Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach r i python wyd. 2 (Helion Gliwice)

Metody statystyczne są kluczowym narzędziem w data science, mimo to niewielu analityków informacji zdobyło wykształcenie w ich zakresie. Może im to utrudniać uzyskiwanie dobrych efektów. Zrozumienie funkcjonalnych 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 obszerne przykłady w Pythonie oraz wyjaśnienie, jak stosować poszczególne metody statystyczne w problemach data science, a także jak ich nie używać. Skoncentrowano się także na tych zagadnieniach statystyki, które odgrywają znaczną 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 poręczne przedstawiono w sposób przyswajalny i zrozumiały ponadto dla osób nienawykłych do posługiwania się statystyką na co dzień.

W książce pomiędzy innymi:

analiza eksploracyjna we wstępnym badaniu informacji
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: klasyczne narzędzia w najnowszych technikach!
O autorach
Peter Bruce jest ekspertem w dziedzinie nauczania statystyki. Prowadzi Institute for Statistics Education, gdzie oferuje setki kursów skierowanych pomiędzy innymi do naukowców.

Dr Andrew Bruce jest głównym analitykiem w Amazonie. Od trzydziestu lat zajmuje się statystyką i nauką o danych, opracowując rozwiązania problemów z wielu branż.

Dr Peter Gedeck jest badaczem w Collaborative Drug Discovery. Formuje algorytmy uczenia maszynowego do przewidywania atrybuty substancji stanowiących potencjalne leki.