圖解資料科學的工作原理 (1版)

類似書籍推薦給您

內容簡介 　　書中收錄給新手的重點詞彙集！ 　　 　　從分析方法到AI基本概念，圖解所有應該掌握的知識 　　圖表、數值種類、資料結果等，從基礎知識開始講解！ 　　技術相關項目也會圖解說明，幫助初學者理解內容！ 　　完整收錄統計學、AI基礎概念等相關知識！ 　　網羅資訊社會中資料運用的問題點與課題！ 　　資料科學家(Data Scientist)一詞已經使用超過10年，資料科學(Data Science)也時有耳聞。AI、物聯網愈發受到注目，IT工程人員紛紛投入資料分析的業務，運用他人的分析結果建構系統的事例亦不斷增加。相信不久的將來，在商務中使用資料會將變得理所當然。 　　稍微掌握基礎知識後，會想要嘗試複雜的分析手法。然而即便完成高階分析，如果接收者無法理解分析結果，就失去資料分析的意義了。 　　分析人員對分析手法會有深入了解，會仔細調查新的分析方法，但接收分析結果的受眾，不見得有充實的背景知識。 　　因此，如果最後的結論相同，建議使用比較簡單的方法。即便不用高階統計方法、機器學習，簡單的圖表也足以解釋背後的意義。有時也不需要使用數值資料準確地分析，簡單易懂的圖解就十分足夠。 　　 　　然而接收分析結果的人不宜毫無背景知識，也不應因方便而要求使用簡單的分析方法。不僅是分析人員，接收分析結果的人的也需要學習。 　　本書將會圖解介紹各種分析方法的概要，但收錄的內容終究僅是概略的內容，想要進一步深入了解的話，建議搭配專業書籍來閱讀。不過，了解有哪些分析方法、掌握各種手法的特徵，其實本書就綽綽有餘了。在運用手邊的資料之前，一起學習資料的分析方法及處理時的注意事項吧。 　　-增井敏克 目錄 第1章 資料科學的相關技術 ∼未來需求漸升的必修科目∼ 第2章 資料的基本知識 ∼資料的表達方式與閱讀方式∼ 第3章 資料處理與運用 ∼歸類並預測資料∼ 第4章 應該知道的統計學知識 ∼由資料推論答案∼ 第5章 需要知道的AI知識 ∼常用的手法與工作原理∼ 第6章 資訊安全與隱私問題 ∼資訊社會今後的走向∼

圖解機器學習與資料科學的數學基礎｜使用Python (1版)

類似書籍推薦給您

內容簡介 　　搞懂不會背叛你的數學，進一步提升你的程式功力！ 　　本書透過圖表解說人工智慧與資料科學領域的相關數學知識，並告訴你如何將其轉換為程式碼，除了可以吸收關於數學的知識之外，也能立即運用在工作上。 　　透過機率統計的學習，了解如何改善業務流程 　　本書將AI與資料科學的相關數學知識分成四大篇，第一篇的「機率統計、機器學習篇」介紹的是了解工作情況，篩選出必要資訊的流程，以及位於這個流程背後的機率統計、機器學習的數學知識。能掌握工作情況就能知道該如何改善相關業務，也能進一步觀察未來的變化。 　　了解最佳化的步驟，學會職場所需的最佳化流程 　　第二篇「數理最佳化篇」介紹最佳化業務的流程，以及解決業務問題的方法。要最佳化業務，就必須先了解哪些部分需要改善效率，換言之，最佳化的重點在於找出問題。了解最佳化的步驟與問題的種類，就能學會工作職場所需的最佳化流程。 　　透過預測病毒的傳播模式，了解相關的數學理論 　　第三篇「數值模擬篇」則以傳染染病的傳播為主題，學習預測這類傳播模式的微分。只要了解微分，就能了解病毒的傳播模式，也能利用動畫說明傳播模式與製作出臨場感十足的簡報。最後的「深度學習篇」則會先說明近年來發展神速的深度學習技術原理，再說明這些原因都於哪些技術或職場應用。 來自讀者的讚譽 　　「這是我買過最實用的書」 　　「這本書可以讓你知道如何將數學應用在現實世界的工作之中」 　　「這本書拯救了文科出身，在工作上又不得不面對數學的我」 目錄 序章｜設定 Python開發環境 第一篇機率統計、機器學習篇 第1章｜取得資料之後的第一件事 第2章｜試著利用機器學習進行分析 第3章｜推測必需的資料筆數 第二篇 數理最佳化篇 第4章｜透過最佳路徑規劃問題，了解解決最佳化問題的方法 第5章｜透過排班問題了解最佳化問題的全貌 第三篇 數値模擬篇 第6章｜試著預測傳染病的影響 第7章｜試著透過動畫模擬人類的行為 第四篇 深度學習篇 第8章｜了解深度學習辨識影像的方法 第9章｜了解深度學習處理時間序列資料的機制 第10章｜了解以深度學習進行的圖片處理與語言處理 Appendix 程式設計與數學之間的橋梁 Appendix 1｜利用公式了解常態分佈 Appendix 2｜微分方程式差分法造成的誤差與泰勒展開式 Appendix 3｜非線性最佳化的機械學習／深度學習的迴歸／分類

資料科學的統計實務：探索資料本質、扎實解讀數據，才是機器學習成功建模的第一步 (1版)

類似書籍推薦給您

很多資料科學、機器學習的書，內容充滿各種建模的技術展示、完美的案例分析，卻忘記了更重要的「資料」。唯有掌握好手中的資料，才是機器學習成功建模的第一步。 　　無法了解資料，深度學習也救不了你；相反的，正確蒐集資料，輕鬆建模沒煩惱。 　　如何了解資料？當然要從統計觀念開始。學習統計一定都要看抽象複雜的數學嗎？並不是！本書所使用的範例，會告訴大家「為什麼統計學要如此定義」、「為什麼技巧要那樣使用」。當讀者了解統計背後的觀念時，才不會迷失在複雜的數學。此外，有別於一般市售書籍總是用漂亮案例展示程式運行結果，此書用相當多的範例都是「專家也會犯的錯誤」，相信讀者同時學習成功以及失敗的案例後，可以更全面地了解資料科學的分析流程觀念。 　　本書會介紹資料分析中的許多技術的基本觀念，如變異數分析、偏相關係數、自相關函數、Bonferroni校正、Holm校正、隨機對照試驗、斷點迴歸分析、傾向評分匹配、T檢定、F檢定、分層多階段抽樣法等，介紹的過程中會直擊分析技術的思維，而非僅展示漂亮的數學。 　　本書亦會說明身為資料科學家該有的素養，來避免確認偏誤、倖存者偏誤、選擇偏誤、發表偏誤、自願者偏誤、可得性偏誤、樂觀偏誤、常態偏誤、後此謬論、賭徒謬誤、辛普森謬論、p-hacking、HARKing、單方論證、霍桑效應、畢馬龍效應等資料分析中可能踩到的陷阱。 目錄 序言 第一篇 資料特性的相關知識 第1章 測量其實並非易事 1.1 測量資料 1.2 測量的難處 1.3 測量誤差之外的誤差 第2章 資料誤差 2.1 測量標準的選擇 2.2 問卷帶來的問題 2.3 抽樣母體誤差 2.4 沒觀測誤差 2.5 回答者帶來的問題 2.6 發表偏誤（Publication Bias） 第3章 測量誤差中的隨機誤差 (Random Error) 與偏誤 (Bias) 3.1 測量誤差（Measurement Error）的分析 3.2 誤差與機率分佈（Probability Distribution） 3.3 機率分佈的相關知識 3.4 處理隨機誤差 (Random Error) 第4章 資料抽樣方法論 4.1 抽樣的概念 4.2 抽樣的方法 第二篇 資料分析的相關知識 第5章 資料分析的基本流程 5.1 檢查手中資料 5.2 正確分析資料 5.3 妥善管理資料 第6章 干擾因子（Confounding Factor）與因果關係 6.1 兩個變數之間的關聯 6.2 面對並處理干擾因子（Confounding Factor） 6.3 無法使用隨機對照試驗（Randomized Controlled Trial）的處理方式 第7章 單一變數的分析手法 7.1 探討敘述統計量 (Descriptive Statistics) 7.2 探討資料分佈 7.3 探討理論分佈 7.4 探討時序資料 第8章 探究變數之間的關係 – 假設檢定（Hypothesis Testing）、檢定三步驟、手法選擇、相關係數、效應大小（Effect Size） 8.1 比較兩個變數的數值 8.2 關於假設檢定的思維 8.3 研究兩個變數的相關性 第9章 解讀多變數資料 9.1 探索分析與多重檢定 9.2 變異數分析（Analysis of Variance）與多重比較 9.3 探究相關結構 9.4 分析方法整理 第10章 數學模型的要點 10.1 簡介數學模型 10.2 配合目標來建立模型 10.3 使用模型進行預測（Prediction） 第三篇 資料活用的相關知識 第11章 分析資料的陷阱 11.1 資料操作時容易遇到的陷阱 11.2 資料有限時容易遇到的陷阱 11.3 資料推論時容易遇到的陷阱 第12章 解讀資料的陷阱 12.1 分析結果的可信度 12.2 解讀資料的認知偏誤 第13章 運用資料的陷阱 13.1 依不同目標做出評估跟決策 13.2 獲取資料的實際考量 13.3 現實世界與資料分析的差異