Statistiska metoder är en viktig del av datavetenskap, men få datavetare har formell statistisk utbildning.. Kurser och böcker om grundläggande statistik behandlar sällan ämnet ur ett datavetenskapligt perspektiv. Den andra upplagan av denna populära guide innehåller omfattande exempel i Python, ger praktisk vägledning om hur man tillämpar statistiska metoder inom datavetenskap, berättar hur man undviker att missbruka dem och ger dig råd om vad som är viktigt och vad som inte är det.
Många resurser inom datavetenskap innehåller statistiska metoder men saknar ett djupare statistiskt perspektiv. Om du är bekant med programmeringsspråken R eller Python och har viss erfarenhet av statistik, överbryggar denna snabbreferens klyftan i ett lättillgängligt, läsbart format.
Med den här boken kommer du att lära dig:
Varför explorativ dataanalys är ett viktigt förberedande steg inom datavetenskap
Hur slumpmässig urval kan minska snedvridning och ge en datamängd av högre kvalitet, även med stora data
Hur principerna för experimentell design ger definitiva svar på frågor
Hur man använder regression för att uppskatta utfall och upptäcka anomalier
Viktiga klassificeringstekniker för att förutsäga vilka kategorier en post tillhör
Statistiska maskininlärningsmetoder som "lär sig" från data
Oövervakade inlärningsmetoder för att extrahera mening från oetiketterad data
Om författaren
Peter Bruce är grundare och Chief Academic Officer för Institute for Statistics Education vid Statistics.com, som erbjuder cirka 80 kurser i statistik och analys, varav ungefär hälften riktar sig till dataanalytiker.. Han har skrivit eller varit medförfattare till flera böcker inom statistik och analys, och han tog sin kandidatexamen vid Princeton samt sina masterexamina vid Harvard och University of Maryland.
^
Andrew Bruce, Principal Research Scientist på Amazon, har över 30 års erfarenhet av statistik och datavetenskap inom akademin, myndigheter och näringslivet.. Medförfattaren till Applied Wavelet Analysis med S-PLUS, han tog sin kandidatexamen vid Princeton och sin doktorsexamen i statistik vid University of Washington.
^
Peter Gedeck, Senior Data Scientist på Collaborative Drug Discovery, är specialiserad på utveckling av maskininlärningsalgoritmer för att förutsäga biologiska och fysikokemiska egenskaper hos läkemedelskandidater. Medförfattare till Data Mining for Business Analytics, han tog doktorsexamen i kemi från University of Erlangen-Nürnberg i Tyskland och i matematik från Fernuniversität Hagen, Tyskland.
Återbetalning vid utebliven leverans
