

Analityk danych. Przewodnik po data science

Parametry
- Stan
- Nowy
- Faktura
- Faktura VAT
- Wydawnictwo
- Helion
- Język
- polski
- Okładka
- miękka
- Waga (z opakowaniem)
- 0,4 kg
- Wysokość produktu
- 23 cm
- Szerokość produktu
- 15 cm
- Numer wydania
- 1
- Autor
- Alex J. Gutman, Jordan Goldmeier
- Liczba stron
- 256
- Tytuł
- Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
- Rok wydania
- 2 023
- ISBN
- 9788328902152
- Nośnik
- książka papierowa
- Gatunek
- Programowanie
Opis produktu

Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
Autor: Jordan Goldmeier, Alex J. Gutman
EAN: 9788328902152
Strony: 216
SID: 3432427
Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
Musisz spojrzeć prawdzie w oczy: epoka danych to nie tylko imponujące możliwości, ale również obietnice bez pokrycia. Firmy wdrażają rozwiązania, które mają je wyręczać w podejmowaniu decyzji. Menedżerowie zatrudniają analityków, którzy nimi nie są. Specjaliści w dziedzinie data science są zatrudniani w organizacjach, które nie są na nich gotowe. Dyrektorzy wysłuchują technicznego żargonu i udają, że go rozumieją. Efekt? Pieniądze idą w błoto. Oto praktyczny przewodnik po nauce o danych w miejscu pracy. Dowiesz się stąd wszystkiego, co ważne na początku Twojej drogi jako danologa: od osobowości, z którymi przyjdzie Ci pracować, przez detale analizy danych, po matematykę stojącą za algorytmami i uczeniem maszynowym. Nauczysz się myśleć krytycznie o danych i otrzymanych wynikach, będziesz też inteligentnie o tym mówić. Jednym zdaniem: zrozumiesz dane i związane z nimi wyzwania na głębszym, profesjonalnym poziomie. To książka dla każdego, kto chce przestawić firmę na tory data science. Eric Weber, kierownik ds. eksperymentów i badań metrycznych, Yelp Naucz się: myśleć statystycznie i rozumieć rolę zmienności w podejmowaniu decyzji zadawać właściwe pytania na temat statystyk i wyników analiz sensownie korzystać z rozwiązań uczenia maszynowego i sztucznej inteligencji unikać typowych błędów podczas pracy z danymi i ich interpretowania Data science? Odsiejesz piasek od złota!
