Doing Data Science

Olvasói vélemények

A könyv átfogó áttekintést nyújt az adattudományról, bevezetésként és gyakorlati útmutatóként is szolgál a terület iránt érdeklődők számára. Az iparági szakemberek meglátásait tartalmazza, és az elmélet és a valós alkalmazások keverékét kínálja. Ugyanakkor kritikával kell szembenéznie a rosszul szerkesztett kódpéldák és az abszolút kezdők számára a részletes gyakorlati lépések hiánya miatt.

⬤ Gyönyörű előadás kiváló hivatkozásokkal
⬤ nagyszerű bevezetés az adattudományba
⬤ kötetlen, magával ragadó stílusban íródott
⬤ valós példákat és az adattudomány gyakorlati szakembereitől származó meglátásokat tartalmaz
⬤ a témák széles skáláját öleli fel
⬤ jó egyensúly az elmélet és a gyakorlati alkalmazás között.

⬤ A kódpéldák rosszul szerkesztettek és problémásak lehetnek
⬤ nem átfogó az előzetes ismeretek nélküli kezdők számára
⬤ egyes olvasók szerint túlságosan informális, túlzott háttérinformációkkal
⬤ hiányzik a mélyreható technikai feltárás
⬤ egyesek inkább alkalmi beszélgetésnek, mint gyakorlati útmutatónak érzékelik.

(89 olvasói vélemény alapján)

Könyv tartalma:

Most, hogy az emberek tudatában vannak annak, hogy az adatok dönthetnek egy választáson vagy egy üzleti modellben, az adattudomány mint foglalkozás egyre nagyobb teret nyer. De hogyan kezdhetsz el dolgozni egy olyan széleskörű, interdiszciplináris területen, amelyet ennyire beárnyékol a hype? Ez az éleslátó könyv, amely a Columbia Egyetem Bevezetés az adattudományba című óráján alapul, elmondja, amit tudnod kell.

Számos fejezetnyi előadásban olyan vállalatok, mint a Google, a Microsoft és az eBay adattudósai osztják meg az új algoritmusokat, módszereket és modelleket esettanulmányok és az általuk használt kódok bemutatásával. Ha ismered a lineáris algebrát, a valószínűségszámítást és a statisztikát, és van programozási tapasztalatod, ez a könyv ideális bevezetés az adattudományba.

A témakörök a következők:

⬤ Statisztikai következtetés, feltáró adatelemzés és az adattudományi folyamat.

⬤ Algoritmusok.

⬤ Spam-szűrők, Naive Bayes és adatfeldolgozás.

⬤ Logisztikus regresszió.

⬤ Pénzügyi modellezés.

⬤ Javaslati motorok és kauzalitás.

⬤ Adatok vizualizációja.

⬤ Társadalmi hálózatok és adatújságírás.

⬤ Adate engineering, MapReduce, Pregel és Hadoop.

A Doing Data Science a kurzus oktatója, Rachel Schutt, a News Corp. adattudományért felelős vezető alelnöke és Cathy O'Neil adattudományi tanácsadó, a Johnson Research Labs vezető adattudósa közötti együttműködés, aki részt vett a kurzuson és blogot írt róla.