Η Επιστήμη Δεδομένων είναι το πεδίο μελέτης που χειρίζεται τεράστιες ποσότητες δεδομένων χρησιμοποιώντας επιστημονικές μεθόδους, διαδικασίες, αλγόριθμους και συστήματα για την εύρεση των αόρατων μοτίβων, την εξαγωγή ουσιαστικών πληροφοριών, τη λήψη επιχειρηματικών αποφάσεων σε εταιρείες και επίσης τη χρήση σε μη επιχειρηματικά ιδρύματα. Τα μη επιχειρηματικά ιδρύματα περιλαμβάνουν κλάδους υγείας, τυχερών παιχνιδιών, αναγνώρισης εικόνων, συστημάτων συστάσεων, Logistics, ανίχνευσης απάτης (τραπεζικά και χρηματοπιστωτικά ιδρύματα), Αναζήτηση στο Διαδίκτυο, Αναγνώριση ομιλίας, Στοχευμένη διαφήμιση, Σχεδιασμό αεροπορικών δρομολογίων και επαυξημένη πραγματικότητα. Η Επιστήμη Δεδομένων είναι ένα υποσύνολο της Τεχνητής Νοημοσύνης. Τα δεδομένα που χρησιμοποιούνται για ανάλυση μπορούν να προέρχονται από πολλές διαφορετικές πηγές και παρουσιάζονται σε διάφορες μορφές. Ορισμένα από τα δεδομένα πηγής μπορεί να είναι τυποποιημένα. άλλα μπορεί να μην είναι τυποποιημένα.
Για να το θέσω διαφορετικά, χρησιμοποιούνται διαφορετικές μεθοδολογίες για τη συλλογή των δεδομένων (πληθυντικός του δεδομένου). Στη συνέχεια, εξάγονται γνώσεις (πολύτιμα συμπεράσματα) από τα συγκεντρωμένα δεδομένα. Στην πορεία, αφού συγκεντρωθούν τα δεδομένα, γίνεται η έρευνα πάνω σε αυτά (δεδομένα) για να ληφθούν νέα δεδομένα (αποτελέσματα) από τα οποία επιλύονται τα προβλήματα.
Η Επιστήμη των Δεδομένων ως (κύριος) κλάδος υπάρχει σε επίπεδο Bachelor και Master στο πανεπιστήμιο. Ωστόσο, μόνο λίγα πανεπιστήμια στον κόσμο προσφέρουν την Επιστήμη των Δεδομένων σε πτυχίο Bachelor ή Master. Σε επίπεδο Bachelor's Degree, ο φοιτητής αποφοιτά με πτυχίο στην Επιστήμη των Δεδομένων. Αυτό είναι σαν πτυχίο γενικού σκοπού. Σε επίπεδο μεταπτυχιακού, ο φοιτητής φεύγει με Μεταπτυχιακό Δίπλωμα στην Επιστήμη Δεδομένων, με ειδίκευση στην Ανάλυση Δεδομένων, τη Μηχανική Δεδομένων ή ως Επιστήμονας Δεδομένων.
Μπορεί να εκπλήσσει τον αναγνώστη και, ενδεχομένως, δυστυχώς, ότι η Μηχανική Μάθηση, η Μοντελοποίηση, η Στατιστική, ο Προγραμματισμός και οι Βάσεις Δεδομένων αποτελούν προαπαιτούμενη γνώση για τη μελέτη της Επιστήμης Δεδομένων σε επίπεδο Πτυχίου, παρά το γεγονός ότι είναι σεβαστά πανεπιστημιακά μαθήματα με τα δικά τους δικαιώματα, άλλους κλάδους σε επίπεδο Bachelor ή Master. Παρόλα αυτά, όταν ένας φοιτητής πηγαίνει σε ένα πανεπιστήμιο για να σπουδάσει Επιστήμη Δεδομένων σε επίπεδο πτυχίου, όλα αυτά τα μαθήματα θα εξακολουθούν να μελετώνται, παράλληλα ή πριν από τα κατάλληλα μαθήματα, για την Επιστήμη των Δεδομένων.
Η Επιστήμη Δεδομένων για πτυχίο Bachelor ή οι εξειδικεύσεις της, όπως Data Analytics, Data Engineering ή ως Data Scientist, βρίσκονται ακόμη υπό ανάπτυξη. αν και έφτασαν σε ένα στάδιο που εφαρμόζονται σε βιομηχανίες μετά από σπουδές (στο πανεπιστήμιο). Η Επιστήμη Δεδομένων είναι ένας σχετικά νέος κλάδος, συνολικά.
Θυμηθείτε ότι πρέπει πρώτα να είστε γενικός προτού γίνετε ειδικός. Οι διακρίσεις μεταξύ προγραμμάτων ειδικών δεν είναι ακόμη σαφείς. Οι διακρίσεις μεταξύ του γενικού και του ειδικού προγράμματος δεν είναι ακόμη σαφείς.
Δεδομένου ότι η Επιστήμη των Δεδομένων είναι ένας σχετικά νέος κλάδος, τα βιβλία που περιγράφονται σε αυτό το έγγραφο βασίζονται στην κάλυψη περιεχομένου και όχι στην παιδαγωγική (πόσο καλά διδάσκει το βιβλίο). Και είναι για το πρόγραμμα Bachelor's Degree (γενική). Υπάρχουν διάφορα γενικά μαθήματα.
Η λίστα
Για περισσότερες λεπτομέρειες και πιθανή αγορά με πιστωτική κάρτα, δίνεται υπερσύνδεσμος για κάθε ένα από τα βιβλία. Κανένα από τα βιβλία δεν καλύπτει όλα τα γενικά μαθήματα.
Βασικά μαθηματικά για την επιστήμη δεδομένων: Λογισμός, Στατιστική, Θεωρία Πιθανοτήτων και Γραμμική Άλγεβρα
Συγγραφέας: Hadrien Jean
- Εκδότης: Hadrien Jean
- Ημερομηνία δημοσίευσης: Μετά τις 30 Σεπτεμβρίου 2020
- Γλώσσα: Αγγλικά
- Αριθμός σελίδων: περισσότερες από 400
Το περιεχόμενο αυτού του βιβλίου μπορεί να θεωρηθεί ως το μάθημα των μαθηματικών για την Επιστήμη των Δεδομένων. Αν και δεν συνιστάται η εκμάθηση της Επιστήμης Δεδομένων μόνος του, ένας απόφοιτος λυκείου που θέλει να μάθει την Επιστήμη των Δεδομένων μόνος του θα πρέπει να ξεκινήσει με αυτό το βιβλίο.
Περιεχόμενο: Λογισμός; Στατιστική και Πιθανότητες; Γραμμική άλγεβρα; Scalars and Vectors; Πίνακες και τανυστές; Span, Γραμμική Εξάρτηση και Μετασχηματισμός Διαστήματος. Συστήματα Γραμμικών Εξισώσεων; Ιδιοδιανύσματα και ιδιοτιμές; Αποσύνθεση ενικής αξίας.
https://www.essentialmathfordatascience.com/
A Common-Sense Guide to Data Structures and Algorithms: Level Up Your Core Programming Skills / 2nd Edition
Συγγραφέας: Jay Wengrow
- Εκδότης: Pragmatic Bookshelf
- Ημερομηνία δημοσίευσης: 15 Σεπτεμβρίου 2020
- Γλώσσα: Αγγλικά
- Διαστάσεις: 7,5 x 1,25 x 9,25 ίντσες
- Αριθμός σελίδων: 508
Αυτό το βιβλίο ασχολείται με αλγόριθμους και δομές δεδομένων που χρησιμοποιούνται στην Επιστήμη των Δεδομένων. Αν υποθέσουμε ότι κάποιος μαθαίνει την Επιστήμη των Δεδομένων μόνος του μετά την αποφοίτησή του από το γυμνάσιο, τότε αυτό είναι το επόμενο βιβλίο που θα διαβάσετε αφού διαβάσετε το προηγούμενο βιβλίο μαθηματικών. Τα παραδείγματα προγραμμάτων δίνονται σε JavaScript, Python και Ruby.
Περιεχόμενο: Γιατί έχουν σημασία οι δομές δεδομένων. Γιατί οι αλγόριθμοι έχουν σημασία; Ω ναι! Σημείωση Big O; Επιταχύνετε τον Κώδικά σας με το Big O. Βελτιστοποίηση κώδικα με και χωρίς Big O. Βελτιστοποίηση για αισιόδοξα σενάρια. Big O στον Καθημερινό Κώδικα. Καταπληκτική γρήγορη αναζήτηση με πίνακες κατακερματισμού. Δημιουργία κομψό κώδικα με στοίβες και ουρές. Recursively Recurse with Recursion. Εκμάθηση γραφής σε αναδρομική. Δυναμικός Προγραμματισμός; Αναδρομικοί αλγόριθμοι για την ταχύτητα. Δομές δεδομένων που βασίζονται σε κόμβους. Επιτάχυνση όλων των πραγμάτων με δυαδικά δέντρα αναζήτησης. Διατηρώντας τις προτεραιότητές σας ευθεία με σωρούς. Δεν βλάπτει να προσπαθείς. Σύνδεση των πάντων με γραφήματα. Αντιμετώπιση των περιορισμών του χώρου. Τεχνικές Βελτιστοποίησης Κώδικα
Εξυπνότερη Επιστήμη Δεδομένων: Επιτυχία με Έργα Enterprise-Grade Data και AI / 1 αγ Επεξεργασία
Σε σενάριο: Neal Fishman, Cole Stryker και Grady Booch
- Εκδότης: Wiley
- Ημερομηνία δημοσίευσης: 14 Απριλίου 2020
- Γλώσσα: Αγγλικά
- Αριθμός σελίδων: 286
Περιεχόμενο: Αναρρίχηση στη σκάλα AI. Πλαίσιο Μέρος Ι: Θεωρήσεις για οργανισμούς που χρησιμοποιούν τεχνητή νοημοσύνη. Πλαισιοποίηση Μέρος II: Θεωρήσεις για την εργασία με δεδομένα και τεχνητή νοημοσύνη. Μια αναδρομή στο Analytics: Περισσότερα από ένα σφυρί. Μια ματιά στο Analytics: Δεν μπορούν όλα να είναι καρφί. Αντιμετώπιση επιχειρησιακών πειθαρχιών στο AI Ladder. Μεγιστοποίηση της χρήσης των δεδομένων σας: Καθοδήγηση αξίας. Αποτίμηση δεδομένων με στατιστική ανάλυση και ενεργοποίηση ουσιαστικής πρόσβασης. Κατασκευή για μακροπρόθεσμη βάση. A Journey’s End: An IA for AI.
Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series) Εικονογραφημένη Έκδοση
Συγγραφέας: Kevin P. Murphy
- Εκδότης: The MIT Press
- Ημερομηνία δημοσίευσης: 24 Αυγούστου 2012
- Γλώσσα: Αγγλικά
- Διαστάσεις: 8,25 x 1,79 x 9,27 ίντσες
- Αριθμός σελίδων: 1104
Αυτό το βιβλίο είναι καλό για αρχάριους. Και πάλι, όπως όλα τα υπόλοιπα βιβλία που περιγράφονται σε αυτό το έγγραφο, αυτό το βιβλίο δεν καλύπτει όλα τα απαραίτητα για το γενικό πρόγραμμα το οποίο, δυστυχώς, δεν έχει ακόμη οριστικοποιηθεί (τα εξειδικευμένα προγράμματα δεν έχουν ακόμη ολοκληρωθεί). Ο τυπικός αρχάριος εδώ είναι απόφοιτος γυμνασίου με επιτυχία στα μαθηματικά και την επιστήμη των υπολογιστών.
Περιεχόμενο: Εισαγωγή (Μηχανική μάθηση: τι και γιατί;, Εκμάθηση χωρίς επίβλεψη, Μερικές βασικές έννοιες στη μηχανική μάθηση). Πιθανότητα; Δημιουργικά μοντέλα για διακριτά δεδομένα. Gaussian μοντέλα; Μπεϋζιανές στατιστικές; Συχνές στατιστικές; Γραμμικής παλινδρόμησης; Λογιστική παλινδρόμηση; Γενικευμένα γραμμικά μοντέλα και η εκθετική οικογένεια. Σκηνοθετημένα γραφικά μοντέλα (δίχτυα Bayes). Μοντέλα μείγματος και ο αλγόριθμος EM. Λανθάνοντα γραμμικά μοντέλα. Αραιά γραμμικά μοντέλα. Πυρήνες; Gaussian διεργασίες; Προσαρμοστικά μοντέλα συνάρτησης βάσης. Markov και κρυφά μοντέλα Markov. Μοντέλα χώρου κατάστασης; Μη κατευθυνόμενα γραφικά μοντέλα (τυχαία πεδία Markov). Ακριβές συμπεράσματα για γραφικά μοντέλα. Μεταβλητό συμπέρασμα; Περισσότερο διαφοροποιημένο συμπέρασμα. Μόντε Κάρλο συμπέρασμα; Συμπέρασμα αλυσίδας Markov Monte Carlo (MCMC). Ομαδοποίηση; Εκμάθηση δομής γραφικού μοντέλου; Λανθάνοντα μοντέλα μεταβλητών για διακριτά δεδομένα. Βαθιά μάθηση.
Επιστήμη δεδομένων για επιχειρήσεις: Τι πρέπει να γνωρίζετε για την εξόρυξη δεδομένων και την αναλυτική σκέψη δεδομένων / 1η έκδοση
Συγγραφέας: Tom Fawcett και Foster Provost
- Εκδότης: O'Reilly Media
- Ημερομηνία δημοσίευσης: 17 Σεπτεμβρίου 2013
- Γλώσσα: Αγγλικά
- Διαστάσεις: 7 x 0,9 x 9,19 ίντσες
- Αριθμός σελίδων: 413
Περιεχόμενο: Data-Analytic Thinking; Επιχειρηματικά προβλήματα και Λύσεις Επιστήμης Δεδομένων. Εισαγωγή στην Προγνωστική Μοντελοποίηση: Από τη Συσχέτιση στην Εποπτευόμενη Τμηματοποίηση. Προσαρμογή μοντέλου σε δεδομένα. Υπερβολική προσαρμογή και η αποφυγή της. Ομοιότητα, Γείτονες και Ομάδες. Αναλυτική σκέψη απόφασης I: Τι είναι ένα καλό μοντέλο; Οπτικοποίηση της απόδοσης του μοντέλου. Στοιχεία και Πιθανότητες. Αναπαράσταση και εξόρυξη κειμένου. Decision Analytic Thinking II: Toward Analytical Engineering; Άλλες εργασίες και τεχνικές επιστήμης δεδομένων. Επιστήμη Δεδομένων και Επιχειρηματική Στρατηγική. Συμπέρασμα.
https://www.amazon.com/Data-Science-Business-Data-Analytic-Thinking/dp/B08VL5K5ZX
Πρακτικές στατιστικές για επιστήμονες δεδομένων: 50+ βασικές έννοιες που χρησιμοποιούν R και Python / 2η Έκδοση
Συγγραφέας: Peter Bruce, Andrew Bruce και Peter Gedeck
- Εκδότης: O'Reilly Media
- Ημερομηνία δημοσίευσης: 2 Ιουνίου 2020
- Γλώσσα: Αγγλικά
- Διαστάσεις: 7 x 0,9 x 9,1 ίντσες
- Αριθμός σελίδων: 368
Περιεχόμενο: Διερευνητική Ανάλυση Δεδομένων, Κατανομές Δεδομένων και Δειγματοληψίας, Στατιστικά Πειράματα και Δοκιμές Σημασίας, Παλινδρόμηση και Πρόβλεψη, Ταξινόμηση, Στατιστική Μηχανική Μάθηση, Μάθηση χωρίς επίβλεψη.
The Book of Why: The New Science of Cause and Effect
Συγγραφέας: Judea Pearl, Dana Mackenzie
- Εκδότης: Βασικό Βιβλίο
- Ημερομηνία δημοσίευσης: 15 Μαΐου 2018
- Γλώσσα: Αγγλικά
- Διαστάσεις: 6,3 x 1,4 x 9,4 ίντσες
- Αριθμός σελίδων: 432
Ενώ πολλά βιβλία Επιστήμης Δεδομένων χρησιμοποιούν την καθαρή επιχειρηματική βιομηχανία για εικονογράφηση, αυτό το βιβλίο χρησιμοποιεί την ιατρική βιομηχανία και άλλους κλάδους για εικονογράφηση.
Περιεχόμενο: Εισαγωγή: Mind over Data. The Ladder of Causation; From Buccaneers to Guinea Pigs: The Genesis of Causal Inference; Από τα στοιχεία στα αίτια: Ο αιδεσιμότατος Bayes συναντά τον κύριο Χολμς. Συγχυτική και αποσύγχυση: Ή, Slaying the Lurking Variable. The Smoke-Filled Debate: Clearing the Air? Παράδοξα εν αφθονία! Beyond Adjustment: The Conquest of Mount Intervention. Αντιπαραστατικά: Κόσμοι εξόρυξης που θα μπορούσαν να είναι. Διαμεσολάβηση: Η αναζήτηση ενός μηχανισμού. Τα μεγάλα δεδομένα, η τεχνητή νοημοσύνη και τα μεγάλα ερωτήματα.
Χτίστε μια καριέρα στην Επιστήμη Δεδομένων
Συγγραφέας: Emily Robinson και Jacqueline Nolis
- Εκδότης: Manning
- Ημερομηνία δημοσίευσης: 24 Μαρτίου 2020
- Γλώσσα: Αγγλικά
- Διαστάσεις: 7,38 x 0,8 x 9,25 ίντσες
- Αριθμός σελίδων: 354
Περιεχόμενο: Ξεκινώντας με την Επιστήμη Δεδομένων. Εύρεση της εργασίας σας στο Data Science. Εγκατάσταση στην Επιστήμη Δεδομένων. Αναπτύσσοντας τον ρόλο σας στο Data Science.
https://www.manning.com/books/build-a-career-in-data-science
Data Science for Dummies / 2η Έκδοση
Συγγραφέας: Lillian Pierson
- Εκδότης: For Dummies
- Ημερομηνία δημοσίευσης: 6 Μαρτίου 2017
- Γλώσσα: Αγγλικά
- Διαστάσεις: 7,3 x 1 x 9 ίντσες
- Αριθμός σελίδων: 384
Αυτό το βιβλίο υποθέτει ότι ο αναγνώστης έχει ήδη τις προαπαιτούμενες γνώσεις μαθηματικών και προγραμματισμού.
Περιεχόμενο: Τυλίγοντας το κεφάλι σας γύρω από την Επιστήμη των Δεδομένων. Εξερεύνηση αγωγών και υποδομών μηχανικής δεδομένων. Εφαρμογή πληροφοριών βάσει δεδομένων σε επιχειρήσεις και κλάδους. Μηχανική μάθηση: Εκμάθηση από δεδομένα με τη μηχανή σας. Μαθηματικά, Πιθανότητες και Στατιστική Μοντελοποίηση. Χρήση ομαδοποίησης για υποδιαίρεση δεδομένων. Μοντελοποίηση με Στιγμιότυπα. Κατασκευή μοντέλων που λειτουργούν συσκευές Internet of Things. Ακολουθώντας τις Αρχές Σχεδιασμού Οπτικοποίησης Δεδομένων. Χρήση του D3.js για Οπτικοποίηση Δεδομένων. Εφαρμογές που βασίζονται στο Web για σχεδίαση οπτικοποίησης. Διερεύνηση βέλτιστων πρακτικών στον σχεδιασμό του ταμπλό. Δημιουργία χαρτών από χωρικά δεδομένα. Χρήση Python για Επιστήμη Δεδομένων. Χρήση ανοιχτού κώδικα R για Επιστήμη Δεδομένων. Χρήση SQL στην Επιστήμη Δεδομένων. Κάνοντας Επιστήμη Δεδομένων με το Excel και το Knime. Η Επιστήμη των Δεδομένων στη Δημοσιογραφία: Καρφώνοντας τα Five Ws (και ένα H); Εμβαθύνοντας στην Επιστήμη των Περιβαλλοντικών Δεδομένων. Επιστήμη δεδομένων για την ώθηση της ανάπτυξης στο ηλεκτρονικό εμπόριο. Χρήση της Επιστήμης Δεδομένων για την περιγραφή και την πρόβλεψη της εγκληματικής δραστηριότητας. Δέκα εκπληκτικοί πόροι για ανοιχτά δεδομένα. Δέκα δωρεάν εργαλεία και εφαρμογές επιστήμης δεδομένων.
Εξόρυξη μαζικών συνόλων δεδομένων / 3 rd Επεξεργασία
Σενάριο: Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman
- Εκδότης: Cambridge University Press
- Ημερομηνία δημοσίευσης: 13 Φεβρουαρίου 2020
- Γλώσσα: Αγγλικά
- Διαστάσεις: 7 x 1 x 9,75 ίντσες
- Αριθμός σελίδων: 565
Αυτό το βιβλίο υποθέτει επίσης ότι ο αναγνώστης έχει ήδη τις προαπαιτούμενες γνώσεις μαθηματικών και προγραμματισμού.
Περιεχόμενο: Εξόρυξη Δεδομένων. MapReduce και η νέα στοίβα λογισμικού. Αλγόριθμοι που χρησιμοποιούν το MapReduce. Εύρεση παρόμοιων αντικειμένων. Ροές δεδομένων εξόρυξης. Ανάλυση συνδέσμων; Συχνά σύνολα αντικειμένων. Ομαδοποίηση; Διαφήμιση στον Ιστό. Συστήματα Συστάσεων; Γραφήματα κοινωνικών δικτύων εξόρυξης; Μείωση διαστάσεων; Μηχανική Μάθηση Μεγάλης Κλίμακας.
συμπέρασμα
Οι διακρίσεις μεταξύ προγραμμάτων ειδικών δεν είναι ακόμη σαφείς. Οι διακρίσεις μεταξύ των γενικών και ειδικών προγραμμάτων δεν είναι ακόμη σαφείς. Ωστόσο, αφού διαβάσει τη συγκεκριμένη λίστα βιβλίων, ο αναγνώστης θα είναι σε θέση να εκτιμήσει καλύτερα τους ειδικούς ρόλους του αναλυτή δεδομένων, της μηχανικής δεδομένων και του επιστήμονα δεδομένων και στη συνέχεια θα προχωρήσει.