Data Mining and Exploration: From Traditional Statistics to Modern Data Science

این کتاب جنبه‌های مفهومی و رویه‌ای روش‌های پیشرفته علم داده، مانند تجسم داده‌های پویا، شبکه‌های عصبی مصنوعی، روش‌های مجموعه، و متن کاوی را معرفی می‌کند. حداقل دو عنصر منحصر به فرد وجود دارد که می تواند کتاب را از رقبای خود متمایز کند.

اول، اکثر دانشجویان علوم اجتماعی، مهندسی و تجارت حداقل یک کلاس را در مقدمه گذرانده اند. آمار قبل از یادگیری علم داده با این حال، معمولاً این دوره‌ها شباهت‌ها و تفاوت‌های بین آمار سنتی و علم داده مدرن را مورد بحث قرار نمی‌دهند. در نتیجه یادگیرندگان با این تغییر پارادایم به ظاهر شدید سرگردان می شوند. در واکنش، برخی از سنت گرایان به طور کلی علم داده را رد می کنند در حالی که برخی از تحلیلگران مبتدی از ابزارهای داده کاوی به عنوان "جعبه سیاه" استفاده می کنند، بدون اینکه دیدگاه جامعی از تفاوت های اساسی بین روش های سنتی و مدرن داشته باشند (مانند تفکر دوگانه در مقابل تشخیص الگو، تایید در مقابل اکتشاف، روش منفرد در مقابل مثلث بندی، نمونه تک در مقابل اعتبارسنجی متقاطع و غیره). این کتاب انتقال بین روش‌های کلاسیک و علم داده را مشخص می‌کند (به عنوان مثال از p ارزش به لاگ ورث، از نمونه‌برداری مجدد به روش‌های مجموعه، از تحلیل محتوا به متن کاوی و غیره). ثانیاً، این کتاب با پوشش انبوهی از ابزارهای نرم افزاری، قصد دارد افق یادگیرنده را گسترش دهد. وقتی یک تکنسین چکش دارد، به نظر می رسد هر مشکلی یک میخ است. به همین ترتیب، بسیاری از کتاب‌های درسی تنها بر روی یک بسته نرم‌افزاری متمرکز می‌شوند و در نتیجه، زبان‌آموز تمایل دارد که مشکل را با ابزار تطبیق دهد، اما نه برعکس. برای اصلاح وضعیت، یک تحلیلگر توانمند باید به جای یک ابزار واحد، به یک مجموعه ابزار مجهز باشد. به عنوان مثال، هنگامی که تحلیلگر با داده های مهم در یک صنعت بسیار تنظیم شده، مانند داروسازی و بانکداری کار می کند، ماژول های نرم افزار تجاری (به عنوان مثال، SAS) ضروری هستند. برای یک شرکت متوسط ​​و کوچک، بسته‌های منبع باز مانند پایتون مفید خواهند بود. اگر هدف تحقیق ایجاد یک خلاصه اجرایی سریع باشد، انتخاب منطقی مقایسه سریع مدل است. اگر تحلیلگر می‌خواهد داده‌ها را با پرسیدن سؤالات «چه می‌شود» بررسی کند، نمودار پویا در JMP Pro گزینه بهتری است. این کتاب از مثال‌های عینی برای توضیح مزایا و معایب نرم‌افزارهای مختلف استفاده می‌کند.

This book introduces both conceptual and procedural aspects of cutting-edge data science methods, such as dynamic data visualization, artificial neural networks, ensemble methods, and text mining. There are at least two unique elements that can set the book apart from its rivals.

First, most students in social sciences, engineering, and business took at least one class in introductory statistics before learning data science. However, usually these courses do not discuss the similarities and differences between traditional statistics and modern data science; as a result learners are disoriented by this seemingly drastic paradigm shift. In reaction, some traditionalists reject data science altogether while some beginning data analysts employ data mining tools as a “black box”, without a comprehensive view of the foundational differences between traditional and modern methods (e.g., dichotomous thinking vs. pattern recognition, confirmation vs. exploration, single method vs. triangulation, single sample vs. cross-validation etc.). This book delineates the transition between classical methods and data science (e.g. from p value to Log Worth, from resampling to ensemble methods, from content analysis to text mining etc.). Second, this book aims to widen the learner's horizon by covering a plethora of software tools. When a technician has a hammer, every problem seems to be a nail. By the same token, many textbooks focus on a single software package only, and consequently the learner tends to fit the problem with the tool, but not the other way around. To rectify the situation, a competent analyst should be equipped with a tool set, rather than a single tool. For example, when the analyst works with crucial data in a highly regulated industry, such as pharmaceutical and banking, commercial software modules (e.g., SAS) are indispensable. For a mid-size and small company, open-source packages such as Python would come in handy. If the research goal is to create an executive summary quickly, the logical choice is rapid model comparison. If the analyst would like to explore the data by asking what-if questions, then dynamic graphing in JMP Pro is a better option. This book uses concrete examples to explain the pros and cons of various software applications.