ksiazki24h.pl
wprowadź własne kryteria wyszukiwania książek: (jak szukać?)
Twój koszyk:   1 egz. / 60.50 57,48   zamówienie wysyłkowe >>>
Strona główna > opis książki

ANALIZA DANYCH W BIZNESIE SZTUKA PODEJMOWANIA SKUTECZNYCH DECYZJI


PROVOST F. FAWCETT T.

wydawnictwo: ONE PRESS , rok wydania 2014, wydanie I

cena netto: 60.50 Twoja cena  57,48 zł + 5% vat - dodaj do koszyka

Analiza danych w biznesie

Sztuka podejmowania skutecznych decyzji


Posiadanie zbiorów danych to połowa sukcesu. Druga połowa to umiejętność ich skutecznej analizy i wyciągania wniosków. Dopiero na tej podstawie będziesz w stanie właściwie ocenić kondycję Twojej firmy oraz podjąć słuszne decyzje. Wiedza zawarta w tej książce może zadecydować o sukcesie biznesowym lub porażce. Nie ryzykuj i sięgnij po to doskonałe źródło wiedzy, poświęcone nauce o danych.

To unikalny podręcznik, który pomoże Ci sprawnie opanować nawet najtrudniejsze zagadnienia związane z analizą danych.

Dowiedz się, jak zbudowany jest proces eksploracji danych, z jakich narzędzi możesz skorzystać oraz jak stworzyć model predykcyjny i dopasować go do danych. W kolejnych rozdziałach przeczytasz o tym, czym grozi nadmierne dopasowanie modelu i jak go unikać oraz jak wyciągać wnioski metodą najbliższych sąsiadów. Na koniec zaznajomisz się z możliwościami wizualizacji skuteczności modelu oraz odkryjesz związek pomiędzy nauką o danych a strategią biznesową. To obowiązkowa lektura dla wszystkich osób chcących podejmować świadome decyzje na podstawie posiadanych danych!

Dzięki tej książce:

  • poznasz model predykcyjny

  • dowiesz się, jak dopasować model do danych

  • zwizualizujesz skuteczność zbudowanego modelu

  • zwiększysz swoje szanse na osiągnięcie sukcesu biznesowego


Przedmowa (17)

 

1. Wstęp: myślenie w kategoriach analityki danych (25)

 

  • Wszechobecność możliwości pozyskiwania danych (25)
  • Przykład: huragan Frances (27)
  • Przykład: prognozowanie odpływu klientów (27)
  • Nauka o danych, inżynieria i podejmowanie decyzji na podstawie danych (28)
  • Przetwarzanie danych i Big Data (31)
  • Od Big Data 1.0 do Big Data 2.0 (32)
  • Dane i potencjał nauki o danych jako aktywa strategiczne (32)
  • Myślenie w kategoriach analityki danych (35)
  • Nasza książka (37)
  • Eksploracja danych i nauka o danych, nowe spojrzenie (37)
  • Chemia to nie probówki: nauka o danych kontra praca badacza danych (38)
  • Podsumowanie (39)

 

2. Problemy biznesowe a rozwiązania z zakresu nauki o danych (41)

 

  • Podstawowe pojęcia: Zbiór kanonicznych zadań związanych z eksploracją danych; Proces eksploracji danych; Nadzorowana i nienadzorowana eksploracja danych.
  • Od problemów biznesowych do zadań eksploracji danych (41)
  • Metody nadzorowane i nienadzorowane (45)
  • Eksploracja danych i jej wyniki (47)
  • Proces eksploracji danych (47)
    • Zrozumienie uwarunkowań biznesowych (49)
    • Zrozumienie danych (49)
    • Przygotowanie danych (51)
    • Modelowanie (52)
    • Ewaluacja (52)
    • Wdrożenie (53)
  • Implikacje w sferze zarządzania zespołem nauki o danych (55)
  • Inne techniki i technologie analityczne (56)
    • Statystyka (56)
    • Zapytania do baz danych (58)
    • Magazynowanie danych (59)
    • Analiza regresji (59)
    • Uczenie maszynowe i eksploracja danych (60)
    • Odpowiadanie na pytania biznesowe z wykorzystaniem tych technik (61)
  • Podsumowanie (62)

 

3. Wprowadzenie do modelowania predykcyjnego: od korelacji do nadzorowanej segmentacji (63)

 

  • Podstawowe pojęcia: Identyfikowanie atrybutów informatywnych; Segmentowanie danych za pomocą progresywnej selekcji atrybutów.
  • Przykładowe techniki: Wyszukiwanie korelacji; Wybór atrybutów/zmiennych; Indukcja drzew decyzyjnych.
  • Modele, indukcja i predykcja (64)
  • Nadzorowana segmentacja (67)
    • Wybór atrybutów informatywnych (68)
    • Przykład: wybór atrybutu z wykorzystaniem przyrostu informacji (74)
    • Nadzorowana segmentacja z użyciem modeli o strukturze drzewa (79)
  • Wizualizacja segmentacji (83)
  • Drzewa jako zbiory reguł (86)
  • Szacowanie prawdopodobieństwa (86)
  • Przykład: rozwiązywanie problemu odpływu abonentów z wykorzystaniem indukcji drzewa (88)
  • Podsumowanie (92)

 

4. Dopasowywanie modelu do danych (95)

 

  • Podstawowe pojęcia: Znajdowanie "optymalnych" parametrów modelu na podstawie danych; Wybieranie celu eksploracji danych; Funkcje celu; Funkcje straty.
  • Przykładowe techniki: Regresja liniowa; Regresja logistyczna; Maszyny wektorów wspierających.
  • Klasyfikacja za pomocą funkcji matematycznych (96)
    • Liniowe funkcje dyskryminacyjne (97)
    • Optymalizacja funkcji celu (100)
    • Przykład wydobywania dyskryminatora liniowego z danych (101)
    • Liniowe funkcje dyskryminacyjne do celów scoringu i szeregowania wystąpień (102)
    • Maszyny wektorów wspierających w skrócie (103)
  • Regresja za pomocą funkcji matematycznych (106)
  • Szacowanie prawdopodobieństwa klas i "regresja" logistyczna (108)
    • * Regresja logistyczna: kilka szczegółów technicznych (111)
  • Przykład: indukcja drzew decyzyjnych a regresja logistyczna (113)
  • Funkcje nieliniowe, maszyny wektorów wspierających i sieci neuronowe (117)
  • Podsumowanie (119)

 

5. Nadmierne dopasowanie i jego unikanie (121)

 

  • Podstawowe pojęcia: Generalizacja; Dopasowanie i nadmierne dopasowanie; Kontrola złożoności.
  • Przykładowe techniki: Sprawdzian krzyżowy; Wybór atrybutów; Przycinanie drzew; Regularyzacja.
  • Generalizacja (121)
  • Nadmierne dopasowanie ("przeuczenie") (122)
  • Badanie nadmiernego dopasowania (123)
    • Dane wydzielone i wykresy dopasowania (123)
    • Nadmierne dopasowanie w indukcji drzew decyzyjnych (125)
    • Nadmierne dopasowanie w funkcjach matematycznych (127)
  • Przykład: nadmierne dopasowanie funkcji liniowych (128)
  • * Przykład: dlaczego nadmierne dopasowanie jest niekorzystne? (131)
  • Od ewaluacji danych wydzielonych do sprawdzianu krzyżowego (133)
  • Zbiór danych dotyczących odpływu abonentów - nowe spojrzenie (136)
  • Krzywe uczenia się (137)
  • Unikanie nadmiernego dopasowania i kontrola złożoności (139)
    • Unikanie nadmiernego dopasowania w indukcji drzew decyzyjnych (139)
    • Ogólna metoda unikania nadmiernego dopasowania (141)
    • * Unikanie nadmiernego dopasowania w celu optymalizacji parametrów (142)
  • Podsumowanie (145)

 

6. Podobieństwo, sąsiedzi i klastry (147)

 

  • Podstawowe pojęcia: Obliczanie podobieństwa obiektów opisanych przez dane; Wykorzystywanie podobieństwa do celów predykcji; Klastrowanie jako segmentacja oparta na podobieństwie.
  • Przykładowe techniki: Poszukiwanie podobnych jednostek; Metody najbliższych sąsiadów; Metody klastrowania; Miary odległości do obliczania podobieństwa.
  • Podobieństwo i odległość (148)
  • Wnioskowanie metodą najbliższych sąsiadów (150)
    • Przykład: analityka whisky (150)
    • Najbliżsi sąsiedzi w modelowaniu predykcyjnym (152)
    • Ilu sąsiadów i jak duży wpływ? (154)
    • Interpretacja geometryczna, nadmierne dopasowanie i kontrola złożoności (156)
    • Problemy z metodami najbliższych sąsiadów (158)
  • Kilka istotnych szczegółów technicznych dotyczących podobieństw i sąsiadów (162)
    • Atrybuty heterogeniczne (162)
    • * Inne funkcje odległości (163)
    • * Funkcje łączące: obliczanie wskaźników na podstawie sąsiadów (165)
  • Klastrowanie (167)
    • Przykład: analityka whisky - nowe spojrzenie (167)
    • Klastrowanie hierarchiczne (168)
    • Najbliżsi sąsiedzi na nowo: klastrowanie wokół centroidów (172)
    • Przykład: klastrowanie wiadomości biznesowych (176)
    • Zrozumienie wyników klastrowania (179)
    • * Wykorzystywanie uczenia nadzorowanego do generowania opisów klastrów (181)
  • Krok wstecz: rozwiązywanie problemu biznesowego kontra eksploracja danych (183)
  • Podsumowanie (185)

 

7. Myślenie w kategoriach analityki decyzji I: co to jest dobry model? (187)

 

  • Podstawowe pojęcia: Staranne rozważenie, czego oczekujemy od wyników nauki o danych; Wartość oczekiwana jako kluczowa platforma ewaluacji; Uwzględnianie odpowiednich porównawczych punktów odniesienia.
  • Przykładowe techniki: Różne miary ewaluacji; Szacowanie kosztów i korzyści; Obliczanie oczekiwanego zysku; Tworzenie metod bazowych dla porównań.
  • Ewaluacja klasyfikatorów (188)
    • Zwykła dokładność i jej problemy (189)
    • Macierz pomyłek (189)
    • Problemy z niezrównoważonymi klasami (190)
    • Problemy nierównych kosztów i korzyści (191)
  • Generalizowanie poza klasyfikacją (193)
  • Kluczowa platforma analityczna: wartość oczekiwana (193)
    • Wykorzystywanie wartości oczekiwanej do systematyzowania zastosowania klasyfikatora (194)
    • Wykorzystywanie wartości oczekiwanej do systematyzowania ewaluacji klasyfikatora (195)
  • Ewaluacja, skuteczność bazowa oraz implikacje dla inwestowania w dane (201)
  • Podsumowanie (205)

 

8. Wizualizacja skuteczności modelu (207)

 

  • Podstawowe pojęcia: Wizualizacja skuteczności modelu przy różnych rodzajach niepewności; Dalsze rozważania odnośnie tego, czego należy oczekiwać od wyników eksploracji danych.
  • Przykładowe techniki: Krzywe zysku; Krzywe łącznej reakcji; Krzywe przyrostu; Krzywe ROC.
  • Ranking zamiast klasyfikowania (207)
  • Krzywe zysku (209)
  • Wykresy i krzywe ROC (212)
  • Pole pod krzywą ROC (AUC) (216)
  • Krzywe łącznej reakcji i krzywe przyrostu (216)
  • Przykład: analityka skuteczności w modelowaniu odpływu abonentów (219)
  • Podsumowanie (226)

 

9. Dowody i prawdopodobieństwa (227)

 

  • Podstawowe pojęcia: Jednoznaczne łączenie dowodów za pomocą twierdzenia Bayesa; Wnioskowanie probabilistyczne poprzez założenia warunkowej niezależności.
  • Przykładowe techniki: Klasyfikacja bayesowska; Przyrost wartości dowodu.
  • Przykład: targetowanie klientów reklam internetowych (227)
  • Probabilistyczne łączenie dowodów (229)
    • Prawdopodobieństwo łączne i niezależność (230)
    • Twierdzenie Bayesa (231)
  • Zastosowanie twierdzenia Bayesa w nauce o danych (232)
    • Niezależność warunkowa i naiwny klasyfikator bayesowski (234)
    • Zalety i wady naiwnego klasyfikatora bayesowskiego (235)
  • Model "przyrostu" wartości dowodu (237)
  • Przykład: przyrosty wartości dowodów z "polubień" na Facebooku (238)
    • Dowody w akcji: targetowanie klientów reklamami (240)
  • Podsumowanie (240)

 

10. Reprezentacja i eksploracja tekstu (243)

 

  • Podstawowe pojęcia: Znaczenie konstruowania przyjaznych eksploracji reprezentacji danych; Reprezentacja tekstu do celów eksploracji danych.
  • Przykładowe techniki: Reprezentacja worka słów (bag of words); Kalkulacja TFIDF; N-gramy; Sprowadzanie do formy podstawowej (stemming); Ekstrakcja wyrażeń nazwowych; Modele tematyczne.
  • Dlaczego tekst jest istotny (244)
  • Dlaczego tekst jest trudny (244)
  • Reprezentacja (245)
    • Worek słów (bag of words) (245)
    • Częstość termów (246)
    • Mierzenie rzadkości (sparseness): odwrotna częstość w dokumentach (248)
    • Łączenie reprezentacji: TFIDF (249)
  • Przykład: muzycy jazzowi (250)
  • * Związek IDF z entropią (253)
  • Oprócz worka słów (255)
    • N-gramy (255)
    • Ekstrakcja wyrażeń nazwowych (255)
    • Modele tematyczne (256)
  • Przykład: eksploracja wiadomości w celu prognozowania zmian cen akcji (257)
    • Zadanie (257)
    • Dane (259)
    • Wstępne przetwarzanie danych (262)
    • Wyniki (262)
  • Podsumowanie (266)

 

11. Myślenie w kategoriach analityki decyzji II: w kierunku inżynierii analitycznej (267)

 

  • Podstawowe pojęcie: Rozwiązywanie problemów biznesowych z wykorzystaniem nauki o danych rozpoczyna się od inżynierii analitycznej: projektowania rozwiązania analitycznego z wykorzystaniem dostępnych danych, narzędzi i technik.
  • Przykładowa technika: Wartość oczekiwana jako platforma opracowania rozwiązania z zakresu nauki o danych.
  • Targetowanie najlepszych potencjalnych klientów przesyłek organizacji pozyskujących fundusze (268)
    • Platforma wartości oczekiwanej: rozkład problemu biznesowego i ponowne zestawienie elementów rozwiązania (268)
    • Krótka dygresja na temat stronniczości selekcji (270)
  • Nowe, jeszcze bardziej zaawansowane spojrzenie na nasz przykład odpływu abonentów (271)
    • Platforma wartości oczekiwanej: strukturyzacja bardziej skomplikowanego problemu biznesowego (271)
    • Ocena wpływu zachęty (272)
    • Od rozkładu wartości oczekiwanej do rozwiązania z obszaru nauki o danych (274)
  • Podsumowanie (277)

 

12. Inne zadania i techniki nauki o danych (279)

 

  • Podstawowe pojęcia: Nasze podstawowe pojęcia jako baza wielu typowych technik nauki o danych; Znaczenie wiedzy o elementach składowych nauki o danych.
  • Przykładowe techniki: Zależność i współwystępowanie; Profilowanie zachowań; Predykcja połączeń; Redukcja danych; Eksploracja informacji ukrytych; Rekomendowanie filmów; Rozkład błędu pod względem stronniczości - wariancji; Zespoły modeli; Wnioskowanie przyczynowe z danych.
  • Współwystąpienia i zależności: znajdowanie elementów, które idą w parze (280)
    • Pomiar zaskoczenia: przyrost i dźwignia (281)
    • Przykład: piwo i kupony loteryjne (282)
    • Zależności pomiędzy polubieniami na Facebooku (282)
  • Profilowanie: znajdowanie typowego zachowania (285)
  • Predykcja połączeń i rekomendacje społecznościowe (290)
  • Redukcja danych, informacje ukryte i rekomendacje filmów (291)
  • Stronniczość, wariancja i metody zespalania (294)
  • Oparte na danych wyjaśnianie przyczynowe i przykład marketingu wirusowego (297)
  • Podsumowanie (298)

 

13. Nauka o danych i strategia biznesowa (301)

 

  • Podstawowe pojęcia: Nasze zasady jako podstawa sukcesu firmy działającej na podstawie danych; Zdobywanie i utrzymywanie przewagi konkurencyjnej za pomocą nauki o danych; Znaczenie dbałości o potencjał nauki o danych.
  • Myślenie w kategoriach analityki danych, raz jeszcze (301)
  • Osiąganie przewagi konkurencyjnej przy pomocy nauki o danych (303)
  • Utrzymywanie przewagi konkurencyjnej przy pomocy nauki o danych (304)
    • Nadzwyczajna przewaga historyczna (305)
    • Wyjątkowa własność intelektualna (305)
    • Wyjątkowe niematerialne aktywa zabezpieczające (306)
    • Lepsi badacze danych (306)
    • Lepsze zarządzanie zespołem nauki o danych (308)
  • Pozyskiwanie badaczy danych i ich zespołów oraz opieka nad nimi (309)
  • Badanie studiów przypadku z zakresu nauki o danych (311)
  • Gotowość do przyjmowania kreatywnych pomysłów z każdego źródła (312)
  • Gotowość do oceny propozycji projektów z zakresu nauki o danych (312)
    • Przykładowa propozycja eksploracji danych (313)
    • Błędy w propozycji Big Red (313)
  • Dojrzałość firmy w sferze nauki o danych (315)

 

14. Zakończenie (317)

 

  • Podstawowe pojęcia nauki o danych (317)
    • Zastosowanie naszych podstawowych pojęć do nowego problemu: eksploracji danych urządzeń przenośnych (320)
    • Zmiana sposobu myślenia o rozwiązaniach problemów biznesowych (322)
  • Czego dane nie mogą dokonać: nowe spojrzenie na decydentów (323)
  • Prywatność, etyka i eksploracja danych dotyczących konkretnych osób (326)
  • Czy jest coś jeszcze w nauce o danych? (327)
  • Ostatni przykład: od crowdsourcingu do cloudsourcingu (328)
  • Kilka słów na zakończenie (329)

 

A. Przewodnik dotyczący oceny propozycji (331)

 

  • Zrozumienie uwarunkowań biznesowych i zrozumienie danych (331)
  • Przygotowanie danych (332)
  • Modelowanie (332)
  • Ewaluacja i wdrożenie (333)

 

B. Jeszcze jedna przykładowa propozycja (335)

 

  • Scenariusz i propozycja (335)
  • Wady propozycji GGC (336)

 

C. Słowniczek (339)

D. Bibliografia (345)

Skorowidz (351)


360 stron, Format: 17.0x24.0cm, oprawa miękka

Osoby kupujące tę książkę wybierały także:
 

- RACHUNKOWOŚĆ ZARZĄDCZA
JARUGA A.A. KABALSKI P. SZYCHTA A.

- STATYSTYKA OD TEORII DO PRAKTYKI
WIECZORKOWSKA G. WIERZBIŃSKI J.

Po otrzymaniu zamówienia poinformujemy,
czy wybrany tytuł polskojęzyczny lub anglojęzyczny jest aktualnie na półce księgarni.

 
Wszelkie prawa zastrzeżone PROPRESS sp. z o.o. 2012-2022