Новая книга была добавлена в корзину

Книга "Data Science. Наука о данных с нуля" позволяет изучить науку о данных и применить полученные знания на практике. Она написана так, что способствует погружению в Data Science аналитика, фактически не обладающего глубокими знаниями в этой прикладной дисциплине.
В объемах, достаточных для начала работы в области Data Science, книга содержит интенсивный курс языка Python, элементы линейной алгебры, математической статистики, теории вероятностей, методов сбора, очистки, нормализации и обработки данных. Даны основы машинного обучения. Описаны различные математические модели и их реализация по методу k ближайших соседей, наивной байесовской классификации, линейной и логистической регрессии, а также модели на основе деревьев принятия решений, нейронных сетей и кластеризации. Рассказано о работе с рекомендательными системами, описаны приемы обработки естественного языка, методы анализа социальных сетей, основы баз данных, SQL и MapReduce.

Книга позволяет освоить науку о данных, начав "с чистого листа". Она написана так, что способствуют погружению в Data Science аналитика, фактически не обладающего глубокими знаниями в этой прикладной дисциплине.
При этом вы убедитесь, что описанные в книге программные библиотеки, платформы, модули и пакеты инструментов, предназначенные для работы в области науки о данных, великолепно справляются с задачами анализа данных.
А если у вас есть способности к математике и навыки программирования, то Джоэл Грас поможет вам почувствовать себя комфортно с математическим и статистическим аппаратом, лежащим в основе науки о данных, а также с приемами алгоритмизации, которые потребуются для работы в этой области.
В сегодняшнем хаотическом потоке данных скрыты ответы на многие волнующие человека вопросы. Книга познакомит с методологией, которая позволит правильно сформулировать эти вопросы и найти на них ответы.

Вместе с Джоэлом Грас и его книгой:
- Пройдите интенсивный курс языка Python
- Изучите элементы линейной алгебры, математической статистики, теории вероятностей и их применение в науке о данных
- Займитесь сбором, очисткой, нормализацией и управлением данными
- Окунитесь в основы машинного обучения
- Познакомьтесь с различными математическими моделями и их реализацией по методу k-ближайших соседей, наивной байесовской классификации, линейной и логистической регрессии, а также моделями на основе деревьев принятия решений, нейронных сетей и кластеризации
- Освойте работу с рекомендательными системами, приемы обработки естественного языка, методы анализа социальных сетей, технологии MapReduce и баз данных


Об авторе:
Джоэл Грас работает инженером-программистом в компании Google. До этого занимался аналитической работой в нескольких стартапах. Активно участвует в неформальных меро-приятиях специалистов в области науки о данных. Всегда доступен в Tweeter по хэштегу @joelgrus.

Отзывы экспертов:

"Джоэл проведет для вас экскурсию по науке о данных. В результате вы перейдете от простого любопытства к глубокому пониманию насущных алгоритмов, которые должен знать любой аналитик данных."
Роит Шивапрасад, Специалист компании Amazon в области Data Science с 2014 г.




Содержание книги "Data Science. Наука о данных с нуля"




Предисловие 11
Наука о данных 11
С чистого листа 12
Условные обозначения, принятые в книге 13
Использование примеров кода 14
Благодарности 15
Комментарий переводчика 16
Python 2 и Python 3 16
Установка и удаление дистрибутива Anaconda 17
Настройка дистрибутива Anaconda 18
Установка инструментальной среды Spyder 18
Настройка инструментальной среды Spyder 19
Настройка среды Spyder с Python 3 для работы с Python 2 19
Факультативно 20
Запуск сервера записных книжек Jupyter 20
Установка библиотек Python из whl-файла 20
Подготовка среды Python 3 в ОС Ubuntu Linux 21
Управление пакетами .deb в Ubuntu Linux 21
Об авторе 23
Глава 1. Введение
25
Господство данных 25
Что такое наука о данных? 25
Оправдание для выдумки: DataSciencester 27
Поиск ключевых звеньев 27
Аналитики, которых вы должны знать 30
Зарплаты и опыт работы 33
Оплата премиум-аккаунтов 35
Популярные темы 36
Вперед 38
Глава 2. Интенсивный курс языка Python
39
Основы 39
Установка 39
Дзен языка Python 40
Пробельные символы 40
Модули 41
Арифметические операции 42
Функции 43
Строки 44
Исключения 44
Списки 45
Кортежи 46
Словари 47
Словарь defaultdict 48
Словарь Counter 49
Множества 50
Управляющие конструкции 50
Истинность 51
Не совсем основы 52
Сортировка 52
Генераторы последовательностей 53
Функции-генераторы и генераторные выражения 54
Случайные числа 55
Регулярные выражения 56
Объектно-ориентированное программирование 56
Инструменты функционального программирования 58
Функция enumerate 59
Функция zip и распаковка аргументов 60
Переменные args и kwargs 60
Добро пожаловать в DataSciencester! 62
Для дальнейшего изучения 62
Глава 3. Визуализация данных
63
Библиотека matplotlib 63
Столбчатые диаграммы 65
Линейные графики 68
Точечные диаграммы 70
Для дальнейшего изучения 72
Глава 4. Линейная алгебра
73
Векторы 73
Матрицы 77
Для дальнейшего изучения 80
Глава 5. Статистика
81
Описание одиночного набора данных 81
Показатели центра распределения 83
Показатели вариации 85
Корреляция 87
Парадокс Симпсона 90
Некоторые другие ловушки корреляции 91
Корреляция и причинная зависимость 91
Для дальнейшего изучения 92
Глава 6. Теория вероятностей
93
Зависимость и независимость 93
Условная вероятность 94
Теорема Байеса 96
Случайные величины 97
Непрерывные распределения 98
Нормальное распределение 100
Центральная предельная теорема 103
Для дальнейшего изучения 105
Глава 7. Гипотеза и вывод
106
Проверка статистических гипотез 106
Пример: бросание монеты 106
P-значения 110
Доверительные интервалы 111
Подгонка p-значения 112
Пример: проведение A/B-тестирования 113
Байесовский статистический вывод 115
Для дальнейшего изучения 118
Глава 8. Градиентный спуск
119
Идея в основе метода градиентного спуска 119
Вычисление градиента 120
Использование градиента 123
Выбор оптимального размера шага 124
Собираем все вместе 124
Стохастический градиентный спуск 126
Для дальнейшего изучения 127
Глава 9. Сбор данных
129
Объекты stdin и stdout 129
Чтение файлов 131
Основы работы с текстовыми файлами 131
Файлы с разделителями 132
Извлечение данных из веб-ресурсов 134
Анализ кода HTML 134
Пример: книги об анализе данных издательства O'Reilly 137
Использование программных интерфейсов 141
Формат JSON (и XML) 141
Использование непроверенного API 142
Поиск API 144
Пример: использование интерфейсов Twitter API 144
Получение учетных данных 145
Использование Twython 146
Для дальнейшего изучения 148
Глава 10. Обработка данных
149
Исследование данных 149
Исследование одномерных данных 149
Двумерные данные 151
Многомерные данные 153
Очистка и форматирование 155
Управление данными 157
Шкалирование 160
Снижение размерности 162
Для дальнейшего изучения 168
Глава 11. Машинное обучение
169
Моделирование 169
Что такое машинное обучение? 170
Переобучение и недообучение 171
Правильность модели 173
Компромисс между смещением и дисперсией 176
Извлечение и отбор признаков 177
Для дальнейшего изучения 178
Глава 12. K ближайших соседей
180
Модель 180
Пример: предпочтительные языки 182
Проблема проклятия размерности 186
Для дальнейшего изучения 190
Глава 13. Наивный Байес
191
Действительно глупый спам-фильтр 191
Более продуманный спам-фильтр 192
Реализация 194
Тестирование модели 196
Для дальнейшего изучения 198
Глава 14. Простая линейная регрессия
199
Модель 199
Применение метода градиентного спуска 202
Метод максимального правдоподобия 203
Для дальнейшего изучения 204
Глава 15. Множественная регрессия
205
Модель 205
Другие допущения модели наименьших квадратов 206
Подбор модели 207
Интерпретация модели 208
Качество подбора модели 209
Отступление: бутстрапирование данных 209
Стандартные ошибки коэффициентов регрессии 211
Регуляризация 213
Для дальнейшего изучения 215
Глава 16. Логистическая регрессия
216
Задача 216
Логистическая функция 218
Применение модели 220
Качество подбора модели 221
Метод опорных векторов 223
Для дальнейшего изучения 225
Глава 17. Деревья принятия решений
226
Что такое дерево принятия решений? 226
Энтропия 228
Энтропия разбиения 230
Создание дерева принятия решений 231
Собираем все вместе 233
Случайные леса 236
Для дальнейшего изучения 237
Глава 18. Нейронные сети
238
Перцептроны 238
Нейронные сети прямого распространения 240
Метод обратного распространения ошибки 243
Пример: преодоление капчи 244
Для дальнейшего изучения 249
Глава 19. Кластеризация
250
Идея 250
Модель 251
Пример: встречи для специалистов 252
Выбор числа k 254
Пример: кластеризация цвета 256
Восходящий метод иерархической кластеризации 257
Для дальнейшего изучения 263
Глава 20. Обработка естественного языка
264
Облака слов 264
N-граммные модели языка 266
Грамматики 269
Ремарка: метод сэмплирования по Гиббсу 271
Тематическое моделирование 273
Для дальнейшего изучения 278
Глава 21. Анализ социальных сетей
279
Центральность по посредничеству 279
Центральность собственного вектора 284
Умножение матриц 284
Центральность 287
Направленные графы и рейтинг PageRank 288
Для дальнейшего изучения 291
Глава 22. Рекомендательные системы
292
Неавтоматическое кураторство 293
Рекомендация популярных тем 293
Коллаборативная фильтрация на основе пользователя 294
Коллаборативная фильтрация по схожести предметов 297
Для дальнейшего изучения 300
Глава 23. Базы данных и SQL
301
Операторы CREATE TABLE и INSERT 301
Оператор UPDATE 303
Оператор DELETE 304
Оператор SELECT 304
Оператор GROUP BY 306
Оператор ORDER BY 308
Оператор JOIN 309
Подзапросы 311
Индексы 312
Оптимизация запросов 313
Базы данных NoSQL 313
Для дальнейшего изучения 314
Глава 24. Распределенные вычисления MapReduce
315
Пример: подсчет частотности слов 315
Почему MapReduce? 317
MapReduce в более общей реализации 318
Пример: анализ обновлений ленты новостей 319
Пример: умножение матриц 321
Ремарка: сумматоры 322
Для дальнейшего изучения 323
Глава 25. Идите и займитесь аналитикой
324
Интерактивная оболочка IPython 324
Математический аппарат 325
Не с чистого листа 325
Библиотека NumPy 326
Библиотека pandas 326
Библиотека scikit-learn 326
Визуализация 326
Язык программирования R 327
Где найти данные? 327
Занятия анализом данных 328
Новости хакера 328
Пожарные машины 329
Футболки 329
А вы? 330

Предметный указатель 331