Adattudomány: Fogalmak és gyakorlat

Olvasói vélemények

A könyv világos és tömör bevezetést nyújt a prediktív analitikába és az adattudományba a RapidMiner segítségével. Míg a magyarázatokat és a tanítási módszereket dicsérik, a nyomtatott anyag minőségével kapcsolatban jelentős kritikák fogalmazódnak meg, különösen az illusztrációk színtelensége miatt.

⬤ Remek magyarázatok és példák
⬤ összességében jól megírt
⬤ kiválóan tanítja az adattudomány alapjait
⬤ világos és tömör
⬤ a RapidMiner használatának alapvető szempontjait tárgyalja
⬤ kezdőknek és üzleti szemléletűeknek is alkalmas.

⬤ Fekete-fehérben nyomtatott, a fontos illusztrációkból hiányzik a szín
⬤ inkább a nyereségesség, mint a minőség érdekében nyomtatottnak tűnik
⬤ egyes ábrák rosszul ábrázoltak, ami ront a tartalmon.

(7 olvasói vélemény alapján)

Eredeti címe:

Data Science: Concepts and Practice

Könyv tartalma:

Ismerje meg az adattudomány alapjait egy könnyen érthető fogalmi keretrendszer segítségével, és azonnal gyakoroljon a RapidMiner platform használatával. Akár teljesen új az adattudományban, akár a tizedik projektjén dolgozik, ez a könyv megmutatja, hogyan elemezzen adatokat, fedezzen fel rejtett mintákat és kapcsolatokat, hogy segítse a fontos döntéseket és előrejelzéseket.

Az adattudomány nélkülözhetetlen eszközzé vált az adatokból való értékkihozatalhoz minden olyan szervezet számára, amely működése részeként adatokat gyűjt, tárol és dolgoz fel. Ez a könyv ideális üzleti felhasználók, adatelemzők, üzleti elemzők, mérnökök és elemzési szakemberek számára, valamint bárki számára, aki adatokkal dolgozik.

Képes lesz arra, hogy:

⬤ Az adatokból való érték kinyeréséhez szükséges ismereteket szerezhet a különböző adattudományi technikákról.

⬤ Elsajátíthatja 30 gyakran használt, nagy teljesítményű adattudományi algoritmus fogalmait és belső működését.

⬤ Lépésről lépésre megvalósítani az adattudományi folyamatot a RapidMiner, egy nyílt forráskódú GUI-alapú adattudományi platform használatával.

A lefedett adattudományi technikák: Mesterséges neurális hálózatok, Mély tanulás, Támogató vektor gépek, Ensemble modellek, Véletlen erdők, Regresszió, Ajánlómotorok, Asszociációs elemzés, K-Means és Sűrűség alapú klaszterezés, Önszerveződő térképek, Szövegbányászat, Idősoros előrejelzés, Anomália detektálás, Feature kiválasztás és még sok más....