Роман с Data Science. Как монетизировать большие данные

Description

Как выжать все из своих данных? Как принимать решения на основе данных? Как организовать анализ данных (data science) внутри компании? Кого нанять аналитиком? Как довести проекты машинного обучения (machine learning) и искусственного интеллекта до топового уровня? На эти и многие другие вопросы Роман Зыков знает ответ, потому что занимается анализом данных почти двадцать лет. В послужном списке Романа — создание с нуля собственной компании с офисами в Европе и Южной Америке, ставшей лидером по применению искусственного интеллекта (AI) на российском рынке. Кроме того, автор книги создал с нуля аналитику в Ozon.ru. Эта книга предназначена для думающих читателей, которые хотят попробовать свои силы в области анализа данных и создавать сервисы на их основе. Она будет вам полезна, если вы менеджер, который хочет ставить задачи аналитике и управлять ею. Если вы инвестор, с ней вам будет легче понять потенциал стартапа. Те, кто «пилит» свой стартап, найдут здесь рекомендации, как выбрать подходящие технологии и набрать команду. А начинающим специалистам книга поможет расширить кругозор и начать применять практики, о которых они раньше не задумывались, и это выделит их среди профессионалов такой непростой и изменчивой области. Об авторе Благодарности От издательства Введение Для кого эта книга Как читать эту книгу Глава 1. Как мы принимаем решения Четыреста сравнительно честных способа Чему можно научиться у Amazon? Аналитический паралич Погрешности — правило штангенциркуля Принцип Парето Можно ли принимать решения только на основе данных? Глава 2. Делаем анализ данных Артефакты анализа данных Бизнес-анализ данных Гипотезы и инсайты Отчеты, дашборды и метрики Артефакты машинного обучения Артефакты инженерии Кто анализирует данные Идеальная кнопка Продать аналитику внутри компании Конфликт исследователя и бизнеса Недостатки статистического подхода в аналитике Глава 3. Строим аналитику с нуля Первый шаг Выбираем технологии Поговорим об аутсорсе Наем и увольнения Кому подчиняются аналитики Должен ли руководитель аналитики писать код Управление задачами Как управлять романтиками Глава 4. Делаем аналитические задачи Как ставить задачи аналитикам Как проверять задачи Как тестировать и выкладывать изменения в рабочую систему Как защищать задачу перед инициатором Нужно ли уметь программировать? Датасет Описательная статистика Графики Общий подход к визуализации данных Парный анализ данных Технический долг Глава 5. Данные Как собираются данные Big Data Связность данных Много данных не бывает Доступ к данным Качество данных Как проверяется и контролируется качество данных Типы данных Форматы хранения данных Способы получения данных Глава 6. Хранилища данных Зачем нужны хранилища данных Слои хранилища данных Какие бывают хранилища Как данные попадают в хранилища Hadoop и MapReduce Spark Оптимизация скорости работы Архивация данных и устаревание Мониторинг хранилищ данных Личный опыт Глава 7. Инструменты анализа данных Электронные таблицы Сервисы блокнотов Инструменты визуального анализа Пакеты статистического анализа данных Работа с данными в облаках Что такое хорошая отчетная система? Сводные таблицы OLAP-кубы Корпоративные и персональные BI-системы Мой опыт Глава 8. Алгоритмы машинного обучения Типы ML-задач Метрики ML-задач ML изнутри Линейная регрессия Логистическая регрессия Деревья решений Ошибки обучения Как бороться с переобучением Ансамбли Глава 9. Машинное обучение на практике Как изучать машинное обучение Соревнования по ML Искусственный интеллект Необходимые преобразования данных Точность и стоимость ML-решения Простота решения Трудоемкость проверки результата Mechanical Turk / Yandex Toloka ML и большие данные Recency, Frequency и Monetary Итог Глава 10. Внедрение ML в жизнь: гипотезы и эксперименты Гипотезы Планируем тест гипотезы Что такое гипотеза в статистике Статистическая значимость гипотез Статистические критерии для p-значений Бутстрэп Байесовская статистика А/Б-тесты в реальности А/А-тесты Еще несколько слов о А/Б-тестах Что делать перед A/Б-тестом Конвейер экспериментов Глава 11. Этика данных Как за нами следят Хорошее и плохое использование данных Проблема утечки данных Этика использования данных Как защищают пользовательские данные Глава 12. Задачи и стартапы Веб-аналитика в рекламе Внутренняя веб-аналитика Маркетинг на основе баз данных Стартапы Личный опыт Глава 13. Строим карьеру Старт карьеры Как искать работу Требования к кандидатам Вы приняли оффер Как развиваться и работать Когда менять место работы Нужно ли все знать? Эпилог Список литературы