Предисловие
Комментарий переводчика
Об авторе
Глава 1. Введение
Глава 2. Интенсивный курс языка Python
Глава 3. Визуализация данных
Глава 4. Линейная алгебра
Глава 5. Статистика
Глава 6. Теория вероятностей
Глава 7. Гипотеза и вывод
Глава 8. Градиентный спуск
Глава 9. Сбор данных
Глава 10. Обработка данных
Глава 11. Машинное обучение
Глава 12. К ближайших соседей
Глава 13. Наивный Байес
Глава 14. Простая линейная регрессия
Глава 15. Множественная регрессия
Глава 16. Логистическая регрессия
Глава 17. Деревья принятия решений
Глава 18. Нейронные сети
Глава 19. Кластеризация
Глава 20. Обработка естественного языка
Глава 21. Анализ социальных сетей
Глава 22. Рекомендательные системы
Глава 23. Базы данных и SQL
Глава 24. Распределенные вычисления MapReduce
Глава 25. Идите и займитесь аналитикой
Предметный указатель

Книга позволяет изучить науку о данных (Data Science) и применить полученные знания на практике. Она написана так, что способствует погружению в Data Science аналитика, фактически не обладающего глубокими знаниями в этой прикладной дисциплине.
В объемах, достаточных для начала работы в области Data Science, книга содержит интенсивный курс языка Python, элементы линейной алгебры, математической статистики, теории вероятностей, методов сбора, очистки, нормализации и обработки данных. Даны основы машинного обучения. Описаны различные математические модели и их реализация по методу k ближайших соседей, наивной байесовской классификации, линейной и логистической регрессии, а также модели на основе деревьев принятия решений, нейронных сетей и кластеризации. Рассказано о работе с рекомендательными системами, описаны приемы обработки естественного языка, методы анализа социальных сетей, основы баз данных, SQL и MapReduce.

Книга позволяет освоить науку о данных, начав “с чистого листа”. Она написана так, что способствуют погружению в Data Science аналитика, фактически не обладающего глубокими знаниями в этой прикладной дисциплине.
При этом вы убедитесь, что описанные в книге программные библиотеки, платформы, модули и пакеты инструментов, предназначенные для работы в области науки о данных, великолепно справляются с задачами анализа данных.
А если у вас есть способности к математике и навыки программирования, то Джоэл Грас поможет вам почувствовать себя комфортно с математическим и статистическим аппаратом, лежащим в основе науки о данных, а также с приемами алгоритмизации, которые потребуются для работы в этой области.
В сегодняшнем хаотическом потоке данных скрыты ответы на многие волнующие человека вопросы. Книга познакомит с методологией, которая позволит правильно сформулировать эти вопросы и найти на них ответы.

Вместе с Джоэлом Грас и его книгой:
= Пройдите интенсивный курс языка Python
= Изучите элементы линейной алгебры, математической статистики, теории вероятностей и их применение в науке о данных
= Займитесь сбором, очисткой, нормализацией и управлением данными
= Окунитесь в основы машинного обучения
= Познакомьтесь с различными математическими моделями и их реализацией по методу k-ближайших соседей, наивной байесовской классификации, линейной и логистической регрессии, а также моделями на основе деревьев принятия решений, нейронных сетей и кластеризации
= Освойте работу с рекомендательными системами, приемы обработки естественного языка, методы анализа социальных сетей, технологии MapReduce и баз данных

Data Science. Наука о данных с нуля

Предисловие авторов
Data Mining и перегрузка информацией
Глава 1. Системы поддержки принятия решений
Глава 2. Хранилище данных
Глава 3. OLAP-системы
Глава 4. Интеллектуальный анализ данных
Глава 5. Классификация и регрессия
Глава 6. Поиск ассоциативных правил
Глава 7. Кластеризация
Глава 8. Визуальный анализ данных - Visual Mining
Глава 9. Анализ текстовой информации - Text Mining
Глава 10. Стандарты Data Mining
Глава 11. Библиотека Xelopes
Глава 12. Распределенный анализ данных
Приложение 1. Нейронечеткие системы
Приложение 2. Особенности и эффективность генетических алгоритмов
Приложение 3. Описание прилагаемого компакт-диска
Литература
Предметный указатель

Книга является вторым, обновленным и дополненным, изданием учебного пособия Методы и модели анализа данных: OLAP и Data Mining. Излагаются основные направления в области разработки корпоративных систем: организация хранилищ данных, распределенный, оперативный (OLAP), интеллектуальный (Data Mining), визуальный (Visual Mining) и текстовый (Text Mining) анализ данных. Приведено описание методов и алгоритмов решения основных задач анализа: классификации, кластеризации и др. Описание идеи каждого метода дополняется конкретным примером его применения. Прилагается компакт диск, содержащий стандарты Data Mining, библиотеку алгоритмов Xelopes, лабораторный практикум по интеллектуальному анализу данных и соответствующее программное обеспечение…

Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP

Предисловие Рэйчел Шатт
Благодарности
Глава 1. Введение: что такое наука о данных
Глава 2. Статистический анализ, разведочный анализ данных и процесс их научного исследования
Глава 3. Алгоритмы
Глава 4. Фильтры спама, наивный классификатор Байеса и перебор данных
Глава 5. Логистическая регрессия
Глава 6. Метки времени и финансовое моделирование
Глава 7. Извлечение смысла из данных
Глава 8. Рекомендательные механизмы: создание ориентированных на пользователя масштабируемых информационных продуктов
Глава 9. Визуализация данных и выявление мошенничества
Глава 10. Социальные сети и журналистика данных
Глава 11. Причинность
Глава 12. Эпидемиология
Глава 13. Уроки, извлеченные из соревнований по данным: утечка данных и оценка моделей
Глава 14. Проектирование данных: MapReduce, Pregel и Hadoop
Глава 15. Мнения студентов
Глава 16. Исследователи данных нового поколения, завышенная самооценка и этика
Об авторах
Об иллюстрации на обложке

Data Science (исследование данных) - одна из самых востребованных специализаций нашего времени. Изучение данных позволяет преобразить любую традиционную или инновационную бизнес-модель. Эта книга основана на вводном курсе по Data Science из Колумбийского университета, и начинающему специалисту-аналитику она совершенно необходима.

Эта книга увлекательно и доступно рассказывает о

Байесовском методе
Статистических алгоритмах
Финансовом моделировании
Рекомендательных движках
Визуализации данных
MapReduce

с примерами на языках Python и R

Data Science. Инсайдерская информация для новичков. Включая язык R

Предисловие
Об авторе
О рецензентах
Введение
Глава 1. Наделение компьютеров способностью обучаться на данных
Глава 2. Тренировка алгоритмов машинного обучения для задачи классификации
Глава 3. Обзор классификаторов с использованием библиотеки scikit-learn
Глава 4. Создание хороших тренировочных наборов - предобработка данных
Глава 5. Сжатие данных путем снижения размерности
Глава 6. Изучение наиболее успешных методов оценки моделей и тонкой настройки гиперпараметров
Глава 7. Объединение моделей для методов ансамблевого обучения
Глава 8. Применение алгоритмов машинного обучения в анализе мнений
Глава 9. Встраивание алгоритма машинного обучения в веб-приложение
Глава 10. Прогнозирование значений непрерывной целевой переменной на основе регрессионного анализа
Глава 11. Работа с немаркированными данными - кластерный анализ
Глава 12. Тренировка искусственных нейронных сетей для распознавания изображений
Глава 13. Распараллеливание тренировки нейронных сетей при помощи Theano
Приложение А
Глоссарий основных терминов и сокращений
Предметный указатель

Машинное обучение и прогнозная аналитика преобразуют традиционную схему функционирования предприятий и других организаций.  Эта книга предоставит вам доступ в мир прогнозной аналитики и продемонстрирует, почему Python является одним из ведущих языков науки о данных. Если вы хотите глубже и точнее анализировать данные либо нуждаетесь в усовершенствовании и расширении систем машинного обучения, эта книга окажет вам неоценимую помощь. Ознакомившись с широким кругом мощных программных библиотек Python, в том числе scikit-learn, Theano и Keras, а также получив советы по всем вопросам начиная с анализа мнений и заканчивая нейронными сетями, вы сможете принять важные решения, во многом определяющие деятельность вашей организации.

Чему вы научитесь, прочитав эту книгу:
• исследовать, как используются разные машинно-обучаемые модели, которые формулируют те или иные вопросы в отношении данных;
• конструировать нейронные сети при помощи библиотек Theano и Keras;
• писать красивый и лаконичный программный код на Python с оптимальным использованием созданных вами алгоритмов;
• встраивать вашу машинно-обучаемую модель в веб-приложение для повышения ее общедоступности;
• предсказывать непрерывнозначные результаты при помощи регрессионного анализа;
• обнаруживать скрытые повторяющиеся образы и структуры в данных посредством кластерного анализа;
• организовывать данные с помощью эффективных методов предобработки и использовать передовые практические подходы к оценке машиннообучаемых моделей;
• осуществлять анализ мнений, позволяющий подробнее интерпретировать текстовые данные и информацию из социальных сетей.

Если вы хотите узнать, как использовать Python, чтобы начать отвечать на критические вопросы в отношении ваших данных, возьмите данную книгу  — и неважно, хотите ли вы приступить к изучению науки о данных с нуля или же намереваетесь расширить о ней свои знания, это принципиальный ресурс, который нельзя упускать.

Крайне необходимое издание по новейшей предсказательной аналитике для более глубокого понимания методологии машинного обучения!

Python и машинное обучение

Предисловие
Благодарности
Об этой книге
Об авторе
Об иллюстрации на обложке
Часть I. Основы глубокого обучения
Глава 1. Что такое глубокое обучение?
Глава 2. Прежде чем начать: математические основы нейронных сетей
Глава 3. Начало работы с нейронными сетями
Глава 4. Основы машинного обучения
Часть II. Глубокое обучение на практике
Глава 5. Глубокое обучение в технологиях компьютерного зрения
Глава 6. Глубокое обучение для текста и последовательностей
Глава 7. Лучшие практики глубокого обучения продвинутого уровня
Глава 8. Генеративное глубокое обучение
Глава 9. Заключение
Приложение А. Установка Keras и его зависимостей в Ubuntu
Приложение В. Запуск Jupyter Notebook на экземпляре EC2 GPU

Глубокое обучение — Deep learning — это набор алгоритмов машинного обучения, которые моделируют высокоуровневые абстракции в данных, используя архитектуры, состоящие из множества нелинейных преобразований.
Согласитесь, эта фраза звучит угрожающе. Но всё не так страшно, если о глубоком обучении рассказывает Франсуа Шолле, который создал Keras — самую мощную библиотеку для работы с нейронными сетями.

Познакомьтесь с глубоким обучением на практических примерах из самых разнообразных областей. Книга делится на две части, в первой даны теоретические основы, вторая посвящена решению конкретных задач. Это позволит вам не только разобраться в основах DL, но и научиться использовать новые возможности на практике.

"Обучение — это путешествие длинной в жизнь, особенно в области искусственного интеллекта, где неизвестностей гораздо больше, чем определенности."
Франсуа Шолле

Глубокое обучение на Python

Вступление
Глава 1. Естественные языки и вычисления
Глава 2. Создание собственного корпуса
Глава 3. Предварительная обработка и преобразование корпуса
Глава 4. Конвейеры векторизации и преобразования
Глава 5. Классификация в текстовом анализе
Глава 6. Кластеризация для выявления сходств в тексте
Глава 7. Контекстно-зависимый анализ текста
Глава 8. Визуализация текста
Глава 9. Графовые методы анализа текста
Глава 10. Чат-боты
Глава 11. Масштабирование анализа текста
Глава 12. Глубокое обучение и не только
Глоссарий
Об авторах
Выходные данные

Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в реальную жизнь, и анализ текста активно интегрируется в программные решения.

Нейронные сети способны решать самые сложные задачи обработки естественного языка, никого не удивляет машинный перевод, «беседа» с роботом в интернет-магазине, перефразирование, ответы на вопросы и поддержание диалога.

Почему же Сири, Алекса и Алиса не хотят нас понимать, Google находит не то, что мы ищем, а машинные переводчики веселят нас примерами «трудностей перевода» с китайского на албанский? Ответ кроется в мелочах – в алгоритмах, которые правильно работают в теории, но сложно реализуются на практике.

Научитесь применять методы машинного обучения для анализа текста в реальных задачах, используя возможности и библиотеки Python. От поиска модели и предварительной обработки данных вы перейдете к приемам классификации и кластеризации текстов, затем приступите к визуальной интерпретации, анализу графов, а после знакомства с приемами масштабирования научитесь использовать глубокое обучение для анализа текста.

Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка

Предисловие
Благодарности
О книге
Глава 1. Знакомство с алгоритмами
Глава 2. Сортировка выбором
Глава 3. Рекурсия
Глава 4. Быстрая сортировка
Глава 5. Хеш-таблицы
Глава 6. Поиск в ширину
Глава 7. Алгоритмы Дейкстры
Глава 8. Жадные алгоритмы
Глава 9. Динамическое программирование
Глава 10. Алгоритм k ближайших соседей
Глава 11. Что дальше?
Ответы к упражнениям

Алгоритмы — это всего лишь пошаговые инструкции решения задач, и большинство таких задач уже были кем-то решены, протестированы и проверены. Можно, конечно, погрузиться в глубокую философию гениального Кнута, изучить многостраничные фолианты с доказательствами и обоснованиями, но хотите ли вы тратить на это свое время? Откройте великолепно иллюстрированную книгу и вы сразу поймете, что алгоритмы — это просто. А грокать алгоритмы — это веселое и увлекательное занятие.

Грокаем алгоритмы. Иллюстрированное пособие для программистов и любопытствующих

Предисловие
1. Извлечение записей
2. Сортировка результатов запроса
3. Работа с несколькими таблицами
4. Вставка, обновление, удаление
5. Запросы на получение метаданных
6. Работа со строками
7. Работа с числами
8. Арифметика дат
9. Работа с датами
10. Работа с диапазонами данных
11. Расширенный поиск
12. Составление отчетов и управление хранилищами данных
13. Иерархические запросы
14. Всякая всячина
А. Оконные функции, краткий обзор
В. Вспоминаем Розенштейна
Алфавитный указатель

Книга Энтони Молинаро «SQL. Сборник рецептов» предназначена тем, кто уже знаком с основами языка запросов SQL и хочет повысить свой профессиональный уровень. Она будет полезна и экспертам SQL, поскольку автор предлагает варианты решения задач для разных СУБД: DB2, Oracle, PostgreSQL, MySQL и SQL Server. Если вы постоянно работаете с SQL на одной платформе, то, возможно, найдете в рецептах более эффективное решение на другой. Вы научитесь использовать SQL для решения более широкого спектра задач – от операций внутри баз данных до передачи данных по сети в приложения. Для этого достаточно открыть книгу на странице с интересующим вас рецептом.

Вы узнаете, как применять оконные функции и специальные операторы, а также расширенные методы работы с хранилищами данных: создание гистограмм, резюмирование данных в блоки, выполнение агрегации скользящего диапазона значений, формирование текущих сумм и подсумм. Вы сможете разворачивать строки в столбцы и наоборот, упрощать вычисления внутри строки и выполнять двойное разворачивание результирующего множества, выполнять обход строки, что позволяет использовать SQL для синтаксического разбора строки на символы, слова или элементы строки с разделителями. Приемы, предлагаемые автором, позволят оптимизировать код ваших приложений и откроют перед вами новые возможности языка SQL.

SQL. Сборник рецептов

Не IT-профессия

1С-Битрикс разработчик

Akka разработчик

Android разработчик

Angular разработчик

Ansible специалист

AR разработчик

AWS облачный архитектор

Azure облачный архитектор

Backend-разработчик

BI-аналитик

Blockchain разработчик

Cordova разработчик

Data engineer

Data Scientist

DevOps

DevSecOps инженер

Digital-специалист

Docker специалист

Drupal разработчик

Express.js разработчик

FastApi разработчик

Flask разработчик

Frontend-разработчик

Fullstack разработчик

Game дизайнер

Gin разработчик

Google Cloud облачный архитектор

Hibernate разработчик

Ionic разработчик

IT-специалист

Java программист

JavaScript программист

Joomla разработчик

Ktor разработчик

Kubernetes специалист

Linux/Unix системный администратор

MongoDB разработчик баз данных

NestJS разработчик

Next.js разработчик

Node.js разработчик

NoSQL разработчик баз данных

Nuxt.js разработчик

Play Framework разработчик

Product manager

Product Owner

Python программист

Quarkus разработчик

Rails разработчик

React разработчик

Scrum Master

SEO специалист

SMM-менеджер

Svelte разработчик

Symfony-разработчик

Terraform специалист

UI дизайнер

UI разработчик

Unity разработчик

UX дизайнер

VR разработчик

Vue.js разработчик

Web дизайнер

Windows системный администратор

WordPress разработчик

Xamarin разработчик

Yandex Cloud облачный архитектор

Yii разработчик

Zend-разработчик

Администратор баз данных

Администратор вычислительной сети

Администратор защиты

Администратор сайта

Аналитик 1С

Аналитик Big Data

Аналитик UX

Аналитик данных

Архитектор безопасности

Архитектор информационных систем

Бизнес аналитик

Веб-аналитик

Веб-мастер

Веб-разработчик

Верстальщик

Видеограф

Видеомонтажер

Визуализатор

Вирусный аналитик

Вконтакте таргетолог

Графический дизайнер

Дженералист (3D)

Дизайнер

Директор по безопасности

Директор по данным

Директор по информационным технологиям

Игровой аналитик

Инженер по машинному обучению

Инженер умных устройств

Интернет-маркетолог

Киберследователь

Развивайтесь в профессии Data Scientist с помощью нашей подборки книг. Эти книги помогут вам освоить ключевые навыки и углубить знания, необходимые для успешной карьеры в Data Scientist. Подходит для специалистов всех уровней!

Подборка лучших книг 📚 Data Scientist — Рекомендуемая литература для профессии Data Scientist | MyITcareer