Zaawansowane wyszukiwanie
  Strona Główna » Sklep » Matematyka » Statystyka Statistica SPSS » Moje Konto  |  Zawartość Koszyka  |  Do Kasy   
 Wybierz kategorię
Algorytmy Wzorce UML
Bazy danych
Bezpieczeństwo
Bioinformatyka
Biznes Ekonomia Firma
Chemia
DTP Design
E-biznes
Ekonometria
Elektronika Elektrotechnika
Energetyka
Fizyka
GIS
Grafika użytkowa
Hardware
Informatyczne systemy zarządzania
Informatyka w szkole
Języki programowania
Matematyka
  Algebra Teoria liczb
  Analiza matematyczna
  Logika Topologia
  Matematyka dyskretna
  Matematyka ogólna
  Rachunek prawdopodobieństwa
  Statystyka Statistica SPSS
Multimedia
Obsługa komputera
Office
Poradniki
Programowanie gier
Programy inżynierskie
Programy matematyczne
Słowniki
Serwery
Sieci komputerowe
Systemy operacyjne
Technika
Telekomunikacja
Tworzenie stron WWW

Zobacz pełny katalog »
 Wydawnictwo:
 WNT
Algorytmy aproksymacyjne

Algorytmy aproksymacyjne

56.70zł
45.36zł
Analiza danych w biznesie Sztuka podejmowania skutecznych decyzji 59.00zł
Analiza danych w biznesie Sztuka podejmowania skutecznych decyzji

Tytuł: Analiza danych w biznesie Sztuka podejmowania skutecznych decyzji
Autor: Foster Provost, Tom Fawcett
ISBN: 978-83-246-9610-9
Ilość stron: 360
Data wydania: 11/2014
Oprawa: Miękka
Format: 168x237
Wydawnictwo: Helion
Cena: 59.00zł


Wszystko co powinieneś wiedzieć o eksploracji danych i myśleniu w kategoriach analityki danych. Wyciągaj trafne wnioski!
 
Lektura obowiązkowa dla każdego, kto poważnie myśli o wykorzystaniu okazji, jakie niosą ze sobą wielkie zbiory danych.

Posiadanie zbiorów danych to połowa sukcesu. Druga połowa to umiejętność ich skutecznej analizy i wyciągania wniosków. Dopiero na tej podstawie będziesz w stanie właściwie ocenić kondycję Twojej firmy oraz podjąć słuszne decyzje. Wiedza zawarta w tej książce może zadecydować o sukcesie biznesowym lub porażce. Nie ryzykuj i sięgnij po to doskonałe źródło wiedzy, poświęcone nauce o danych.

To unikalny podręcznik, który pomoże Ci sprawnie opanować nawet najtrudniejsze zagadnienia związane z analizą danych. Dowiedz się, jak zbudowany jest proces eksploracji danych, z jakich narzędzi możesz skorzystać oraz jak stworzyć model predykcyjny i dopasować go do danych.

W kolejnych rozdziałach przeczytasz o tym, czym grozi nadmierne dopasowanie modelu i jak go unikać oraz jak wyciągać wnioski metodą najbliższych sąsiadów. Na koniec zaznajomisz się z możliwościami wizualizacji skuteczności modelu oraz odkryjesz związek pomiędzy nauką o danych a strategią biznesową. To obowiązkowa lektura dla wszystkich osób chcących podejmować świadome decyzje na podstawie posiadanych danych!

Dzięki tej książce:
• poznasz model predykcyjny
• dowiesz się, jak dopasować model do danych
• zwizualizujesz skuteczność zbudowanego modelu
• zwiększysz swoje szanse na osiągnięcie sukcesu biznesowego

Przeanalizuj posiadane dane i podejmij trafne decyzje.

Spis treści:

1. Wstęp: myślenie w kategoriach analityki danych (25)

  • Wszechobecność możliwości pozyskiwania danych (25)
  • Przykład: huragan Frances (27)
  • Przykład: prognozowanie odpływu klientów (27)
  • Nauka o danych, inżynieria i podejmowanie decyzji na podstawie danych (28)
  • Przetwarzanie danych i Big Data (31)
  • Od Big Data 1.0 do Big Data 2.0 (32)
  • Dane i potencjał nauki o danych jako aktywa strategiczne (32)
  • Myślenie w kategoriach analityki danych (35)
  • Nasza książka (37)
  • Eksploracja danych i nauka o danych, nowe spojrzenie (37)
  • Chemia to nie probówki: nauka o danych kontra praca badacza danych (38)
  • Podsumowanie (39)

2. Problemy biznesowe a rozwiązania z zakresu nauki o danych (41)

  • Podstawowe pojęcia: Zbiór kanonicznych zadań związanych z eksploracją danych; Proces eksploracji danych; Nadzorowana i nienadzorowana eksploracja danych.
  • Od problemów biznesowych do zadań eksploracji danych (41)
  • Metody nadzorowane i nienadzorowane (45)
  • Eksploracja danych i jej wyniki (47)
  • Proces eksploracji danych (47)
    • Zrozumienie uwarunkowań biznesowych (49)
    • Zrozumienie danych (49)
    • Przygotowanie danych (51)
    • Modelowanie (52)
    • Ewaluacja (52)
    • Wdrożenie (53)
  • Implikacje w sferze zarządzania zespołem nauki o danych (55)
  • Inne techniki i technologie analityczne (56)
    • Statystyka (56)
    • Zapytania do baz danych (58)
    • Magazynowanie danych (59)
    • Analiza regresji (59)
    • Uczenie maszynowe i eksploracja danych (60)
    • Odpowiadanie na pytania biznesowe z wykorzystaniem tych technik (61)
  • Podsumowanie (62)

3. Wprowadzenie do modelowania predykcyjnego: od korelacji do nadzorowanej segmentacji (63)

  • Podstawowe pojęcia: Identyfikowanie atrybutów informatywnych; Segmentowanie danych za pomocą progresywnej selekcji atrybutów.
  • Przykładowe techniki: Wyszukiwanie korelacji; Wybór atrybutów/zmiennych; Indukcja drzew decyzyjnych.
  • Modele, indukcja i predykcja (64)
  • Nadzorowana segmentacja (67)
    • Wybór atrybutów informatywnych (68)
    • Przykład: wybór atrybutu z wykorzystaniem przyrostu informacji (74)
    • Nadzorowana segmentacja z użyciem modeli o strukturze drzewa (79)
  • Wizualizacja segmentacji (83)
  • Drzewa jako zbiory reguł (86)
  • Szacowanie prawdopodobieństwa (86)
  • Przykład: rozwiązywanie problemu odpływu abonentów z wykorzystaniem indukcji drzewa (88)
  • Podsumowanie (92)

4. Dopasowywanie modelu do danych (95)

  • Podstawowe pojęcia: Znajdowanie "optymalnych" parametrów modelu na podstawie danych; Wybieranie celu eksploracji danych; Funkcje celu; Funkcje straty.
  • Przykładowe techniki: Regresja liniowa; Regresja logistyczna; Maszyny wektorów wspierających.
  • Klasyfikacja za pomocą funkcji matematycznych (96)
    • Liniowe funkcje dyskryminacyjne (97)
    • Optymalizacja funkcji celu (100)
    • Przykład wydobywania dyskryminatora liniowego z danych (101)
    • Liniowe funkcje dyskryminacyjne do celów scoringu i szeregowania wystąpień (102)
    • Maszyny wektorów wspierających w skrócie (103)
  • Regresja za pomocą funkcji matematycznych (106)
  • Szacowanie prawdopodobieństwa klas i "regresja" logistyczna (108)
    • * Regresja logistyczna: kilka szczegółów technicznych (111)
  • Przykład: indukcja drzew decyzyjnych a regresja logistyczna (113)
  • Funkcje nieliniowe, maszyny wektorów wspierających i sieci neuronowe (117)
  • Podsumowanie (119)

5. Nadmierne dopasowanie i jego unikanie (121)

  • Podstawowe pojęcia: Generalizacja; Dopasowanie i nadmierne dopasowanie; Kontrola złożoności.
  • Przykładowe techniki: Sprawdzian krzyżowy; Wybór atrybutów; Przycinanie drzew; Regularyzacja.
  • Generalizacja (121)
  • Nadmierne dopasowanie ("przeuczenie") (122)
  • Badanie nadmiernego dopasowania (123)
    • Dane wydzielone i wykresy dopasowania (123)
    • Nadmierne dopasowanie w indukcji drzew decyzyjnych (125)
    • Nadmierne dopasowanie w funkcjach matematycznych (127)
  • Przykład: nadmierne dopasowanie funkcji liniowych (128)
  • * Przykład: dlaczego nadmierne dopasowanie jest niekorzystne? (131)
  • Od ewaluacji danych wydzielonych do sprawdzianu krzyżowego (133)
  • Zbiór danych dotyczących odpływu abonentów - nowe spojrzenie (136)
  • Krzywe uczenia się (137)
  • Unikanie nadmiernego dopasowania i kontrola złożoności (139)
    • Unikanie nadmiernego dopasowania w indukcji drzew decyzyjnych (139)
    • Ogólna metoda unikania nadmiernego dopasowania (141)
    • * Unikanie nadmiernego dopasowania w celu optymalizacji parametrów (142)
  • Podsumowanie (145)

6. Podobieństwo, sąsiedzi i klastry (147)

  • Podstawowe pojęcia: Obliczanie podobieństwa obiektów opisanych przez dane; Wykorzystywanie podobieństwa do celów predykcji; Klastrowanie jako segmentacja oparta na podobieństwie.
  • Przykładowe techniki: Poszukiwanie podobnych jednostek; Metody najbliższych sąsiadów; Metody klastrowania; Miary odległości do obliczania podobieństwa.
  • Podobieństwo i odległość (148)
  • Wnioskowanie metodą najbliższych sąsiadów (150)
    • Przykład: analityka whisky (150)
    • Najbliżsi sąsiedzi w modelowaniu predykcyjnym (152)
    • Ilu sąsiadów i jak duży wpływ? (154)
    • Interpretacja geometryczna, nadmierne dopasowanie i kontrola złożoności (156)
    • Problemy z metodami najbliższych sąsiadów (158)
  • Kilka istotnych szczegółów technicznych dotyczących podobieństw i sąsiadów (162)
    • Atrybuty heterogeniczne (162)
    • * Inne funkcje odległości (163)
    • * Funkcje łączące: obliczanie wskaźników na podstawie sąsiadów (165)
  • Klastrowanie (167)
    • Przykład: analityka whisky - nowe spojrzenie (167)
    • Klastrowanie hierarchiczne (168)
    • Najbliżsi sąsiedzi na nowo: klastrowanie wokół centroidów (172)
    • Przykład: klastrowanie wiadomości biznesowych (176)
    • Zrozumienie wyników klastrowania (179)
    • * Wykorzystywanie uczenia nadzorowanego do generowania opisów klastrów (181)
  • Krok wstecz: rozwiązywanie problemu biznesowego kontra eksploracja danych (183)
  • Podsumowanie (185)

7. Myślenie w kategoriach analityki decyzji I: co to jest dobry model? (187)

  • Podstawowe pojęcia: Staranne rozważenie, czego oczekujemy od wyników nauki o danych; Wartość oczekiwana jako kluczowa platforma ewaluacji; Uwzględnianie odpowiednich porównawczych punktów odniesienia.
  • Przykładowe techniki: Różne miary ewaluacji; Szacowanie kosztów i korzyści; Obliczanie oczekiwanego zysku; Tworzenie metod bazowych dla porównań.
  • Ewaluacja klasyfikatorów (188)
    • Zwykła dokładność i jej problemy (189)
    • Macierz pomyłek (189)
    • Problemy z niezrównoważonymi klasami (190)
    • Problemy nierównych kosztów i korzyści (191)
  • Generalizowanie poza klasyfikacją (193)
  • Kluczowa platforma analityczna: wartość oczekiwana (193)
    • Wykorzystywanie wartości oczekiwanej do systematyzowania zastosowania klasyfikatora (194)
    • Wykorzystywanie wartości oczekiwanej do systematyzowania ewaluacji klasyfikatora (195)
  • Ewaluacja, skuteczność bazowa oraz implikacje dla inwestowania w dane (201)
  • Podsumowanie (205)

8. Wizualizacja skuteczności modelu (207)

  • Podstawowe pojęcia: Wizualizacja skuteczności modelu przy różnych rodzajach niepewności; Dalsze rozważania odnośnie tego, czego należy oczekiwać od wyników eksploracji danych.
  • Przykładowe techniki: Krzywe zysku; Krzywe łącznej reakcji; Krzywe przyrostu; Krzywe ROC.
  • Ranking zamiast klasyfikowania (207)
  • Krzywe zysku (209)
  • Wykresy i krzywe ROC (212)
  • Pole pod krzywą ROC (AUC) (216)
  • Krzywe łącznej reakcji i krzywe przyrostu (216)
  • Przykład: analityka skuteczności w modelowaniu odpływu abonentów (219)
  • Podsumowanie (226)

9. Dowody i prawdopodobieństwa (227)

  • Podstawowe pojęcia: Jednoznaczne łączenie dowodów za pomocą twierdzenia Bayesa; Wnioskowanie probabilistyczne poprzez założenia warunkowej niezależności.
  • Przykładowe techniki: Klasyfikacja bayesowska; Przyrost wartości dowodu.
  • Przykład: targetowanie klientów reklam internetowych (227)
  • Probabilistyczne łączenie dowodów (229)
    • Prawdopodobieństwo łączne i niezależność (230)
    • Twierdzenie Bayesa (231)
  • Zastosowanie twierdzenia Bayesa w nauce o danych (232)
    • Niezależność warunkowa i naiwny klasyfikator bayesowski (234)
    • Zalety i wady naiwnego klasyfikatora bayesowskiego (235)
  • Model "przyrostu" wartości dowodu (237)
  • Przykład: przyrosty wartości dowodów z "polubień" na Facebooku (238)
    • Dowody w akcji: targetowanie klientów reklamami (240)
  • Podsumowanie (240)

10. Reprezentacja i eksploracja tekstu (243)

  • Podstawowe pojęcia: Znaczenie konstruowania przyjaznych eksploracji reprezentacji danych; Reprezentacja tekstu do celów eksploracji danych.
  • Przykładowe techniki: Reprezentacja worka słów (bag of words); Kalkulacja TFIDF; N-gramy; Sprowadzanie do formy podstawowej (stemming); Ekstrakcja wyrażeń nazwowych; Modele tematyczne.
  • Dlaczego tekst jest istotny (244)
  • Dlaczego tekst jest trudny (244)
  • Reprezentacja (245)
    • Worek słów (bag of words) (245)
    • Częstość termów (246)
    • Mierzenie rzadkości (sparseness): odwrotna częstość w dokumentach (248)
    • Łączenie reprezentacji: TFIDF (249)
  • Przykład: muzycy jazzowi (250)
  • * Związek IDF z entropią (253)
  • Oprócz worka słów (255)
    • N-gramy (255)
    • Ekstrakcja wyrażeń nazwowych (255)
    • Modele tematyczne (256)
  • Przykład: eksploracja wiadomości w celu prognozowania zmian cen akcji (257)
    • Zadanie (257)
    • Dane (259)
    • Wstępne przetwarzanie danych (262)
    • Wyniki (262)
  • Podsumowanie (266)

11. Myślenie w kategoriach analityki decyzji II: w kierunku inżynierii analitycznej (267)

  • Podstawowe pojęcie: Rozwiązywanie problemów biznesowych z wykorzystaniem nauki o danych rozpoczyna się od inżynierii analitycznej: projektowania rozwiązania analitycznego z wykorzystaniem dostępnych danych, narzędzi i technik.
  • Przykładowa technika: Wartość oczekiwana jako platforma opracowania rozwiązania z zakresu nauki o danych.
  • Targetowanie najlepszych potencjalnych klientów przesyłek organizacji pozyskujących fundusze (268)
    • Platforma wartości oczekiwanej: rozkład problemu biznesowego i ponowne zestawienie elementów rozwiązania (268)
    • Krótka dygresja na temat stronniczości selekcji (270)
  • Nowe, jeszcze bardziej zaawansowane spojrzenie na nasz przykład odpływu abonentów (271)
    • Platforma wartości oczekiwanej: strukturyzacja bardziej skomplikowanego problemu biznesowego (271)
    • Ocena wpływu zachęty (272)
    • Od rozkładu wartości oczekiwanej do rozwiązania z obszaru nauki o danych (274)
  • Podsumowanie (277)

12. Inne zadania i techniki nauki o danych (279)

  • Podstawowe pojęcia: Nasze podstawowe pojęcia jako baza wielu typowych technik nauki o danych; Znaczenie wiedzy o elementach składowych nauki o danych.
  • Przykładowe techniki: Zależność i współwystępowanie; Profilowanie zachowań; Predykcja połączeń; Redukcja danych; Eksploracja informacji ukrytych; Rekomendowanie filmów; Rozkład błędu pod względem stronniczości - wariancji; Zespoły modeli; Wnioskowanie przyczynowe z danych.
  • Współwystąpienia i zależności: znajdowanie elementów, które idą w parze (280)
    • Pomiar zaskoczenia: przyrost i dźwignia (281)
    • Przykład: piwo i kupony loteryjne (282)
    • Zależności pomiędzy polubieniami na Facebooku (282)
  • Profilowanie: znajdowanie typowego zachowania (285)
  • Predykcja połączeń i rekomendacje społecznościowe (290)
  • Redukcja danych, informacje ukryte i rekomendacje filmów (291)
  • Stronniczość, wariancja i metody zespalania (294)
  • Oparte na danych wyjaśnianie przyczynowe i przykład marketingu wirusowego (297)
  • Podsumowanie (298)

13. Nauka o danych i strategia biznesowa (301)

  • Podstawowe pojęcia: Nasze zasady jako podstawa sukcesu firmy działającej na podstawie danych; Zdobywanie i utrzymywanie przewagi konkurencyjnej za pomocą nauki o danych; Znaczenie dbałości o potencjał nauki o danych.
  • Myślenie w kategoriach analityki danych, raz jeszcze (301)
  • Osiąganie przewagi konkurencyjnej przy pomocy nauki o danych (303)
  • Utrzymywanie przewagi konkurencyjnej przy pomocy nauki o danych (304)
    • Nadzwyczajna przewaga historyczna (305)
    • Wyjątkowa własność intelektualna (305)
    • Wyjątkowe niematerialne aktywa zabezpieczające (306)
    • Lepsi badacze danych (306)
    • Lepsze zarządzanie zespołem nauki o danych (308)
  • Pozyskiwanie badaczy danych i ich zespołów oraz opieka nad nimi (309)
  • Badanie studiów przypadku z zakresu nauki o danych (311)
  • Gotowość do przyjmowania kreatywnych pomysłów z każdego źródła (312)
  • Gotowość do oceny propozycji projektów z zakresu nauki o danych (312)
    • Przykładowa propozycja eksploracji danych (313)
    • Błędy w propozycji Big Red (313)
  • Dojrzałość firmy w sferze nauki o danych (315)

14. Zakończenie (317)

  • Podstawowe pojęcia nauki o danych (317)
    • Zastosowanie naszych podstawowych pojęć do nowego problemu: eksploracji danych urządzeń przenośnych (320)
    • Zmiana sposobu myślenia o rozwiązaniach problemów biznesowych (322)
  • Czego dane nie mogą dokonać: nowe spojrzenie na decydentów (323)
  • Prywatność, etyka i eksploracja danych dotyczących konkretnych osób (326)
  • Czy jest coś jeszcze w nauce o danych? (327)
  • Ostatni przykład: od crowdsourcingu do cloudsourcingu (328)
  • Kilka słów na zakończenie (329)

A. Przewodnik dotyczący oceny propozycji (331)

  • Zrozumienie uwarunkowań biznesowych i zrozumienie danych (331)
  • Przygotowanie danych (332)
  • Modelowanie (332)
  • Ewaluacja i wdrożenie (333)

B. Jeszcze jedna przykładowa propozycja (335)

  • Scenariusz i propozycja (335)
  • Wady propozycji GGC (336)

C. Słowniczek (339)

D. Bibliografia (345)

Analiza danych w biznesie Sztuka podejmowania skutecznych decyzji
--- Pozycja niedostępna.---
Klienci, którzy kupili „Analiza danych w biznesie Sztuka podejmowania skutecznych decyzji”, kupili także:

Poznajemy LEGO MINDSTORMS EV3. Narzędzia i techniki budowania i programowania robotów, Eun Jung (EJ) Park, Wydawnictwo Promise

Programowanie w języku Java Zbiór zadań z (p)odpowiedziami, Wiesław Rychlicki, Wydawnictwo Helion

Zaprzyjaźnij się z algorytmami Przewodnik dla początkujących i średniozaawansowanych, Jacek Tomasiewicz, Wydawnictwo Naukowe PWN

Metody i narzędzia eksploracji danych, Stanisław Osowski, Wydawnictwo BTC

Eksploracja danych Metody i algorytmy, Tadeusz Morzy, Wydawnictwo Naukowe PWN

Stąd do nieskończoności Przewodnik po krainie dzisiejszej matematyki, Ian Stewart, Wydawnictwo Prószyński

czwartek, 28 marca 2024   Mapa strony |  Nowości |  Dzisiejsze promocje |  Koszty wysyłki |  Kontakt z nami