Опануй числа! Наука про дані для нефахівців

Анналін Нг (Annalyn Ng) — спеціалістка зі штучного інтелекту в Google Cloud. Її кар’єра в галузі науки про дані охоплює комерційний і державний сектори; вона працювала в Amazon, Disney Research, а також в уряді Сінгапура, зокрема міністерстві праці та міністерстві оборони. Анналін отримала ступінь бакалавра в Мічиганському університеті (Анн-Арбор), де вона також працювала на волонтерських засадах викладачем статистики для студентів. Згодом здобула ступінь магістра в Кембриджському університеті.

Кеннет Су (Kenneth Soo) має 7-річний досвід застосування науки про дані в державній політиці в уряді Сінгапура, а зараз очолює командуз управління двосторонніми відносинами з європейськими партнерами. Під час пандемії COVID-19 він керував загальнонаціональними ініціативами з діджиталізації для сінгапурської програми «Розумна нація» та Офісу цифрового уряду, зокрема впровадженням системи відстеження контактів. Кеннет Су отримав ступінь магістра статистики в Стенфордському університеті та був найкращим студентом протягом усіх трьох років навчання на бакалавраті з математики, операційних досліджень, статистики та економіки (MORSE) в Університеті Ворика.

• Вступне слово
• Передмова
• Чому наука про дані?
• 1. Коротко про основи
• 1.1. Підготовка даних
• 1.2. Відбір алгоритму
• 1.3. Налаштування параметрів
• 1.4. Оцінювання результатів
• 1.5. Підсумки
• 2. Кластеризація методом k-середніх
• 2.1. Визначення кластерів клієнтів
• 2.2. Приклад. Особисті профілі кіноглядачів
• 2.3. Визначення кластерів
• 2.4. Обмеження
• 2.5. Підсумки
• 3. Метод головних компонент
• 3.1. Дослідження поживної цінності продуктів харчування
• 3.2. Головні компоненти
• 3.3. Приклад. Аналіз груп продуктів харчування
• 3.4. Обмеження
• 3.5. Підсумки
• 4. Асоціативні правила
• 4.1. Виявлення моделей закупівель
• 4.2. Підтримка, достовірність і підйом
• 4.3. Приклад. Трансакції з продажу продуктів харчування
• 4.4. Принцип апріорі
• 4.5. Обмеження
• 4.6. Підсумки
• 5. Аналіз соціальних мереж
• 5.1. Відображення взаємозв’язків
• 5.2. Приклад. Геополітика в торгівлі зброєю
• 5.3. Лувенський метод
• 5.4. Алгоритм Page Rank
• 5.5. Обмеження
• 5.6. Підсумки
• 6. Регресійний аналіз
• 6.1. Побудова лінії тренду
• 6.2. Приклад. Прогнозування цін на житло
• 6.3. Градієнтний спуск
• 6.4. Коефіцієнти регресії
• 6.5. Коефіцієнти кореляції
• 6.6. Обмеження
• 6.7. Підсумки
• 7. Метод k-найближчих сусідів і виявлення аномалій
• 7.1. Експертиза харчових продуктів
• 7.2. Птахи одного польоту
• 7.3. Приклад. Різниця в дистиляції вина
• 7.4. Виявлення аномалій
• 7.5. Обмеження
• 7.6. Підсумки
• 8. Метод опорних векторів
• 8.1. «Ні» чи «О, ні»?
• 8.2. Приклад. Прогнозування серцево-судинних захворювань
• 8.3. Визначення оптимальної межі
• 8.4. Обмеження
• 8.5. Підсумки
• 9. Дерево ухвалення рішень
• 9.1. Прогнозування виживання в умовах катастрофи
• 9.2. Приклад. Урятування з «Титаніка»
• 9.3. Створення дерева ухвалення рішень
• 9.4. Обмеження
• 9.5. Підсумки
• 10. Випадкові ліси
• 10.1. Мудрість натовпу
• 10.2. Приклад. Прогнозування злочинності
• 10.3. Ансамблі
• 10.4. Бутстрепова агрегація (Бегінг)
• 10.5. Обмеження
• 10.6. Підсумки
• 11. Нейропні мережі
• 11.1. Створення мозку
• 11.2. Приклад. Розпізнавання рукописних цифр
• 11.3. Компоненти нейронної мережі
• 11.4. Правила активації
• 11.5. Обмеження
• 11.6. Підсумки
• 12. А/В-тестування та багаторукі бандити
• 12.1. Основи A/В тестування
• 12.2. Обмеження A/В тестування
• 12.3. Стратегія зменшення епсилон
• 12.4. Приклад. Багаторукі бандити
• 12.5. Цікавий факт. Ставка на переможця
• 12.6. Обмеження стратегії зменшення епсилон
• 12.7. Підсумки
• Додатки
• Додаток А. Огляд алгоритмів навчання без учителя
• Додаток Б. Огляд алгоритмів навчання з учителем
• Додаток В. Список параметрів для налаштування
• Додаток Г. Інші метрики оцінювання
• Глосарій
• Джерела даних і посилання
• Про авторів