55 lines
2.8 KiB
Markdown
55 lines
2.8 KiB
Markdown
---
|
||
Тип: Книга
|
||
Статус: Запланировано
|
||
Название: Наука о данных. Учебный курс
|
||
Автор:
|
||
- Стивен Скиена
|
||
Количество страниц: 544
|
||
Прогресс: 0
|
||
Формат: Электронная
|
||
Обложка: Библиотека/Книги/covers/nauka-o-dannyh.jpg
|
||
Начата:
|
||
Закончена:
|
||
Оценка:
|
||
Сложность:
|
||
Теги:
|
||
- data_science
|
||
- машинное_обучение
|
||
- статистика
|
||
- python
|
||
- математика
|
||
Категории:
|
||
- Data Science
|
||
- Алгоритмы и структуры данных
|
||
Источник:
|
||
Ссылка:
|
||
---
|
||
|
||
# Наука о данных. Учебный курс
|
||
|
||
![[covers/nauka-o-dannyh.jpg]]
|
||
|
||
## 📖 О книге
|
||
|
||
Учебник по науке о данных от автора «Алгоритмов. Руководства по разработке» (Диалектика/Вильямс, 2020). Книга охватывает data science как пересечение статистики, компьютерных наук и машинного обучения. Каждая глава содержит «War Stories» из реального мира, домашние задания и «Take-Home Lessons». Сопровождается полным набором лекционных слайдов и видеолекций.
|
||
|
||
## 🧠 Ключевые идеи
|
||
|
||
- Математические основы: линейная алгебра, статистика, теория вероятностей — необходимый фундамент для понимания алгоритмов ML
|
||
- Манипулирование данными: очистка, трансформация, агрегация — 80% работы дата-сайентиста
|
||
- Визуализация данных: правила эффективного представления данных для обнаружения закономерностей и донесения выводов
|
||
- Линейная и логистическая регрессии: базовые модели машинного обучения, классификация и предсказание
|
||
- Машинное обучение: деревья решений, кластеризация, метрики качества — системный взгляд на практический ML
|
||
|
||
## 💬 Важные цитаты
|
||
|
||
> «Чтобы понять мир, необходимо собирать и анализировать данные о нём»
|
||
|
||
## 💡 Как применить в моих проектах
|
||
|
||
|
||
## 🔗 Связанные заметки
|
||
|
||
[[Алгоритмы. Руководство по разработке]]
|
||
[[Грокаем алгоритмы]]
|