Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki

Practical Statistics for Data Scientists Język: 2

978-1-4919-5296-2

Cena Brutto: 155.40

Cena netto: 148.00

Ilość:
Wersja: Drukowana
Autor Peter Bruce, Andrew Bruce
Liczba_stron 320
Wydawnictwo O'Reilly Media
Data_Wydania 2017-05-30
Practical Statistics for

Data Scientists



Statistical methods are a key part of of data science, yet very few data scientists have any formal statistics training. Courses and books on basic statistics rarely cover the topic from a data science perspective. This practical guide explains how to apply various statistical methods to data science, tells you how to avoid their misuse, and gives you advice on whats important and whats not.


Many data science resources incorporate statistical methods but lack a deeper statistical perspective. If youre familiar with the R programming language, and have some exposure to statistics, this quick reference bridges the gap in an accessible, readable format.


With this book, youll learn:

  • Why exploratory data analysis is a key preliminary step in data science
  • How random sampling can reduce bias and yield a higher quality dataset, even with big data
  • How the principles of experimental design yield definitive answers to questions
  • How to use regression to estimate outcomes and detect anomalies
  • Key classification techniques for predicting which categories a record belongs to
  • Statistical machine learning methods that learn from data
  • Unsupervised learning methods for extracting meaning from unlabeled data


Pragniemy Państwa zapewnić, iż dokładamy wszelkich możliwych starań, by opisy książek i podręczników, zawarte na naszych stronach internetowych, zawierały bieżące i wiarygodne materiały. Może jednak, mimo naszych wysiłków, w opisy książek wkraść się przekłamanie z naszej strony niezamierzone. Nie może to stanowić powodu do roszczeń. O ile macie Państwo jakiekolwiek pytania lub wątpliwości - prosimy o kontakt z naszym ekspertem lub działem handlowym. Postaramy  się odpowiedzieć na wszystkie Państwa pytania zanim podejmiecie Państwo decyzje o złożeniu zamówienia.
#
  1. Chapter 1 Exploratory Data Analysis

    1. Elements of Structured Data

    2. Rectangular Data

    3. Estimates of Location

    4. Estimates of Variability

    5. Exploring the Data Distribution

    6. Exploring Binary and Categorical Data

    7. Correlation

    8. Exploring Two or More Variables

    9. Summary

  2. Chapter 2 Data and Sampling Distributions

    1. Random Sampling and Sample Bias

    2. Selection Bias

    3. Sampling Distribution of a Statistic

    4. The Bootstrap

    5. Confidence Intervals

    6. Normal Distribution

    7. Long-Tailed Distributions

    8. Student’s t-Distribution

    9. Binomial Distribution

    10. Poisson and Related Distributions

    11. Summary

  3. Chapter 3 Statistical Experiments and Significance Testing

    1. A/B Testing

    2. Hypothesis Tests

    3. Resampling

    4. Statistical Significance and P-Values

    5. t-Tests

    6. Multiple Testing

    7. Degrees of Freedom

    8. ANOVA

    9. Chi-Square Test

    10. Multi-Arm Bandit Algorithm

    11. Power and Sample Size

    12. Summary

  4. Chapter 4 Regression and Prediction

    1. Simple Linear Regression

    2. Multiple Linear Regression

    3. Prediction Using Regression

    4. Factor Variables in Regression

    5. Interpreting the Regression Equation

    6. Testing the Assumptions: Regression Diagnostics

    7. Polynomial and Spline Regression

    8. Summary

  5. Chapter 5 Classification

    1. Naive Bayes

    2. Discriminant Analysis

    3. Logistic Regression

    4. Evaluating Classification Models

    5. Strategies for Imbalanced Data

    6. Summary

  6. Chapter 6 Statistical Machine Learning

    1. K-Nearest Neighbors

    2. Tree Models

    3. Bagging and the Random Forest

    4. Boosting

  7. Chapter 7 Unsupervised Learning

    1. Principal Components Analysis

    2. Further Reading

    3. K-Means Clustering

    4. Hierarchical Clustering

    5. Model-Based Clustering

    6. Further Reading

    7. Scaling and Categorical Variables

    8. Summary

powrót
 
Produkty Podobne
Jak się nie pomylić, czyli potęga matematycznego myślenia
Testy penetracyjne nowoczesnych serwisów. Kompendium inżynierów bezpieczeństwa
Edgecam. Wieloosiowe toczenie CNC
Xamarin. Tworzenie aplikacji cross-platform. Receptury
AutoCAD 2018/LT2018/360+
CNA Certified Nursing Assistant Exam Cram, 2nd Edition
Fotografia cyfrowa. Edycja zdjęć. Wydanie VIII
IoT Fundamentals: Networking Technologies, Protocols, and Use Cases for the Internet of Things
CompTIA Cybersecurity Analyst (CSA+) Cert Guide
Scaling Networks v6 Course Booklet
Więcej produktów