Дэниел Воган | Data Science. Лучшие практики. Достижение успеха в науке о данных (2026) [PDF] -Автор: Дэниел Воган Перевод: Е. Жевлакова Издательство: Астана Серия: O'Reilly. Книги по программированию ISBN: 978-601-12-7679-5 Жанр: Компьютерная литература Формат: PDF Качество: Обработанный скан Иллюстрации: Черно-белые Описание: Не только владение определенными методами и практиками, но и умение применять их там, где это действительно имеет значение, отличает хорошего специалиста по данным от выдающегося. Эта книга для тех, кто хочет выйти за рамки учебных примеров и научиться строить проекты, приносящие ощутимую ценность бизнесу. Автор делится проверенными подходами , которые редко встречаются в классических курсах. В центре внимания не только техника, но и практическое мастерство: как убедительно презентовать результаты, как формулировать с ильные аргументы, как превращать аналитику в реальные решения. Настольный справочник для тех, кто стремится не просто «работать с данными», а создавать проекты, которые влияют на решения и меняют процессы. Она будет одинаково полезна как амбициозным новичкам, так и опытным дата-сайентистам, желающим прокачать навыки и повысить эффективность своей работы.
"Дополнительная информация:"
Оглавление Предисловие Условные обозначения, используемые в этой книге Использование примеров кода Онлайн-обучение в O'Reilly Как с нами связаться Благодарности Часть I Методы анализа данных Глава 1. Что дальше? Создание ценности с помощью Data science Что такое ценность? Что: хорошо разбираться в бизнесе Что дальше: суть создания ценности посредством науки о данных Что делать сейчас: проявляйте инициативу Измерение ценности Основные выводы Дополнительная литература Глава 2. Разработка метрик Полезные свойства метрик Декомпозиция метрик Другой вариант декомпозиции выручки Пример с маркетплейсами Основные выводы Дополнительная литература Глава 3. Декомпозиции роста: попутные и встречные ветры Почему именно декомпозиция роста? Аддитивная декомпозиция Мультипликативная декомпозиция Декомпозиция mix-rate Математические производные Основные выводы Дополнительная литература Глава 4. Матрицы 2х2 Аргументы в пользу упрощения Что такое матрица 2х2? Пример: тестируем модель и новый признак Пример: анализируем поведение пользователя Пример: оформление и одобрение кредита Пример: расстановка приоритетов в рабочем процессе Основные выводы Дополнительная литература Глава 5. Создание бизнес-кейсов Принципы создания бизнес-кейсов Пример: проактивная стратегия удержания Предотвращение мошенничества Приобретение внешних наборов данных Работа над проектом по Data science Основные выводы Дополнительная литература Глава 6. Что показывает прирост? Расчет прироста Пример: модель классификации Свободный выбор и смещение по выживаемости Другие варианты использования прироста Основные выводы Дополнительная литература Глава 7. Нарративы Нарративы: рассказать историю, используя свои данные Практическая применимость Создание нарратива Последний рывок Основные выводы Дополнительная литература Глава 8. Datavis: выбираем диаграмму для передачи идеи Некоторые полезные и не очень методы визуализации данных Общие рекомендации Основные выводы Дополнительная литература ЧАСТЬ II Машинное обучение Глава 9. Моделирование и бутстрэп Основы моделирования Моделирование линейной модели и линейной регрессии Что такое графики частичной зависимости? Смещение вследствие пропущенных переменных Моделирование задач классификации Бутстрэп Основные выводы Дополнительная литература Глава 10. Линейная регрессия: возвращаемся к основам Что определяет коэффициент? Теорема Фриша-Во-Ловелла Чем полезна теорема Фриша-Во-Ловелла? Конфаундеры Дополнительнвые переменные Ключевая роль дисперсии в ML Основные выводы Дополнительная литература Глава 11. Утечка данных Что такое утечка данных? Обнаружение утечки данных Полное разделение Метод скользящего окна (Windowing Methodology) Утечка данных: что делать сейчас? Основные выводы Дополнительная литература Глава 12. Вывод модели в продакшн Что означает « готовность к продакшну»? Дрейф данных и модели Основные этапы любого конвейера в продакшне Основные выводы Дополнительная литература Глава 13. Сторителлинг в машинном обучении Целостный взгляд на сторителлинг в ML Ех ante и interim сторителлинг Сторителлинг ех post: открываем черный ящик Основные выводы Дополнительная литература Глава 14. От прогнозирования к принятию решений Анализ процесса принятия решений Простые правила принятия решений с помощью интеллектуального определения пороговых значений (Smart Thresholding) Оптимизация матрицы несоответствий Основные выводы Дополнительная литература Глава 15. Инкрементальность: святой Грааль науки о данных? Что такое инкрементальность Конфаундеры и коллайдеры Смещение выборки Допущение об отсутствии смещения Преодоление смещения выборки: рандомизация Мэтчинг Машинное обучение и причинно-следственный вывод Основные выводы Дополнительная литература Глава 16. А/В-тесты Что такое А/В-тест? Критерии принятия решения Минимальные обнаруживаемые эффекты Бэклог гипотез Управление экспериментами Основные выводы Дополнительная литература Глава 17. Большие языковые модели и наука о данных в работе Текущее состояние ИИ Чем занимаются дата-сайентисты? Эволюция должностных обязанностей дата-сайентистов LLM и эта книга Основные выводы Дополнительная литература Об авторе Колофон
Курс Дэниел Воган - Data Science. Лучшие практики. Достижение успеха в науке о данных (2026)
Текущее время: Сегодня 04:50
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы