Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach r i python. wydanie ii (Helion)

Metody statystyczne są kluczowym narzędziem w data science, mimo to niewielu analityków informacji zdobyło wykształcenie w ich zakresie. Może im to utrudniać uzyskiwanie korzystnych efektów. Zrozumienie poręcznych zasad statystyki okazuje się ważne w dodatku dla programistów R i Pythona, którzy tworzą rozwiązania dla data science.

Kursy podstaw statystyki rzadko jednak uwzględniają tę perspektywę, a większość podręczników do statystyki w ogóle nie zajmuje się narzędziami wywodzącymi się z informatyki. To drugie wydanie modnego podręcznika statystyki dedykowanego dla analityków informacji.

Uzupełniono je o duże przykłady w Pythonie, a także wyjaśnienie, jak stosować poszczególne metody statystyczne w problemach data science oraz jak ich nie używać. Skoncentrowano się również na tych zagadnieniach statystyki, które odgrywają pokaźną rolę w data science.

Wyjaśniono, które koncepcje są ważne i przydatne z tej perspektywy, a które mniej istotne i dlaczego.Co ważne, poszczególne koncepcje i zagadnienia ergonomiczne przedstawiono w sposób przyswajalny i zrozumiały na dodatek dla osób nienawykłych do posługiwania się statystyką na co dzień.

W książce między innymi: analiza eksploracyjna we wstępnym badaniu danych próby losowe a jakość sporych zbiorów danych podstawy planowania eksperymentów regresja w szacowaniu wyników i wykrywaniu anomalii statystyczne uczenie maszynowe uczenie nienadzorowane a znaczenie informacji niesklasyfikowanych Statystyka: tradycyjne narzędzia w najnowszych technologiach!

O autorach Peter Bruce jest ekspertem w dziedzinie nauczania statystyki. Prowadzi Institute for Statistics Education, gdzie proponuje setki kursów skierowanych pomiędzy innymi do naukowców. Dr Andrew Bruce jest głównym analitykiem w Amazonie.

Od trzydziestu lat zajmuje się statystyką i nauką o informacji, opracowując rozwiązania problemów z wielu branż. Dr Peter Gedeck jest badaczem w Collaborative Drug Discovery. Stwarza algorytmy uczenia maszynowego do przewidywania parametry substancji stanowiących potencjalne leki.