Jak ogarnąć trudne dane? Praktyczne podejście profesjonalnego analityka David Asboth

Dostępność produktu

Produkt został zweryfikowany pod kątem ułatwień dostępu więcej przeczytasz w deklaracji dostępności.

Spis treści książki

Przedmowa

Wstęp

Podziękowania

O książce

O autorze

1. Łączenie teorii z praktyką w nauce o danych

• 1.1. Zestaw narzędzi analityka danych
• 1.2. Podejście zorientowane na wyniki
  • 1.2.1. Zrozum problem
  • 1.2.2. Zacznij od końca
  • 1.2.3. Poszukaj dodatkowych źródeł
  • 1.2.4. Pozyskaj dane
  • 1.2.5. Wykonaj pracę
  • 1.2.6. Przedstaw minimalną satysfakcjonującą odpowiedź
  • 1.2.7. W razie potrzeby iteruj
• 1.3. Struktura projektu
• Podsumowanie

2. Praca z danymi geograficznymi

• 2.1. Projekt 1. Określenie lokalizacji klientów
  • 2.1.1. Słownik danych
• 2.2. Przykładowe rozwiązanie: odnajdywanie Londynu
  • 2.2.1. Przygotowanie do sukcesu
  • 2.2.2. Tworzenie pierwszej wersji rozwiązania
  • 2.2.3. Podsumowanie i kolejne kroki
• 2.3. Jak czytać pozostałą część książki?
• Podsumowanie

3. Modelowanie danych

• 3.1. Znaczenie modelowania danych
  • 3.1.1. Typowe zadania w modelowaniu danych
• 3.2. Projekt 2. Kim są Twoi klienci?
  • 3.2.1. Założenia projektu
  • 3.2.2. Słownik danych
  • 3.2.3. Oczekiwane rezultaty
  • 3.2.4. Niezbędne narzędzia
• 3.3. Planowanie podejścia do modelowania danych klientów
  • 3.3.1. Zastosowanie procesu zorientowanego na wyniki do modelowania danych
  • 3.3.2. Pytania warte uwagi
• 3.4. Przykładowe rozwiązanie: identyfikacja klientów na podstawie danych transakcyjnych
  • 3.4.1. Opracowanie planu działania
  • 3.4.2. Odkrywanie, pozyskiwanie i łączenie danych z wielu źródeł
  • 3.4.3. Rozwiązywanie problemu encji w celu usunięcia duplikatów
  • 3.4.4. Wnioski i zalecenia
• 3.5. Podsumowanie modelowania danych
  • 3.5.1. Umiejętności modelowania danych przydatne w każdym projekcie
• Podsumowanie

4. Wskaźniki

• 4.1. Znaczenie dobrze zdefiniowanych wskaźników
• 4.2. Projekt 3. Definiowanie precyzyjnych wskaźników po to, by podejmować lepsze decyzje
  • 4.2.1. Opis problemu
  • 4.2.2. Słownik danych
  • 4.2.3. Oczekiwane rezultaty
  • 4.2.4. Wymagane narzędzia
• 4.3. Zastosowanie metody zorientowanej na wyniki do różnych definicji wskaźników
  • 4.3.1. Pytania warte uwagi
• 4.4. Przykładowe rozwiązanie: identyfikacja najlepiej sprzedających się produktów
  • 4.4.1. Łączenie i analiza danych o produktach
  • 4.4.2. Obliczanie wskaźników na poziomie produktu
  • 4.4.3. Znajdowanie najlepszych produktów z użyciem zdefiniowanych wskaźników
• 4.5. Podsumowanie rozdziału o wskaźnikach
  • 4.5.1. Umiejętności definiowania lepszych wskaźników dla dowolnego projektu
• Podsumowanie

5. Nietypowe źródła danych

• 5.1. Szukanie nowych źródeł danych
  • 5.1.1. Kwestie do rozważenia przy korzystaniu z nowych zbiorów danych
• 5.2. Projekt 4. Analiza trendów w branży filmowej z użyciem danych z plików PDF
  • 5.2.1. Opis problemu
  • 5.2.2. Słownik danych
  • 5.2.3. Oczekiwane rezultaty
  • 5.2.4. Wymagane narzędzia
• 5.3. Zastosowanie metody zorientowanej na wyniki do ekstrakcji danych z plików PDF
• 5.4. Przykładowe rozwiązanie: wpływ ograniczeń związanych z COVID-19 na przemysł filmowy
  • 5.4.1. Analiza dostępnych danych
  • 5.4.2. Wyodrębnianie danych z plików PDF
  • 5.4.3. Analiza danych wyodrębnionych z plików PDF
  • 5.4.4. Wnioski i zalecenia dotyczące projektu
• 5.5. Podsumowanie rozważań na temat eksploracji nowych źródeł danych
  • 5.5.1. Umiejętności badania nietypowych źródeł danych dla dowolnego projektu
• Podsumowanie

6. Dane kategoryczne

• 6.1. Praca z danymi kategorycznymi
  • 6.1.1. Metody obsługi danych kategorycznych
  • 6.1.2. Praca z danymi z ankiet
• 6.2. Projekt 5. Analiza ankiety badającej nastawienie programistów do narzędzi AI
  • 6.2.1. Założenia projektu
  • 6.2.2. Słownik danych
  • 6.2.3. Oczekiwane rezultaty
  • 6.2.4. Wymagane narzędzia
• 6.3. Zastosowanie metody zorientowanej na wyniki do analizy ankiety dla programistów
• 6.4. Przykładowe rozwiązanie: Jak programiści wykorzystują sztuczną inteligencję?
  • 6.4.1. Analiza danych kategorycznych
  • 6.4.2. Analiza danych kategorycznych z ankiet
  • 6.4.3. Dotychczasowy postęp projektu
• Podsumowanie

7. Dane kategoryczne - metody zaawansowane

• 7.1. Powrót do Projektu 5. Analiza ankiety badającej nastawienie programistów do narzędzi AI
  • 7.1.1. Słownik danych
  • 7.1.2. Oczekiwane rezultaty
  • 7.1.3. Podsumowanie dotychczasowych prac nad projektem
• 7.2. Zaawansowane metody analizy danych kategorycznych
  • 7.2.1. Grupowanie wartości ciągłych w kategorie dyskretne
  • 7.2.2. Stosowanie testów statystycznych do danych kategorycznych
  • 7.2.3. Odpowiadanie na nowe pytanie od początku do końca
  • 7.2.4. Wyniki projektu
• 7.3. Podsumowanie na temat danych kategorycznych
  • 7.3.1. Umiejętności potrzebne do pracy z danymi kategorycznymi w dowolnym projekcie
• Podsumowanie

8. Szeregi czasowe - przygotowanie danych

• 8.1. Praca z szeregami czasowymi
  • 8.1.1. Ukryta głębia szeregów czasowych
  • 8.1.2. Jak pracować z szeregami czasowymi?
• 8.2. Projekt 6. Analiza szeregów czasowych w celu poprawy infrastruktury rowerowej
  • 8.2.1. Problem
  • 8.2.2. Słownik danych
  • 8.2.3. Oczekiwane rezultaty
  • 8.2.4. Wymagane narzędzia
• 8.3. Zastosowanie metody zorientowanej na wyniki do analizy danych o ruchu drogowym
• 8.4. Przykładowe rozwiązanie: Gdzie należy skupić się na ulepszeniach infrastruktury rowerowej?
  • 8.4.1. Badanie dostępnych danych i wyodrębnianie szeregów czasowych
  • 8.4.2. Dotychczasowy postęp projektu
• Podsumowanie

9. Szeregi czasowe - analiza danych

• 9.1. Powrót do projektu 6. Analiza szeregów czasowych w celu poprawy infrastruktury rowerowej
  • 9.1.1. Opis problemu
  • 9.1.2. Słownik danych
  • 9.1.3. Oczekiwane rezultaty
• 9.2. Gdzie należy skupić się na poprawie infrastruktury rowerowej?
  • 9.2.1. Analiza szeregów czasowych
  • 9.2.2. Wnioski i zalecenia wynikłe z projektu
• 9.3. Podsumowanie: szeregi czasowe
  • 9.3.1. Umiejętności potrzebne do pracy z danymi szeregów czasowych w dowolnym projekcie
• Podsumowanie

10. Szybkie prototypowanie - analiza danych

• 10.1. Proces szybkiego prototypowania
  • 10.1.1. Przykład szybkiego prototypowania
• 10.2. Projekt 7. Stworzenie prototypu do analizy cen nieruchomości w Walii
  • 10.2.1. Sformułowanie problemu
  • 10.2.2. Słownik danych
  • 10.2.3. Oczekiwane rezultaty
  • 10.2.4. Wymagane narzędzia
• 10.3. Zastosowanie metody zorientowanej na wyniki w analizie danych dotyczących nieruchomości w Walii
• 10.4. Przykładowe rozwiązanie: budowa prototypu do analizy danych o cenach nieruchomości
  • 10.4.1. Analiza danych przed prototypowaniem
  • 10.4.2. Analiza aspektów geograficznych zbioru danych
  • 10.4.3. Określanie sposobu prezentacji danych w prototypie
  • 10.4.4. Dotychczasowy postęp projektu
• Podsumowanie

11. Szybkie prototypowanie - tworzenie dowodu koncepcji

• 11.1. Powrót do projektu 7. Budowa prototypu do analizy cen nieruchomości w Walii
  • 11.1.1. Słownik danych
  • 11.1.2. Oczekiwane rezultaty
  • 11.1.3. Podsumowanie dotychczasowych prac nad projektem
• 11.2. Tworzenie dowodu koncepcji
  • 11.2.1. Przygotowanie do budowy dowodu koncepcji
  • 11.2.2. Wykorzystanie biblioteki streamlit do stworzenia dowodu koncepcji
  • 11.2.3. Wyniki projektu i dalsze działania
• 11.3. Podsumowanie na temat szybkiego prototypowania pomysłów
  • 11.3.1. Umiejętności szybkiego prototypowania w dowolnym projekcie
• Podsumowanie

12. Rozbudowa rozwiązania innego analityka - przygotowanie danych

• 12.1. Wyszukiwanie podobnych obiektów
• 12.2. Kontynuowanie pracy rozpoczętej przez kogoś innego
• 12.3. Projekt 8. Identyfikacja segmentów klientów na podstawie aktywności mobilnej
  • 12.3.1. Opis problemu
  • 12.3.2. Słownik danych
  • 12.3.3. Pożądane rezultaty
  • 12.3.4. Wymagane narzędzia
• 12.4. Zastosowanie metody zorientowanej na wyniki do stworzenia drugiej iteracji segmentacji klientów
• 12.5. Przykładowe rozwiązanie: tworzenie segmentów klientów
  • 12.5.1. Odtwarzanie analizy innej osoby
  • 12.5.2. Analiza danych o zdarzeniach w celu poznania zachowań klientów
  • 12.5.3. Dotychczasowy postęp projektu
• Podsumowanie

13. Rozbudowa rozwiązania innego analityka - segmentacja użytkowników

• 13.1. Powrót do projektu 8. Identyfikacja segmentów klientów na podstawie aktywności mobilnej
  • 13.1.1. Słownik danych
  • 13.1.2. Oczekiwane wyniki
  • 13.1.3. Podsumowanie dotychczasowych prac nad projektem
  • 13.1.4. Segmentacja użytkowników mobilnych z użyciem grupowania
  • 13.1.5. Wnioski i dalsze działania
• 13.2. Podsumowanie: segmentacja i grupowanie
  • 13.2.1. Podsumowanie umiejętności przydatnych w każdym projekcie
• Podsumowanie

Dodatek. Instrukcje instalacji Pythona

• A.1. Instalacja Pythona
• A.2. Instalacja poetry
• A.3. Tworzenie środowiska wirtualnego

pokaż cały spis treści

ukryj recenzje