Теоретический минимум Big Data. Всё, что нужно знать о больших данных

Description

Предисловие От издательства Введение Почему Data Science? Глава 1. Об основах без лишних слов 1.1. Подготовка данных Формат данных Типы переменных Выбор переменных Конструирование признаков Неполные данные 1.2. Выбор алгоритма Обучение без учителя Обучение с учителем Обучение с подкреплением Другие факторы 1.3. Настройка параметров 1.4. Оценка результатов Метрики классификации Метрика регрессии Валидация 1.5. Краткие итоги Глава 2. Кластеризация методом k-средних 2.1. Поиск кластеров клиентов 2.2. Пример: профили кинозрителей 2.3. Определение кластеров Сколько кластеров существует? Что включают кластеры? 2.4. Ограничения 2.5. Краткие итоги Глава 3. Метод главных компонент 3.1. Изучение пищевой ценности 3.2. Главные компоненты 3.3. Пример: анализ пищевых групп 3.4. Ограничения 3.5. Краткие итоги Глава 4. Ассоциативные правила 4.1. Поиск покупательских шаблонов 4.2. Поддержка достоверность и лифт 4.3. Пример: ведение продуктовых продаж 4.4. Принцип Apriori Поиск товарных наборов с высокой поддержкой Поиск товарных правил с высокой достоверностью или лифтом 4.5. Ограничения 4.6. Краткие итоги Глава 5. Анализ социальных сетей 5.1. Составление схемы отношений 5.2. Пример: геополитика в торговле оружием 5.3. Лувенский метод 5.4. Алгоритм PageRank 5.5. Ограничения 5.6. Краткие итоги Глава 6. Регрессионный анализ 6.1. Выведение линии тренда 6.2. Пример: предсказание цен на дома 6.3. Градиентный спуск 6.4. Коэффициенты регрессии 6.5. Коэффициенты корреляции 6.6. Ограничения 6.7. Краткие итоги Глава 7. Метод k-ближайших соседей и обнаружение аномалий 7.1. Пищевая экспертиза 7.2. Яблоко от яблони недалеко падает 7.3. Пример: истинные различия в вине 7.4. Обнаружение аномалий 7.5. Ограничения 7.6. Краткие итоги Глава 8. Метод опорных векторов 8.1 «Нет» или «о нет!»? 8.2. Пример: обнаружение сердечно­сосудистых заболеваний 8.3. Построение оптимальной границы 8.4. Ограничения 8.5. Краткие итоги Глава 9. Дерево решений 9.1. Прогноз выживания в катастрофе 9.2. Пример: спасение с тонущего «Титаника» 9.3. Создание дерева решений 9.4. Ограничения 9.5. Краткие итоги Глава 10. Случайные леса 10.1. Мудрость толпы 10.2. Пример: предсказание криминальной активности 10.3. Ансамбли 10.4. Бэггинг 10.5. Ограничения 10.6. Краткие итоги Глава 11. Нейронные сети 11.1. Создание мозга 11.2. Пример: распознавание рукописных цифр 11.3. Компоненты нейронной сети 11.4. Правила активации 11.5. Ограничения 11.6. Краткие итоги Глава 12. A/B-тестирование и многорукие бандиты 12.1. Основы A/B­тестирования 12.2. Ограничения A/B­тестирования 12.3. Стратегия снижения эпсилона 12.4. Пример: многорукие бандиты 12.5. Забавный факт: ставка на победителя 12.6. Ограничения стратегии снижения эпсилона 12.7. Краткие итоги Приложения Приложение A. Обзор алгоритмов обучения без учителя Приложение В. Обзор алгоритмов обучения с учителем Приложение С. Список параметров настройки Приложение D. Другие метрики оценки Метрики классификации Метрики регрессии Глоссарий Литература и ссылки на источники Источники на английском языке Литература на русском языке Об авторах