Estatística prática para cientistas de dados: 50 conceitos essenciais

روش های آماری بخش مهمی از علم داده است. با این حال، تعداد کمی از دانشمندان داده پیشینه آماری دارند.

دوره‌ها و کتاب‌های مربوط به آمار پایه به ندرت موضوعات را از دیدگاه علم داده پوشش می‌دهند.</ p>

این راهنمای عملی نحوه به کارگیری روش‌های آماری مختلف در علم داده را توضیح می‌دهد، به شما می‌آموزد که چگونه از سوءاستفاده از آن‌ها اجتناب کنید، و در مورد آنچه مهم است و چه چیزی مهم نیست توصیه می‌کند.

با این کتاب، یاد خواهید گرفت:< /span>

span>

• چرا تجزیه و تحلیل داده های اکتشافی یک گام اولیه مهم در علم داده است
• < span>چگونه نمونه‌گیری تصادفی می‌تواند سوگیری را کاهش دهد و به مجموعه داده‌ای با کیفیت بالاتر، حتی در داده‌های بزرگ منجر شود
• چگونه اصول طراحی تجربی به پاسخ های قطعی منجر می شود
• چگونه از رگرسیون برای تخمین نتایج و تشخیص ناهنجاری ها استفاده کنیم< li>تکنیک های طبقه بندی کلیدی برای پیش بینی اینکه یک رکورد به کدام دسته ها تعلق دارد
• روش های یادگیری ماشین آماری که "یادگیری" با داده
• روش های یادگیری بدون نظارت برای استخراج معنی از داده های بدون برچسب
< /ul>

" این کتاب فقط یک کتاب درسی آمار کالج دیگر یا یک کتابچه راهنمای یادگیری ماشین نیست.

خیلی بهتر است: ارتباط بین آمار مفید را انجام می دهد. اصطلاحات و اصول و اصطلاحات و تمرین کاوش داده ها، با توضیحات واضح و مثال های فراوان.

این کتاب مرجع شگفت انگیزی برای مبتدیان و پیشکسوتان علم داده است. —Galit Shmueli نویسنده اصلی مجموعه‌های پرفروش داده‌کاوی برای تجزیه و تحلیل کسب‌وکار و استاد مسند در دانشگاه ملی Tsing Hua، تایوان

Métodos estatísticos são uma parte crucial da ciência de dados; ainda assim, poucos cientistas de dados têm formação estatística.

Os cursos e livros sobre estatística básica raramente abordam os tópicos sob a perspectiva da ciência de dados.

Este guia prático explica como aplicar diversos métodos estatísticos em ciência de dados, ensina a evitar seu mau uso e aconselha sobre o que é importante e o que não é.

Muitos recursos da ciência de dados incorporam métodos estatísticos, mas carecem de uma perspectiva estatística aprofundada. Se você está familiarizado com a linguagem de programação R e tem algum conhecimento estatístico, este guia fará a ponte de forma fácil e acessível.

Com este livro, você aprenderá:

• Por que a análise exploratória de dados é um passo prévio importante na ciência de dados
• Como a amostragem aleatória pode reduzir o viés e resultar um conjunto de dados de maior qualidade, mesmo em big data
• Como os princípios do design experimental resultam respostas definitivas
• Como usar regressão para estimar resultados e detectar anomalias
• Principais técnicas de classificação para prever a quais categorias um registro pertence
• Métodos de aprendizado de máquina estatístico que “aprendem” com os dados
• Métodos de aprendizado não supervisionado para extração de significado de dados não rotulados

“ Este livro não é só mais um livro universitário de estatística ou um manual de aprendizado de máquina.

É muito melhor: ele faz a conexão entre termos e princípios estatísticos úteis e os jargões e a prática da exploração de dados, com explicações clarase muitos exemplos.

Este livro é uma referência incrível para iniciantes e veteranos da ciência de dados.” ―Galit Shmueli Principal autora da série best-seller Data Mining for Business Analytics e professora titular na National Tsing Hua University, Taiwan