
Statistiques pour la science des données
Description
Introduction au livre
Statistiques pratiques : Apprenez l’essentiel avec Python et R
Les techniques statistiques sont essentielles à la science des données, mais les spécialistes des données n'ont pas besoin de connaître les statistiques classiques en détail.
Ce livre présente uniquement les concepts et techniques statistiques essentiels du point de vue de la science des données.
En parcourant les 50 concepts étape par étape et en exécutant le code, vous pouvez rapidement assimiler les connaissances statistiques essentielles.
La deuxième édition inclut un nouveau code Python compatible avec le code R existant.
J'espère que « Statistiques pour la science des données » vous aidera à devenir un data scientist compétent, capable d'utiliser efficacement les théories nécessaires au bon endroit.
Les techniques statistiques sont essentielles à la science des données, mais les spécialistes des données n'ont pas besoin de connaître les statistiques classiques en détail.
Ce livre présente uniquement les concepts et techniques statistiques essentiels du point de vue de la science des données.
En parcourant les 50 concepts étape par étape et en exécutant le code, vous pouvez rapidement assimiler les connaissances statistiques essentielles.
La deuxième édition inclut un nouveau code Python compatible avec le code R existant.
J'espère que « Statistiques pour la science des données » vous aidera à devenir un data scientist compétent, capable d'utiliser efficacement les théories nécessaires au bon endroit.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
CHAPITRE 1 Analyse exploratoire des données
1.1 Éléments de données structurées
1.2 Données du tableau
1.3 Estimation de l'emplacement
1.4 Estimation des variantes
1.5 Exploration des distributions de données
1.6 Exploration des données binaires et catégorielles
1.7 Corrélation
1.8 Exploration de plusieurs variables
1.9 En conclusion
CHAPITRE 2 Données et distributions d'échantillonnage
2.1 Échantillonnage aléatoire et biais d'échantillonnage
2.2 Biais de sélection
2.3 Distribution d'échantillonnage en statistique
2.4 Bootstrap
2.5 Intervalle de confiance
2.6 Distribution normale
2.7 Distribution à longue queue
2.8 Distribution t de Student
2.9 Distribution binomiale
2.10 Distribution du chi carré
2.11 Distribution F
2.12 Distribution de Poisson et autres distributions apparentées
2.13 En conclusion
CHAPITRE 3 Expériences statistiques et tests de signification
3.1 Test A/B
3.2 Tests d'hypothèses
3.3 Rééchantillonnage
3.4 Signification statistique et valeur p
3,5 t noir
3.6 Tests multiples
3,7 degrés de liberté
3.8 Analyse de la variance
3.9 Test du chi carré
3.10 Algorithme de bandit manchot
3.11 Puissance et taille de l'échantillon
3.12 En conclusion
CHAPITRE 4 RÉGRESSION ET PRÉDICTION
4.1 Régression linéaire simple
4.2 Régression linéaire multiple
4.3 Prédiction par régression
4.4 Variables factorielles en régression
4.5 Interprétation de l'équation de régression
4.6 Diagnostic de régression
4.7 Régression polynomiale et régression spline
4.8 En conclusion
CHAPITRE 5 CLASSIFICATION
5.1 Naïf Bayes
5.2 Analyse discriminante
5.3 Régression logistique
5.4 Évaluation du modèle de classification
5.5 Traitement des données déséquilibrées
5.6 En conclusion
CHAPITRE 6 Apprentissage automatique statistique
6.1 k plus proches voisins
6.2 Modèle arborescent
6.3 Bagging et forêts aléatoires
Boost 6.4
6.5 En conclusion
CHAPITRE 7 Apprentissage non supervisé
7.1 Analyse en composantes principales
7.2 Clustering k-means
7.3 Classification hiérarchique
7.4 Clustering basé sur un modèle
7.5 Échelle et variables catégorielles
7.6 En conclusion
1.1 Éléments de données structurées
1.2 Données du tableau
1.3 Estimation de l'emplacement
1.4 Estimation des variantes
1.5 Exploration des distributions de données
1.6 Exploration des données binaires et catégorielles
1.7 Corrélation
1.8 Exploration de plusieurs variables
1.9 En conclusion
CHAPITRE 2 Données et distributions d'échantillonnage
2.1 Échantillonnage aléatoire et biais d'échantillonnage
2.2 Biais de sélection
2.3 Distribution d'échantillonnage en statistique
2.4 Bootstrap
2.5 Intervalle de confiance
2.6 Distribution normale
2.7 Distribution à longue queue
2.8 Distribution t de Student
2.9 Distribution binomiale
2.10 Distribution du chi carré
2.11 Distribution F
2.12 Distribution de Poisson et autres distributions apparentées
2.13 En conclusion
CHAPITRE 3 Expériences statistiques et tests de signification
3.1 Test A/B
3.2 Tests d'hypothèses
3.3 Rééchantillonnage
3.4 Signification statistique et valeur p
3,5 t noir
3.6 Tests multiples
3,7 degrés de liberté
3.8 Analyse de la variance
3.9 Test du chi carré
3.10 Algorithme de bandit manchot
3.11 Puissance et taille de l'échantillon
3.12 En conclusion
CHAPITRE 4 RÉGRESSION ET PRÉDICTION
4.1 Régression linéaire simple
4.2 Régression linéaire multiple
4.3 Prédiction par régression
4.4 Variables factorielles en régression
4.5 Interprétation de l'équation de régression
4.6 Diagnostic de régression
4.7 Régression polynomiale et régression spline
4.8 En conclusion
CHAPITRE 5 CLASSIFICATION
5.1 Naïf Bayes
5.2 Analyse discriminante
5.3 Régression logistique
5.4 Évaluation du modèle de classification
5.5 Traitement des données déséquilibrées
5.6 En conclusion
CHAPITRE 6 Apprentissage automatique statistique
6.1 k plus proches voisins
6.2 Modèle arborescent
6.3 Bagging et forêts aléatoires
Boost 6.4
6.5 En conclusion
CHAPITRE 7 Apprentissage non supervisé
7.1 Analyse en composantes principales
7.2 Clustering k-means
7.3 Classification hiérarchique
7.4 Clustering basé sur un modèle
7.5 Échelle et variables catégorielles
7.6 En conclusion
Image détaillée

Avis de l'éditeur
50 concepts fondamentaux de l'analyse de données à l'apprentissage automatique
Apprenez uniquement ce dont vous avez besoin en exécutant du code Python et R !
De nombreux data scientists se heurtent à des limitations car ils ne comprennent pas les concepts statistiques.
Même si le problème est légèrement complexe, il est fréquent d'être confus et de ne pas savoir par où commencer ni comment le résoudre, ou d'être gêné et de ne pas comprendre les résultats obtenus.
Ce livre s'adresse aux data scientists et aux développeurs en intelligence artificielle qui travaillent et qui ont soif de connaissances statistiques.
Les objectifs sont doubles :
Tout d'abord, il présente les concepts fondamentaux des statistiques liés à la science des données d'une manière facile à comprendre et à suivre.
Deuxièmement, d'un point de vue scientifique, cela nous aide à distinguer les concepts véritablement importants et utiles de ceux qui le sont moins.
Il aborde des sujets largement utilisés dans les domaines actuels de l'analyse de données et de l'apprentissage automatique, tels que l'analyse exploratoire des données (EDA), la distribution d'échantillonnage, les tests de signification, l'analyse de régression, la classification, l'apprentissage automatique statistique et l'apprentissage non supervisé, et il met en évidence et organise une cinquantaine de concepts que les data scientists doivent connaître.
Parmi les concepts considérés comme importants en statistiques classiques, tels que les degrés de liberté, les valeurs p et les coefficients de corrélation, les data scientists travaillant avec le big data n'ont pas besoin de connaître les détails en profondeur ; nous fournissons donc des conseils en conséquence.
Pour faciliter l'apprentissage, nous avons organisé un « Glossaire des termes » et un « Concepts clés » pour chaque section principale, et dans les cas où le même terme est utilisé différemment en statistiques, en science des données et en informatique, nous avons répertorié les différences.
La principale nouveauté de cette deuxième édition est le code Python fourni.
Un nouvel auteur possédant plus de 30 ans d'expérience dans le calcul scientifique et la science des données a été recruté pour contribuer au code Python.
Même si vous ne connaissez que Python ou R, vous pouvez comprendre le contenu du livre et exécuter le code.
Si vous savez maîtriser les deux, il sera intéressant de comparer les différences d'implémentation entre les deux langages.
Si vous trouvez les ouvrages de statistiques destinés au grand public trop simplistes et les manuels de statistiques spécialisés trop difficiles à appréhender, j'espère que vous utiliserez ce livre comme un tremplin pour développer vos connaissances et vos compétences en matière de raisonnement statistique.
Quiconque parviendra à terminer ce livre deviendra un data scientist compétent, capable d'appliquer efficacement les théories nécessaires aux endroits appropriés.
Contenu principal
- Commencer par l'analyse exploratoire des données, pierre angulaire de la science des données.
-Comment réduire les biais et obtenir un ensemble de données de haute qualité grâce à un échantillonnage aléatoire
- Comment appliquer les principes de la conception expérimentale pour tirer des conclusions valides et trouver des réponses claires.
-Comment estimer les résultats et détecter les anomalies à l'aide de l'analyse de régression
-Principales techniques de classification pour la prédiction et la recherche de catégories
- Techniques d'apprentissage automatique statistique qui apprennent à partir des données
- Une technique d'apprentissage non supervisé qui extrait du sens à partir de données non étiquetées.
Apprenez uniquement ce dont vous avez besoin en exécutant du code Python et R !
De nombreux data scientists se heurtent à des limitations car ils ne comprennent pas les concepts statistiques.
Même si le problème est légèrement complexe, il est fréquent d'être confus et de ne pas savoir par où commencer ni comment le résoudre, ou d'être gêné et de ne pas comprendre les résultats obtenus.
Ce livre s'adresse aux data scientists et aux développeurs en intelligence artificielle qui travaillent et qui ont soif de connaissances statistiques.
Les objectifs sont doubles :
Tout d'abord, il présente les concepts fondamentaux des statistiques liés à la science des données d'une manière facile à comprendre et à suivre.
Deuxièmement, d'un point de vue scientifique, cela nous aide à distinguer les concepts véritablement importants et utiles de ceux qui le sont moins.
Il aborde des sujets largement utilisés dans les domaines actuels de l'analyse de données et de l'apprentissage automatique, tels que l'analyse exploratoire des données (EDA), la distribution d'échantillonnage, les tests de signification, l'analyse de régression, la classification, l'apprentissage automatique statistique et l'apprentissage non supervisé, et il met en évidence et organise une cinquantaine de concepts que les data scientists doivent connaître.
Parmi les concepts considérés comme importants en statistiques classiques, tels que les degrés de liberté, les valeurs p et les coefficients de corrélation, les data scientists travaillant avec le big data n'ont pas besoin de connaître les détails en profondeur ; nous fournissons donc des conseils en conséquence.
Pour faciliter l'apprentissage, nous avons organisé un « Glossaire des termes » et un « Concepts clés » pour chaque section principale, et dans les cas où le même terme est utilisé différemment en statistiques, en science des données et en informatique, nous avons répertorié les différences.
La principale nouveauté de cette deuxième édition est le code Python fourni.
Un nouvel auteur possédant plus de 30 ans d'expérience dans le calcul scientifique et la science des données a été recruté pour contribuer au code Python.
Même si vous ne connaissez que Python ou R, vous pouvez comprendre le contenu du livre et exécuter le code.
Si vous savez maîtriser les deux, il sera intéressant de comparer les différences d'implémentation entre les deux langages.
Si vous trouvez les ouvrages de statistiques destinés au grand public trop simplistes et les manuels de statistiques spécialisés trop difficiles à appréhender, j'espère que vous utiliserez ce livre comme un tremplin pour développer vos connaissances et vos compétences en matière de raisonnement statistique.
Quiconque parviendra à terminer ce livre deviendra un data scientist compétent, capable d'appliquer efficacement les théories nécessaires aux endroits appropriés.
Contenu principal
- Commencer par l'analyse exploratoire des données, pierre angulaire de la science des données.
-Comment réduire les biais et obtenir un ensemble de données de haute qualité grâce à un échantillonnage aléatoire
- Comment appliquer les principes de la conception expérimentale pour tirer des conclusions valides et trouver des réponses claires.
-Comment estimer les résultats et détecter les anomalies à l'aide de l'analyse de régression
-Principales techniques de classification pour la prédiction et la recherche de catégories
- Techniques d'apprentissage automatique statistique qui apprennent à partir des données
- Une technique d'apprentissage non supervisé qui extrait du sens à partir de données non étiquetées.
SPÉCIFICATIONS DES PRODUITS
- Date de publication : 7 mai 2021
- Nombre de pages, poids, dimensions : 380 pages | 183 × 235 × 30 mm
- ISBN13 : 9791162244180
- ISBN10 : 1162244186
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne