjaśniono, które koncepcje są ważne i przydatne z tej perspektywy, a które mniej istotne i dlaczego. Co ważne, poszczególne koncepcje i zagadnienia ergonomiczne przedstawiono w sposób przyswajalny i zrozumiały jeszcze dla osób nienawykłych do posługiwania się statystyką na co dzień.

W książce pomiędzy innymi:

analiza eksploracyjna we wstępnym badaniu informacji
próby losowe a jakość wielkich zbiorów danych
podstawy planowania eksperymentów
regresja w szacowaniu wyników i wykrywaniu anomalii
statystyczne uczenie maszynowe
uczenie nienadzorowane a znaczenie danych niesklasyfikowanych
Statystyka: konwencjonalne narzędzia w najnowszych technologiach!
O autorach
Peter Bruce jest ekspertem w dziedzinie nauczania statystyki. Prowadzi Institute for Statistics Education, gdzie proponuje setki kursów skierowanych pomiędzy innymi do naukowców.

Dr Andrew Bruce jest głównym analitykiem w Amazonie. Od trzydziestu lat zajmuje się statystyką i nauką o danych, opracowując rozwiązania problemów z wielu branż.

Dr Peter Gedeck jest badaczem w Collaborative Drug Discovery. Tworzy algorytmy uczenia maszynowego do przewidywania właściwości substancji stanowiących potencjalne leki.