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
- 
-