Data Science, Лучшие практики, Воган Д., 2026

Data Science, Лучшие практики, Воган Д., 2026.

   Не только владение алгоритмами, но и умение применять их там, где это действительно имеет значение отличает хорошего специалиста по данным от выдающегося. Книга для тех, кто хочет выйти за рамки учебных примеров и научиться строить проекты, приносящие ощутимую ценность бизнесу.
Автор делится проверенными подходами, которые редко встречаются в классических курсах. В центре внимания не только техника, но и практическое мастерство: как убедительно презентовать результаты, как формулировать сильные аргументы, как превращать аналитику в реальные решения.
Настольный справочник для тех, кто стремится не просто «работать с данными», а создавать проекты, которые влияют на решения и меняют процессы. Она будет одинаково полезна как амбициозным новичкам, так и опытным дата-сайентистам, желающим прокачать навыки и повысить эффективность своей работы.




Разработка метрик.
Позвольте мне предположить, что опытные дата-сайентисты умеют среди прочего хорошо разрабатывать метрики. Что такое разработка метрик? Если кратко, то это искусство и наука по поиску метрик с хорошими свойствами. Вскоре я расскажу об этих полезных свойствах, но сначала приведу доводы в пользу того, почему дата-сайентисты должны отлично уметь это делать.

Ответ прост: если не мы, то кто? В идеале все сотрудники организации должны преуспевать в разработке метрик. Но лучше всего для решения этой задачи подходят дата-сайентисты. Они постоянно работают с метриками: вычисляют, сообщают, анализируют и, надеюсь, пытаются их оптимизировать. Возьмите А/В-тестирование: отправная точка любого хорошего теста — получение правильной выходной метрики. Аналогичное обоснование применимо и к машинному обучению (ML): для прогнозирования первостепенное значение имеет получение правильной выходной метрики.

ОГЛАВЛЕНИЕ.
Предисловие.
Условные обозначения, используемые в этой книге.
Использование примеров кода.
Онлайн-обучение в O’Reilly.
Как с нами связаться.
Благодарности.
Часть I Методы анализа данных.
Глава 1. Что дальше? Создание ценности с помощью Data science.
Что такое ценность?.
Что: хорошо разбираться в бизнесе.
Что дальше: суть создания ценности посредством науки о данных.
Что делать сейчас: проявляйте инициативу.
Измерение ценности.
Основные выводы.
Дополнительная литература.
Глава 2. Разработка метрик.
Полезные свойства метрик.
Декомпозиция метрик.
Другой вариант декомпозиции выручки.
Пример с маркетплейсами.
Основные выводы.
Дополнительная литература.
Глава 3. Декомпозиции роста: попутные и встречные ветры.
Почему именно декомпозиция роста?.
Аддитивная декомпозиция.
Мультипликативная декомпозиция.
Декомпозиция mix-rate.
Математические производные.
Основные выводы.
Дополнительная литература.
Глава 4. Матрицы 2x2.
Аргументы в пользу упрощения.
Что такое матрица 2x2?.
Пример: тестируем модель и новый признак.
Пример: анализируем поведение пользователя.
Пример: оформление и одобрение кредита.
Пример: расстановка приоритетов в рабочем процессе.
Основные выводы.
Дополнительная литература.
Глава 5. Создание бизнес-кейсов.
Принципы создания бизнес-кейсов.
Пример: проактивная стратегия удержания.
Предотвращение мошенничества.
Приобретение внешних наборов данных.
Работа над проектом по Data science.
Основные выводы.
Дополнительная литература.
Глава 6. Что показывает прирост?.
Расчет прироста.
Пример: модель классификации.
Свободный выбор и смещение по выживаемости.
Другие варианты использования прироста.
Основные выводы.
Дополнительная литература.
Глава 7. Нарративы.
Нарративы: рассказать историю, используя свои данные.
Практическая применимость.
Создание нарратива.
Последний рывок.
Основные выводы.
Дополнительная литература.
Глава 8. Datavis: выбираем диаграмму для передачи идеи.
Некоторые полезные и не очень методы визуализации данных.
Общие рекомендации.
Основные выводы.
Дополнительная литература.
ЧАСТЬ II Машинное обучение.
Глава 9. Моделирование и бутстрэп.
Основы моделирования.
Моделирование линейной модели и линейной регрессии.
Что такое графики частичной зависимости?.
Смещение вследствие пропущенных переменных.
Моделирование задач классификации.
Бутстрэп.
Основные выводы.
Дополнительная литература.
Глава 10. Линейная регрессия: возвращаемся к основам.
Что определяет коэффициент?.
Теорема Фриша — Во — Ловелла.
Чем полезна теорема Фриша — Во — Ловелла?.
Конфаундеры.
Дополнительные переменные.
Ключевая роль дисперсии в ML.
Основные выводы.
Дополнительная литература.
Глава 11. Утечка данных.
Что такое утечка данных?.
Обнаружение утечки данных.
Полное разделение.
Метод скользящего окна (Windowing Methodology).
Утечка данных: что делать сейчас?.
Основные выводы.
Дополнительная литература.
Глава 12. Вывод модели в продакшн.
Что означает «готовность к продакшну»?.
Дрейф данных и модели.
Основные этапы любого конвейера в продакшне.
Основные выводы.
Дополнительная литература.
Глава 13. Сторителлинг в машинном обучении.
Целостный взгляд на сторителлинг в ML.
Ex ante и interim сторителлинг.
Сторителлинг ex post: открываем черный ящик.
Основные выводы.
Дополнительная литература.
Глава 14. От прогнозирования к принятию решений.
Анализ процесса принятия решений.
Простые правила принятия решений с помощью интеллектуального определения пороговых значений (Smart Thresholding).
Оптимизация матрицы несоответствий.
Основные выводы.
Дополнительная литература.
Глава 15. Инкрементальность: святой.
Грааль науки о данных?.
Что такое инкрементальность.
Конфаундеры и коллайдеры.
Смещение выборки.
Допущение об отсутствии смещения.
Преодоление смещения выборки: рандомизация.
Мэтчинг.
Машинное обучение и причинно-следственный вывод.
Основные выводы.
Дополнительная литература.
Глава 16. А/В-тесты.
Что такое А/В-тест?.
Критерии принятия решения.
Минимальные обнаруживаемые эффекты.
Бэклог гипотез.
Управление экспериментами.
Основные выводы.
Дополнительная литература.
Глава 17. Большие языковые модели и наука о данных в работе.
Текущее состояние ИИ.
Чем занимаются дата-сайентисты?.
Эволюция должностных обязанностей дата-сайентистов.
LLM и эта книга.
Основные выводы.
Дополнительная литература.
Об авторе.
Колофон.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Data Science, Лучшие практики, Воган Д., 2026 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Скачать - pdf - Яндекс.Диск.




Хештеги: #учебник по программированию :: #программирование :: #Воган