Agile Data Science 2.0

تیم‌های علم داده که به دنبال تبدیل تحقیقات به برنامه‌های کاربردی تحلیلی مفید هستند، نه تنها به ابزارهای مناسب، بلکه به رویکرد مناسب نیز برای موفقیت نیاز دارند. با ویرایش دوم اصلاح شده این راهنمای عملی، دانشمندان داده جدید یاد می‌گیرند که چگونه از روش توسعه Agile Data Science برای ساخت برنامه‌های داده با Python، Apache Spark، Kafka و ابزارهای دیگر استفاده کنند.

نویسنده راسل جورنی نشان می‌دهد که چگونه می‌توان یک پلتفرم داده برای ساخت، استقرار و اصلاح برنامه‌های تحلیلی با Apache Kafka، MongoDB، ElasticSearch، d3.js، scikit-learn، و Apache Airflow ایجاد کرد. شما یک رویکرد تکراری را یاد خواهید گرفت که به شما امکان می‌دهد به سرعت نوع تحلیلی را که انجام می‌دهید تغییر دهید، بسته به آنچه داده‌ها به شما می‌گویند. کار علم داده را به عنوان یک برنامه وب منتشر کنید و بر تغییرات معنادار در سازمان خود تأثیر بگذارید.

• از داده‌های خود در یک سری از سرعت‌های سریع، با استفاده از هرم ارزش داده، ارزش ایجاد کنید
< li>استخراج ویژگی‌های مدل‌های آماری از یک مجموعه داده منفرد
• داده‌ها را با نمودارها تجسم کنید و جنبه‌های مختلف را از طریق گزارش‌های تعاملی نشان دهید
• از داده‌های تاریخی برای پیش‌بینی آینده از طریق طبقه‌بندی و رگرسیون استفاده کنید. li>
• پیش‌بینی‌ها را به اقدامات تبدیل کنید
• پس از هر دویدن بازخورد از کاربران دریافت کنید تا پروژه خود را در مسیر خود نگه دارید

Data science teams looking to turn research into useful analytics applications require not only the right tools, but also the right approach if they’re to succeed. With the revised second edition of this hands-on guide, up-and-coming data scientists will learn how to use the Agile Data Science development methodology to build data applications with Python, Apache Spark, Kafka, and other tools.

Author Russell Jurney demonstrates how to compose a data platform for building, deploying, and refining analytics applications with Apache Kafka, MongoDB, ElasticSearch, d3.js, scikit-learn, and Apache Airflow. You’ll learn an iterative approach that lets you quickly change the kind of analysis you’re doing, depending on what the data is telling you. Publish data science work as a web application, and affect meaningful change in your organization.

• Build value from your data in a series of agile sprints, using the data-value pyramid
• Extract features for statistical models from a single dataset
• Visualize data with charts, and expose different aspects through interactive reports
• Use historical data to predict the future via classification and regression
• Translate predictions into actions
• Get feedback from users after each sprint to keep your project on track