Bild vom Autor
# Einführung
Als ich anfing, mich mit Datenwissenschaft zu beschäftigen, wurde mir klar, dass sich viele Menschen übermäßig auf Python, R und SQL konzentrieren. Sie müssen außerdem das statistische Denken, die Algorithmen hinter den Modellen und die effektive Analyse realer Daten verstehen. Ich glaube, dass schon der Title „Information Science“ impliziert, dass man sich mehr auf die Wissenschaft als auf die Technik konzentrieren sollte. In vielen Kursen lernen Sie nur, wie Sie bestimmte Aufgaben ausführen, aber das Verständnis der Theorien, Modelle und der Artwork und Weise, wie man eine gute Datengeschichte erzählt, ist genauso wichtig. Ich finde auch, dass Bücher diese Aspekte umfassender abdecken. Um diese Idee zu fördern, haben wir diese Empfehlungsserie gestartet kostenlose, aber sehr wertvolle Bücher. Jeder, der ernsthaft eine Karriere in diesem Bereich anstrebt, sollte diese Empfehlungen lesen.
# 1. Datenwissenschaft: Theorien, Modelle, Algorithmen und Analysen
Dieses erste Buch begann als Unterrichtsnotiz für einen Kurs „Maschinelles Lernen mit R“ und entwickelte sich zu einem umfassenden Leitfaden für Datenwissenschaft. Es erklärt, dass es bei der Datenwissenschaft nicht nur um maschinelles Lernen geht. Sie benötigen hochwertige Daten, nützliche Modelle, klares Denken und Systeme, die große Datenmengen verarbeiten können. Das Buch bespricht die Ideen, die hinter Vorhersagen stehen, die Modelle und Algorithmen, die diese Arbeit ausführen, und die praktischen Analysen, die Daten in echte Entscheidungen umwandeln. Es hilft Ihnen, den gesamten Prozess von den Daten bis hin zu Einblicken in reale Umgebungen zu verstehen.
// Überblick über die Gliederung:
- Grundlagen der Datenwissenschaft (Datentypen, Vorverarbeitung, statistisches Denken, Merkmalsauswahl, Ensemble-Lernen, Vorhersagen und Prognosen, Innovation und Experimente, mathematische Grundlagen: Evaluation, Wahrscheinlichkeit, Vektoren, Regression, Matrixalgebra).
- Maschinelles Lernen und Algorithmen (Überwachtes und unüberwachtes Lernen, neuronale Netze, Deep Studying, Textanalyse, Netzwerke, Diskriminanz- und Faktoranalyse, Logit-/Probit-Modelle, Clustering und Vorhersagebäume).
- Analytik und Anwendungen (R-Programmierung, Datenverarbeitung und -extraktion, Korrelation und Zusammenführung, Internet Scraping, Querschnittsdaten, interaktive Apps mit Shiny, Empfehlungssysteme, Produktmarktprognosen).
- Fortgeschrittene Themen (Fourieranalyse, komplexe Algebra, Monte-Carlo-Simulationen, Brownsche Bewegungen, Optimierung, Portfolioberechnungen).
# 2. Assume Stats, 3. Auflage
Denken Sie an Statistiken lehrt Wahrscheinlichkeitsrechnung und Statistik mit Python. Es konzentriert sich auf praktische Möglichkeiten, reale Daten zu untersuchen und Fragen zu beantworten, anstatt in schwerer Mathematik stecken zu bleiben. Sie lernen, wie Sie Daten importieren und bereinigen, einzelne Variablen überprüfen, sehen, wie Variablen zueinander in Beziehung stehen, Regressionsmodelle erstellen und Ideen testen. Der Autor verwendet Python-Code und Jupyter-Notizbücher So können Sie mit den Daten interagieren und sehen, wie die Dinge funktionieren. Es ist unglaublich praktisch für Softwareentwickler, Datenwissenschaftler und alle, die den praktischen Umgang mit Daten erlernen möchten.
// Überblick über die Gliederung:
- Wahrscheinlichkeitsgrundlagen (Verteilungen, Satz von Bayes, Stichprobenziehung).
- Deskriptive Statistik und explorative Datenanalyse (Zusammenfassende Statistiken, Visualisierungen, Korrelationen).
- Statistische Schlussfolgerung (Konfidenzintervalle, Hypothesentests, p-Werte).
- Praktische Anwendungen (Python-Übungen, reale Datensätze, angewandte Datenanalysetechniken).
# 3. Python Information Science-Handbuch
Der Python Information Science-Handbuch dreht sich alles um die Verwendung von Python für reale datenwissenschaftliche Aufgaben. Zuerst erfahren Sie, wie Sie Daten untersuchen und damit umgehen, dann geht es an die Erstellung von Diagrammen und Grafiken und schließlich geht es um die Modellierung. Sie verwenden IPython oder Jupyter und ähnliche Bibliotheken NumPy für Arrays, Pandas für Tische, Matplotlib für Diagramme und Scikit-Be taught zum Modellieren. Es gibt zahlreiche Beispiele, sodass Sie Konzepte beim Lernen ausprobieren können. Es ist ein praktischer Leitfaden, wenn Sie bereits Python-Kenntnisse haben und die Analyse, Visualisierung und Modellierung von Daten verbessern möchten. Die On-line-Model ist kostenlos, Sie können aber auch ein gedrucktes Exemplar erhalten.
// Überblick über die Gliederung:
- Grundlagen der Datenwissenschaft (IPython-Grundlagen: Hilfe/Dokumentation, Verknüpfungen, magische Befehle, Eingabe-/Ausgabeverlauf, Debugging, Profilerstellung).
- Datenmanipulation und -berechnung (NumPy-Arrays: Datentypen, Broadcasting, Indizierung, Aggregationen; Pandas: Indizierung/Auswahl, Zusammenführung, Gruppierung, Umgang mit fehlenden Daten, Zeitreihen).
- Visualisierung (Matplotlib: Linien-/Punktdiagramme, Histogramme, Unterdiagramme, Anmerkungen, 3D-Plots, Grundkarte; Seaborn-Visualisierungen).
- Maschinelles Lernen (Scikit-learn: überwachte/unüberwachte Modelle, Characteristic Engineering, Hyperparameter, Modellvalidierung, Hauptkomponentenanalyse (PCA), Assist Vector Machines (SVM), Entscheidungsbäume, Clustering, Gaußsche Mischungen, Anwendungspipelines).
# 4. Information Science an der Kommandozeile
Datenwissenschaft an der Kommandozeile geht es darum, Information Science über die Befehlszeile durchzuführen, anstatt ausschließlich grafische Instruments zu verwenden. Es behandelt das Abrufen von Daten aus Tabellenkalkulationen, dem Internet, APIs oder Datenbanken. wie man es mit Textdateien, CSV, JSON oder XML bereinigt; wie man es erforscht und Diagramme erstellt; und wie man es mit Techniken wie Regression, Klassifizierung oder Dimensionsreduktion modelliert. Selbst wenn Sie Python oder R bereits kennen, zeigt dieses Buch, wie die Befehlszeile Dinge schneller machen, große Datenmengen verarbeiten und sich in einen vollständigen Workflow mit Instruments wie integrieren lässt Docker und UNIX-Dienstprogramme. Der Inhalt ist kostenlos on-line verfügbar, es gibt jedoch auch eine gedruckte Model.
// Überblick über die Gliederung:
- Erste Schritte und Datenerfassung (Daten abrufen, Docker installieren, grundlegende Unix-Konzepte, mit Dateien arbeiten, E/A umleiten, Datenbanken abfragen, APIs aufrufen).
- Datenvorbereitung und Instruments (Erstellen von Befehlszeilentools, Konvertieren von Skripten in Python/R, Bereinigen von Daten: Textual content, CSV, XML/JSON).
- Projektmanagement und Exploration (Verwenden von Make für den Workflow, Überprüfen von Daten, Berechnen deskriptiver Statistiken, Erstellen von Visualisierungen: Diagramme, Histogramme, Streu-/Dichte-/Boxdiagramme).
- Erweiterte Verarbeitung und Modellierung (Parallele und verteilte Pipelines, Regression, Klassifizierung, Dimensionsreduktion, maschinelles Lernen mit Gelübde Wabbit und Scikit-Be taught).
- Polyglott & Fazit (Mit Jupyter, Python, R, RStudio, Apache Sparkpraktische Ratschläge, Befehlszeilen-Workflows, nächste Schritte in der Datenwissenschaft).
# 5. Information Mining und maschinelles Lernen
Dieses Buch deckt viele der Hauptideen hinter maschinellem Lernen und Information Mining ab, basiert jedoch auf Statistiken. Es werden Möglichkeiten zur Vorhersage von Ergebnissen (überwachtes Lernen) und zum Auffinden versteckter Muster (unüberwachtes Lernen) erörtert. Die Autoren verwenden viele Beispiele und Diagramme aus der Praxis, um zu zeigen, wie die Methoden tatsächlich funktionieren, wobei die Mathematik klar und nicht zu überwältigend bleibt. Es richtet sich an alle, die ein solides Verständnis dafür haben möchten, wie Lernalgorithmen auf Statistiken basieren und wie sie in Bereichen wie Biologie, Finanzen oder Advertising eingesetzt werden können.
// Überblick über die Gliederung:
- Grundlagen der Datenanalyse (Information-Mining-Übersicht, numerische und kategoriale Attribute, Diagrammdaten, Kernel-Methoden, hochdimensionale Daten, Dimensionsreduktion).
- Häufiges Sample-Mining (Itemset-Mining, Zusammenfassen von Itemsets, Sequence-Mining, Graph-Sample-Mining, Muster- und Regelbewertung).
- Clustering-Techniken (Repräsentativbasiertes, hierarchisches, dichtebasiertes Spektral-/Graphen-Clustering, Clustering-Validierung).
- Klassifizierungsmethoden (Probabilistische Klassifizierung, Entscheidungsbäume, lineare Diskriminanzanalyse, Assist-Vektor-Maschinen, Klassifizierungsbewertung).
- Regression und fortgeschrittene Modelle (Lineare und logistische Regression, neuronale Netze, Deep Studying, Regressionsauswertung).
# Zusammenfassung
Diese fünf Bücher behandeln die Grundlagen, praktischen Techniken und fortgeschrittenen Ideen der Datenwissenschaft. Sie sind kostenlos, intestine geschrieben und eine großartige Möglichkeit, Ihr Verständnis über Tutorials und Kurse hinaus zu vertiefen. Lesen Sie sie durch und teilen Sie mir Ihre Meinung in den Kommentaren mit!
Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.