Теоретический минимум по Big Data, Все, что нужно знать о больших данных, Ын А., Су К., 2019

Теоретический минимум по Big Data, Все, что нужно знать о больших данных, Ын А., Су К., 2019.

  Сегодня Big Data — это большой бизнес.
Нашей жизнью управляет информация, и извлечение выгоды из нее становится центральным моментом в работе современных организаций. Неважно, кто вы — деловой человек, работающий с аналитикой, начинающий программист или разработчик. «Теоретический минимум по Big Data» позволит не утонуть в бушующем океане современных технологий и разобраться в основах новой и стремительно развивающейся отрасли обработки больших данных.
Хотите узнать о больших данных и механизмах работы с ними? Каждому алгоритму посвящена отдельная глава, в которой не только объясняются основные принципы работы, но и даются примеры использования в реальных задачах. Большое количество иллюстраций и простые комментарии позволят легко разобраться в самых сложных аспектах Bia Data.




Почему Data Science?
Представьте себе, что вы молодой врач. К вам пришел пациент, который жалуется на одышку, боли в груди и периодическую изжогу. Вы убедились, что его давление и показания сердечного ритма в норме и ничего подозрительного у него прежде не замечалось.

Вы также отметили его полноту. Поскольку такие симптомы типичны для людей с избыточным весом, вы заверили его, что все в порядке, и посоветовали найти время для упражнений.

Слишком часто это приводит к неверному диагнозу при сердечно-сосудистых заболеваниях. У пациентов в этом состоянии проявляются симптомы, которые схожи с симптомами ожирения, и врачи прекращают диагностику, которая могла бы обнаружить более серьезное заболевание.

Мы — люди, и наши суждения обусловлены ограниченным субъективным опытом и несовершенными знаниями. Это ухудшает процесс принятия решения и, как в случае с неопытным врачом, удерживает от дальнейших проверок, которые могли бы привести к более точным выводам.

Содержание.
Предисловие.
Введение.
Почему Data Science?.
Глава 1. Об основах без лишних слов.
Глава 2. Кластеризация методом k-средних.
Глава 3. Метод главных компонент.
Глава 4. Ассоциативные правила.
Глава 5. Анализ социальных сетей.
Глава б. Регрессионный анализ.
Глава 7. Метод k-ближайших соседей и обнаружение аномалий.
Глава 8. Метод опорных векторов.
Глава 9. Дерево решений.
Глава 10. Случайные леса.
Глава 11. Нейронные сети.
Глава 12. А/В-тестирование и многорукие бандиты.
Приложения.
Глоссарий.
Литература и ссылки на источники.
Об авторах.

Купить .



Хештеги: #учебник по программированию :: #программирование :: #Ын :: #Су