資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)

Daniel Vaughan 著 楊新章 譯

  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-1
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-2
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-3
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-4
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-5
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-6
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-7
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-8
  • 資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-9
資料科學:困難部分 (Data Science: The Hard Parts: Techniques for Excelling at Data Science)-preview-1

買這商品的人也買了...

相關主題

商品描述

卓越資料科學的技巧

幫助您在資料科學領域中脫穎而出!

「Daniel再次創作了一部傑作,為資料科學家和業務主管之間搭建了有助創造價值的橋樑。本書就是實現資料科學能獲得商業成功的那本關鍵手冊。」
—Adri Purkayastha
BNP Paribas全球AI技術風險主管

「全面涵蓋從經濟學到廣告,甚至是流行病學等多個領域,以及如何實際應用資料科學技術。它開端於大多數書籍結束的地方,深入探討由資料洞察驅動的實際決策過程。是每位資料科學家書架上迫切需要的重要資源。」
—Brett Holleman
自由職業資料科學家



這本實用指南提供了傳統的資料工程和資料科學教育中常被忽略的技術和最佳實務。常見的迷思是,優秀的資料科學家是這個領域中「重大主題」的專家(機器學習和程式設計);但事實上,這些工具僅能帶我們走到一定程度而已。真正能區分頂尖資料科學家與普通資料科學家的,是他們對這些重大主題理解的細微差別,以及他們對商業產生影響的能力。

整體而言,本書內容能使在該領域工作的普通資料科學家和優秀資料科學家產生區別。作者Daniel Vaughan收集、擴展並應用這些技能來創造價值,並培訓來自不同公司和行業的資料科學家。

透過這本書,您將能夠:
‧確保您的資料科學工作流程能創造價值
‧設計可操作的、及時的、相關的指標
‧提供引人入勝的敘事,以獲得利益相關者的支持
‧使用模擬來確保您的機器學習演算法是解決問題的正確工具
‧識別、修正並預防資料洩漏
‧透過估算因果效應來了解增量性

作者簡介

Daniel Vaughan 曾在不同公司和行業的資料團隊中擔任領導角色,目前為多家金融科技公司提供建議,以確保其資料、機器學習和人工智慧的計劃順利成功;他也是《Analytical Skills for AI and Data Science》(O’Reilly)的作者;擁有超過15年的機器學習開發經驗,和超過8年的資料科學團隊領導經驗。Daniel擁有紐約大學的經濟學博士學位。

目錄大綱

第一部分 資料分析技術
第一章 摘要重點!用資料科學創造價值
第二章 度量設計
第三章 增長分解:理解順風和逆風
第四章 2×2 設計
第五章 建構業務案例
第六章 提升的奧祕
第七章 敘事
第八章 資料視覺化:選擇合適的圖表來傳達訊息

第二部分 機器學習
第九章 模擬和自助法
第十章 線性迴歸:回歸到基礎
第十一章 資料洩漏
第十二章 將模型投入生產
第十三章 機器學習講的故事
第十四章 從預測到決策
第十五章 增量性:資料科學的聖盃?
第十六章 A/B 測試
第十七章 大型語言模型與資料科學實務