Analiza danych w bizenesie : Sztuka podejmowania skutecznych decyzji

Wyciągaj trafne wnioski! 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! Przeanalizuj posiadane dane i podejmij trafne decyzje! Spis treści Przedmowa Nasze koncepcyjne podejście do nauki o danych Dla nauczycieli Inne umiejętności i pojęcia Podział książki i notacja Wykorzystywanie przykładów Podziękowania Rozdział 1. Wstęp: myślenie w kategoriach analityki danych Wszechobecność możliwości pozyskiwania danych Przykład: huragan Frances Przykład: prognozowanie odpływu klientów Nauka o danych, inżynieria i podejmowanie decyzji na podstawie danych Przetwarzanie danych i Big Data Od Big Data 1.0 do Big Data 2.0 Dane i potencjał nauki o danych jako aktywa strategiczne Myślenie w kategoriach analityki danych Nasza książka Eksploracja danych i nauka o danych, nowe spojrzenie Chemia to nie probówki: nauka o danych kontra praca badacza danych Podsumowanie Rozdział 2. Problemy biznesowe a rozwiązania z zakresu nauki o danych Od problemów biznesowych do zadań eksploracji danych Metody nadzorowane i nienadzorowane Eksploracja danych i jej wyniki Proces eksploracji danych Zrozumienie uwarunkowań biznesowych Zrozumienie danych Przygotowanie danych Modelowanie Ewaluacja Wdrożenie Implikacje w sferze zarządzania zespołem nauki o danych Inne techniki i technologie analityczne Statystyka Zapytania do baz danych Magazynowanie danych Analiza regresji Uczenie maszynowe i eksploracja danych Odpowiadanie na pytania biznesowe z wykorzystaniem tych technik Podsumowanie Rozdział 3. Wprowadzenie do modelowania predykcyjnego: od korelacji do nadzorowanej segmentacji Modele, indukcja i predykcja Nadzorowana segmentacja Wybór atrybutów informatywnych Przykład: wybór atrybutu z wykorzystaniem przyrostu informacji Nadzorowana segmentacja z użyciem modeli o strukturze drzewa Wizualizacja segmentacji Drzewa jako zbiory reguł Szacowanie prawdopodobieństwa Przykład: rozwiązywanie problemu odpływu abonentów z wykorzystaniem indukcji drzewa Podsumowanie Rozdział 4. Dopasowywanie modelu do danych Klasyfikacja za pomocą funkcji matematycznych Liniowe funkcje dyskryminacyjne Optymalizacja funkcji celu Przykład wydobywania dyskryminatora liniowego z danych Liniowe funkcje dyskryminacyjne do celów scoringu i szeregowania wystąpień Maszyny wektorów wspierających w skrócie Regresja za pomocą funkcji matematycznych Szacowanie prawdopodobieństwa klas i „regresja” logistyczna * Regresja logistyczna: kilka szczegółów technicznych Przykład: indukcja drzew decyzyjnych a regresja logistyczna Funkcje nieliniowe, maszyny wektorów wspierających i sieci neuronowe Podsumowanie Rozdział 5. Nadmierne dopasowanie i jego unikanie Generalizacja Nadmierne dopasowanie („przeuczenie”) Badanie nadmiernego dopasowania Dane wydzielone i wykresy dopasowania Nadmierne dopasowanie w indukcji drzew decyzyjnych Nadmierne dopasowanie w funkcjach matematycznych Przykład: nadmierne dopasowanie funkcji liniowych * Przykład: dlaczego nadmierne dopasowanie jest niekorzystne? Od ewaluacji danych wydzielonych do sprawdzianu krzyżowego Zbiór danych dotyczących odpływu abonentów — nowe spojrzenie Krzywe uczenia się Unikanie nadmiernego dopasowania i kontrola złożoności Unikanie nadmiernego dopasowania w indukcji drzew decyzyjnych Ogólna metoda unikania nadmiernego dopasowania * Unikanie nadmiernego dopasowania w celu optymalizacji parametrów Podsumowanie Rozdział 6. Podobieństwo, sąsiedzi i klastry Podobieństwo i odległość Wnioskowanie metodą najbliższych sąsiadów Przykład: analityka whisky Najbliżsi sąsiedzi w modelowaniu predykcyjnym Ilu sąsiadów i jak duży wpływ? Interpretacja geometryczna, nadmierne dopasowanie i kontrola złożoności Problemy z metodami najbliższych sąsiadów Kilka istotnych szczegółów technicznych dotyczących podobieństw i sąsiadów Atrybuty heterogeniczne * Inne funkcje odległości * Funkcje łączące: obliczanie wskaźników na podstawie sąsiadów Klastrowanie Przykład: analityka whisky — nowe spojrzenie Klastrowanie hierarchiczne Najbliżsi sąsiedzi na nowo: klastrowanie wokół centroidów Przykład: klastrowanie wiadomości biznesowych Zrozumienie wyników klastrowania * Wykorzystywanie uczenia nadzorowanego do generowania opisów klastrów Krok wstecz: rozwiązywanie problemu biznesowego kontra eksploracja danych Podsumowanie Rozdział 7. Myślenie w kategoriach analityki decyzji I: co to jest dobry model? Ewaluacja klasyfikatorów Zwykła dokładność i jej problemy Macierz pomyłek Problemy z niezrównoważonymi klasami Problemy nierównych kosztów i korzyści Generalizowanie poza klasyfikacją Kluczowa platforma analityczna: wartość oczekiwana Wykorzystywanie wartości oczekiwanej do systematyzowania zastosowania klasyfikatora Wykorzystywanie wartości oczekiwanej do systematyzowania ewaluacji klasyfikatora Ewaluacja, skuteczność bazowa oraz implikacje dla inwestowania w dane Podsumowanie Rozdział 8. Wizualizacja skuteczności modelu Ranking zamiast klasyfikowania Krzywe zysku Wykresy i krzywe ROC Pole pod krzywą ROC (AUC) Krzywe łącznej reakcji i krzywe przyrostu Przykład: analityka skuteczności w modelowaniu odpływu abonentów Podsumowanie Rozdział 9. Dowody i prawdopodobieństwa Przykład: targetowanie klientów reklam internetowych Probabilistyczne łączenie dowodów Prawdopodobieństwo łączne i niezależność Twierdzenie Bayesa Zastosowanie twierdzenia Bayesa w nauce o danych Niezależność warunkowa i naiwny klasyfikator bayesowski Zalety i wady naiwnego klasyfikatora bayesowskiego Model „przyrostu” wartości dowodu Przykład: przyrosty wartości dowodów z „polubień” na Facebooku Dowody w akcji: targetowanie klientów reklamami Podsumowanie Rozdział 10. Reprezentacja i eksploracja tekstu Dlaczego tekst jest istotny Dlaczego tekst jest trudny Reprezentacja Worek słów (bag of words) Częstość termów Mierzenie rzadkości (sparseness): odwrotna częstość w dokumentach Łączenie reprezentacji: TFIDF Przykład: muzycy jazzowi * Związek IDF z entropią Oprócz worka słów N-gramy Ekstrakcja wyrażeń nazwowych Modele tematyczne Przykład: eksploracja wiadomości w celu prognozowania zmian cen akcji Zadanie Dane Wstępne przetwarzanie danych Wyniki Podsumowanie Rozdział 11. Myślenie w kategoriach analityki decyzji II: w kierunku inżynierii analitycznej Targetowanie najlepszych potencjalnych klientów przesyłek organizacji pozyskujących fundusze Platforma wartości oczekiwanej: rozkład problemu biznesowego i ponowne zestawienie elementów rozwiązania Krótka dygresja na temat stronniczości selekcji Nowe, jeszcze bardziej zaawansowane spojrzenie na nasz przykład odpływu abonentów Platforma wartości oczekiwanej: strukturyzacja bardziej skomplikowanego problemu biznesowego Ocena wpływu zachęty Od rozkładu wartości oczekiwanej do rozwiązania z obszaru nauki o danych Podsumowanie Rozdział 12. Inne zadania i techniki nauki o danych Współwystąpienia i zależności: znajdowanie elementów, które idą w parze Pomiar zaskoczenia: przyrost i dźwignia Przykład: piwo i kupony loteryjne Zależności pomiędzy polubieniami na Facebooku Profilowanie: znajdowanie typowego zachowania Predykcja połączeń i rekomendacje społecznościowe Redukcja danych, informacje ukryte i rekomendacje filmów Stronniczość, wariancja i metody zespalania Oparte na danych wyjaśnianie przyczynowe i przykład marketingu wirusowego Podsumowanie Rozdział 13. Nauka o danych i strategia biznesowa Myślenie w kategoriach analityki danych, raz jeszcze Osiąganie przewagi konkurencyjnej przy pomocy nauki o danych Utrzymywanie przewagi konkurencyjnej przy pomocy nauki o danych Nadzwyczajna przewaga historyczna Wyjątkowa własność intelektualna Wyjątkowe niematerialne aktywa zabezpieczające Lepsi badacze danych Lepsze zarządzanie zespołem nauki o danych Pozyskiwanie badaczy danych i ich zespołów oraz opieka nad nimi Badanie studiów przypadku z zakresu nauki o danych Gotowość do przyjmowania kreatywnych pomysłów z każdego źródła Gotowość do oceny propozycji projektów z zakresu nauki o danych Przykładowa propozycja eksploracji danych Błędy w propozycji Big Red Dojrzałość firmy w sferze nauki o danych Rozdział 14. Zakończenie Podstawowe pojęcia nauki o danych Zastosowanie naszych podstawowych pojęć do nowego problemu: eksploracji danych urządzeń przenośnych Zmiana sposobu myślenia o rozwiązaniach problemów biznesowych Czego dane nie mogą dokonać: nowe spojrzenie na decydentów Prywatność, etyka i eksploracja danych dotyczących konkretnych osób Czy jest coś jeszcze w nauce o danych? Ostatni przykład: od crowdsourcingu do cloudsourcingu Kilka słów na zakończenie Dodatek A. Przewodnik dotyczący oceny propozycji Zrozumienie uwarunkowań biznesowych i zrozumienie danych Przygotowanie danych Modelowanie Ewaluacja i wdrożenie Dodatek B. Jeszcze jedna przykładowa propozycja Scenariusz i propozycja Wady propozycji GGC Dodatek C. Słowniczek Dodatek D. Bibliografia Skorowidz Provides An Introduction To The Fundamental Principles Of Data Science, Walking The Reader Through The Data-analytic Thinking Necessary For Extracting Useful Knowledge And Business Value From Collected Data. Introduction : Data-analytic Thinking -- Business Problems And Data Science Solutions -- Introduction To Predictive Modeling : From Correlation To Supervised Segmentation -- Fitting A Model To Data -- Overfitting And Its Avoidance -- Similarity, Neighbors, And Clusters -- Decision Analytic Thinking I : What Is A Good Model? -- Visualizing Model Performance -- Evidence And Probabilities -- Representing And Mining Text -- Decision Analytic Thinking Ii : Toward Analytical Engineering -- Other Data Science Tasks And Techniques -- Data Science And Business Strategy -- Conclusion. Foster Provost And Tom Fawcett. Subtitle From Cover. Includes Bibliographical References (pages 361-368) And Index. Written by renowned data science experts Foster Provost and Tom Fawcett, Data Science for Business introduces the fundamental principles of data science, and walks you through the "data-analytic thinking" necessary for extracting useful knowledge and business value from the data you collect. This guide also helps you understand the many data-mining techniques in use today. Based on an MBA course Provost has taught at New York University over the past ten years, Data Science for Business provides examples of real-world business problems to illustrate these principles. Youll not only learn how to improve communication between business stakeholders and data scientists, but also how participate intelligently in your companys data science projects. Youll also discover how to think data-analytically, and fully appreciate how data science methods can support business decision-making. Wszystko co powiniene? wiedzie? o eksploracji danych i my?leniu w kategoriach analityki danych. Wyci?gaj trafne wnioski! "Lektura obowi?zkowa dla ka?dego, kto powa?nie my?li o wykorzystaniu okazji, jakie nios? ze sob? wielkie zbiory danych". - Craig Vaughan, globalny wiceprezes SAP Posiadanie zbiorów danych to po?owa sukcesu. Druga po?owa to umiej?tno?? ich skutecznej analizy i wyci?gania wniosków. Dopiero na tej podstawie b?dziesz w stanie w?a?ciwie oceni? kondycj? Twojej firmy oraz podj?? s?uszne decyzje. Wiedza zawarta w tej ksi??ce mo?e zadecydowa? o sukcesie biznesowym lub pora?ce. Nie Annotation This broad, deep, but not-too-technical guide introduces you to the fundamental principles of data science and walks you through the "data-analytic thinking" necessary for extracting useful knowledge and business value from the data you collect. By learning data science principles, you will understand the many data-mining techniques in use today. More importantly, these principles underpin the processes and strategies necessary to solve business problems through data mining techniques