Kluczowe kompetencje specjalisty danych

Spis rysunków IX Bonus dla Czytelników XII Podziękowania XIII Wstęp 1 CZĘŚĆ I „O co w tym chodzi?” Najważniejsze zasady Data Science 3 Dokąd zmierzamy 4 Przyszłość to dane 5 Hamowanie postępu 5 01 Definicja danych 7 Dane są wszędzie 8 Wielkość (danych) ma znaczenie 9 Przechowywanie i przetwarzanie danych 11 Dane mają moc tworzenia .13 Użycie danych 15 Dlaczego właśnie teraz dane stały się ważne 16 Martwienie się nic nie da 18 Bibliografia 21 02 Jak dane spełniają nasze potrzeby 22 Wszechobecność danych 22 Data Science a potrzeby fizjologiczne 23 Data Science a potrzeby bezpieczeństwa 25 Data Science a potrzeby przynależności i miłości 28 Data Science a samorealizacja 32 Data Science a samodoskonalenie 32 Kilka słów podsumowania 33 Bibliografia 34 03 Sztuczna inteligencja a nasza przyszłość 36 Czym jest sztuczna inteligencja? 36 Silna sztuczna inteligencja 37 Słaba sztuczna inteligencja 38 Robotyka i automatyzacja procesów 38 Rozpoznawanie obrazów 40 Przetwarzanie języka naturalnego 42 Uczenie ze wzmocnieniem oraz uczenie głębokie 44 Ciemna strona sztucznej inteligencji 45 Przygotuj się na część II 53 Bibliografia 54 CZĘŚĆ II „Gdzie i jak je znajdę?” Gromadzenie i analiza danych 57 Proces Data Science 58 Pierwsze kroki 61 04 Określenie problemu 65 Spójrz mamo, nie ma danych! 66 Jak rozwiązać taki problem, jak… 67 Pilnowanie czasu 79 Sztuka mówienia nie 80 Naprzód! 81 Bibliografia 81 05 Przygotowanie danych 82 Spraw, żeby dane zaczęły mówić 82 Z wielką władzą wiąże się wielka odpowiedzialność 83 Przygotuj dane do podróży 85 Bibliografia 100 06 Klasyczna analiza danych 101 Nie pomiń tego kroku 101 Klasyfikacja i analiza skupień 103 Klasyfikacja 103 Drzewa decyzyjne 104 Lasy losowe 107 Algorytm k najbliższych są 111 Naiwny klasyfikator Bayesa 115 Klasyfikacja przy użyciu klasyfikatora Bayesa 120 Regresja logistyczna 125 Analiza skupień 134 Algorytm grupowania metodą k-średnich 134 Grupowanie hierarchiczne 144 Bibliografia 149 07 Nowoczesna analiza danych 150 Uczenie ze wzmocnieniem 150 Problem wielorękiego bandyty 152 Algorytm UCB 157 Próbkowanie Thompsona 164 Który algorytm jest lepszy – próbkowanie Thompsona czy UCB? 171 Głębokie uczenie maszynowe 173 Ustalanie wag – jak uczą się sztuczne sieci neuronowe 185 Przyszłość analizy danych 188 Bibliografia 188 CZĘŚĆ III „Jak to przedstawić?” Opowiadanie o danych 189 Jak dobrze wyglądać 189 Jeszcze nie skończyliśmy! 190 Akcelerator kariery 190 08 Wizualizacja danych 191 Czym jest analiza wizualna? 191 Czym jest wizualizacja danych? 196 Mówienie językiem wizualnym 197 Kroki tworzenia atrakcyjnych wizualizacji 199 Uwagi końcowe 205 Bibliografia 208 Idąc o krok dalej. Typy wykresów 209 09 Prezentacja danych 221 Znaczenie opowieści 221 Powołanie rzecznika danych 223 Jak stworzyć świetną prezentację 224 Koniec procesu Data Science 233 Bibliografia 233 10 Twoja kariera specjalisty danych 234 Wejście do świata Data Science 234 Ubieganie się o pracę 244 Przygotowanie do rozmowy kwalifikacyjnej 245 Przeprowadzanie wywiadu 247 Dbanie o rozwój firmowej kariery 248 Bibliografia 2 indeks 251