Ich bin (noch) kein Experte auf dem Gebiet der Datenwissenschaft, aber dies schien eine sehr gute Einführung zu sein. Ich bin mit vielen Techniken des KI und des maschinellen Lernens vertraut und kenne den Unterschied zwischen überwachtem und unbeaufsichtigtem Lernen, aber all diese Grundlagen werden im Text besprochen. Die Stimme des Autors ist durchweg witzig und engagiert, was bei einem solchen Thema hilfreich ist.

Zu den behandelten Themen gehörten Clusteranalyse (K bedeutet, Netzwerkdiagramme und Community-Erkennung), Naive Bayes, Optimierungsmodelle, Regression, Ensemble-Modelle, Prognose und Ausreißererkennung. Jedes Kapitel führt Sie durch einige Beispieldaten, die zum Herunterladen verfügbar sind, und zeigt Ihnen, wie Sie diese mithilfe von Excel von Hand bearbeiten können. Dies ist ausschließlich eine praktische Lerntechnik. Im vorletzten Kapitel geht es darum, wie Sie mit R alles viel einfacher machen können (sobald Sie verstanden haben, was Sie tun). Die Schlussfolgerung befasst sich mit dem, was Sie als Datenwissenschaftler sein müssen, der eigentlich keine Datenwissenschaft ist: das Wahre verstehen Problem, das gelöst werden muss, ohne sich auf Dinge zu konzentrieren, die keine Rolle spielen (Leistung und Genauigkeit auf Kosten der Benutzerfreundlichkeit), und die Tatsache, dass Sie als Datenwissenschaftler nicht der wichtigste Teil eines Unternehmens sind - Sie sind da um das Wichtigste besser zu machen.

Während das Excel-Coaching beim Durchlesen etwas müde wird, wäre es wahrscheinlich viel besser für jemanden, der die Beispiele tatsächlich bearbeitet :) Immer noch eine gute Lektüre!

Wir alle wissen, dass das Gebiet der Datenwissenschaft buchstäblich in den Tiefen von allem lauert, was wir konsumieren, aber meistens wurde mir nur eine handwellige Beschreibung angeboten, wenn ich jemanden auffordere, sie mir zu erklären. Oder noch schlimmer, ich werde mit mathematischen Gleichungen bombardiert, wenn ich mich auf einen Wikipedia-Artikel über Statistik wage. Wird Data Science für immer in den Hallen von Hochschulen, Sitzungssälen und gruseligen Science-Fiction-Filmen außerhalb unserer Reichweite verankert sein?

Data Smart ist John Foremans Antwort auf diese Frage. In diesem Buch werden acht gängige datenwissenschaftliche Techniken vorgestellt. Zum Glück hat Foreman das Buch für Anfänger geschrieben: Alle Beispiele sind in Excel erstellt und er hält die statistischen Konzepte auf ein Minimum. Es gibt jedoch Einblicke in die Tiefen der statistischen Theorie und eine Aufarbeitung aller acht Methoden in R für technisch Interessierte.

Obwohl Sie für die schnelleren R-Versionen jeder Technik bis zum Ende springen können, bietet der Grad an Granularität, mit dem er jede Technik präsentiert, sowohl Anfängern als auch Amateuren viel. Wenn alle Nachschlagewerke Foremans Schreibstil hätten, hätte ich meinen Statistikunterricht viel mehr genossen. Dieses Buch hat definitiv viel zu meinem professionellen Repertoire beigetragen; Die Tatsache, dass ich endlich KI-Beschreibungen in Science-Fiction-Filmen verstehen kann, ist nur das i-Tüpfelchen.

wirklich tolles Intro in die moderne Datenwissenschaft.
Mir hat die Art und Weise, wie er das Material nach Szenarien aufteilte, sehr gut gefallen (z. B. anhand der vorherigen Einkäufe vorherzusagen, welche Zielkunden schwanger sind, herauszufinden, wie sich Kunden zusammenschließen, damit Sie sie mit Marketing ansprechen können usw.). Das Buch führt Sie zuerst in Excel durch die Berechnungen, damit Sie einen Eindruck davon bekommen, wie sie funktionieren, und zeigt Ihnen am Ende schnell, wie Sie dasselbe in R in 3 Zeilen erreichen. Ich denke, es ist ein gutes erstes Buch, das Ihnen dabei hilft, herauszufinden, welche Techniken Sie benötigen, um diese zu vertiefen, die spezifischer für Ihre spezielle Domäne sind.

Es ist klar und mit genug Humor geschrieben, um dich am Laufen zu halten.

Großartig. Selbst wenn es einige Mängel aufweist, ist das allgemeine Gefühl sehr klar - es ist ein großartiges Buch, das leicht beweist, dass Data Science Spaß machen und sexy sein kann.

Vorteile:
* Es ist sehr praktisch - nur Action, nur Fleisch, alles in praktischen Fällen
* Die Beispiele sind perfekt: sehr klar, leicht zu verstehen und sie scheinen nicht "virtuell" zu sein.
* Der Autor zerlegt alle Aktivitäten in atomare Schritte, um seine Überlegungen leicht verständlich zu machen - keine Abkürzungen, keine Vereinfachungen, aber er schafft es trotzdem, den Leser nicht zu langweilen
* Die verwendete Sprache ist sehr klar und ähnelt nicht typischen, pompösen wissenschaftlichen Gemurmel
* Das Kapitel über R tritt einfach in den Arsch: bringt dir nicht die Sprache bei, zeigt aber ihre Fähigkeiten: das habe ich erwartet

Nachteile:
* In einigen Fällen scheint das Buch zu praktisch zu sein - ein bisschen Theorie würde niemandem schaden und könnte den Inhalt klarer machen
* 2- oder 3-mal der Tauchgang von einfach zu wtf-is-das ist mit ein oder zwei Absätzen passiert: Nun, niemand hat garantiert, dass es glatt wie Butter ist, oder? :) :)

Zusammenfassend: Ich liebe das Buch. Die ersten drei Kapitel waren so spannend wie ein guter Thriller :) Empfohlen.

Volle 5 Sterne.
Es gibt keinen Grund, warum Sie dieses Buch nicht kaufen sollten, wenn Sie sogar aus der Ferne mit Dingen wie "Data Science", "Analytics", "Forecasting" usw. verbunden sind.
Ich habe alle Kapitel und insbesondere die Kapitel 4 (Optimierung), 6 (Regression), 8 (Prognose) genossen.
Kaufen Sie dieses Buch jetzt ernsthaft.

Es ist sehr einfach zu lesen, und dennoch spart der Autor nicht nur wichtige Konzepte, sodass Sie das Beste aus beiden Welten, eine gute solide Grundlage und eine praktische Umsetzung erhalten.

Eine Sache, die mir gefällt, ist, dass sich das Thema und die Tabellenkalkulationsdiagramme in 90% der Fälle auf derselben Seitengruppe befinden, sodass Sie nicht zwischen den Seiten hin und her wechseln müssen, um Text und Bilder zu synchronisieren.

Gutes Buch, das eine Vielzahl von Datenanalysen abdeckt. In einigen Kapiteln drehte sich mein Kopf und ich hätte mir ein bisschen mehr Erklärungen als nur eine Excel-Formel gewünscht. Davon abgesehen sind alle im Buch verwendeten Datensätze online verfügbar, was bei der Entschlüsselung hilfreich ist.

Ich bin froh, dass der Autor am Ende jedes Kapitels andere Ressourcen aufgelistet hat, da ich der Meinung bin, dass diese sehr hilfreich sein werden, wenn ich dieses Buch ein zweites Mal lese.

Dieses Buch war absolut hervorragend, aber um mich wirklich damit zu beschäftigen, muss ich es bei geöffnetem Computer erneut lesen und dabei allen Beispielen in Excel folgen. Was Foreman tut, ist außergewöhnlich. Mit einfacher Sprache (so einfach wie möglich, angesichts der Schwierigkeit der Themen) führt er Sie in einige der neuesten und besten datenwissenschaftlichen Themen ein. Aber sie werden alle auf unterhaltsame, lustige Weise erklärt, aber mit großer Klarheit. Es ist ein großartiges Beispiel dafür, wie man komplizierte Ideen so einfach wie möglich erklärt.

Aber es wird noch besser, denn dann zeigt er uns Schritt für Schritt, wie man all diese Formeln in Excel verwendet. Das bedeutet, dass fast jeder ein paar Berechnungen durchführen und ein Data Science Master werden kann. Ich denke bereits darüber nach, wie ich dieses Zeug bei der Arbeit einsetzen könnte.

Wenn Sie (wie ich) bemerkt haben, dass immer mehr Data-Science-Jobs auftauchen und sich fragen, wo Sie all diese Dinge heutzutage lernen können, ist dies ein großartiger einfacher Weg in diese Welt.

Ziemlich cool.

Ich habe den vagen Verdacht, dass dieses Buch mir viel komplexere Dinge beigebracht hat, als es sich anfühlte, als würde ich lernen.

Leichter zu erlernen, wenn Sie den Excel-Notizbüchern folgen, da sonst die Gleichungen unverständlich sind.

Ich bin mir nicht sicher, was ich genau gelernt habe (ich meine in Bezug auf die Menge an Theorie im Vergleich zu angewandtem Whatev), aber es hat bei allem, was es zu tun versuchte, gut funktioniert und scheint das Erlernen der Theorie oder weiterer Anwendungen zu erleichtern. Ich werde eine Reihe lustiger Beispiele haben, mit denen ich die Dinge vergleichen kann.

Achtung: Dies ist kein Einführungsbuch. Die IT setzt Kenntnisse in Mathematik und Excel voraus. Obwohl das Buch codefrei ist (minus ein paar - für meinen Geschmack nicht genug - R-Replikation der Beispiele in Excel), müssen komplexe Formeln erstellt und erweiterte Excel-Funktionen verwendet werden.
Randnotiz: Es gibt auch eine schnelle und schmutzige Einführung in Gephi für die Netzwerkvisualisierung.

Ein lustiges kleines Buch über datenwissenschaftliche Ansätze, bei dem nur Excel-Tabellen verwendet werden. Vielleicht nicht die praktischste Option, da die meisten Personen, die sich für datenwissenschaftliche Ansätze interessieren, wahrscheinlich mehr Nischenwerkzeuge verwenden werden - aber ich war überrascht, wie Foreman viele Funktionen aus Excel-Arbeitsblättern extrahieren kann.

Erklärt datenwissenschaftliche Konzepte klar, aber ich bin der Meinung, dass die ständige Verwendung von Excel als Beispiel gleichzeitig eine großartige Idee und ein Hindernis ist. Wie würden diese Aufgaben in der realen Welt erledigt? Auf keinen Fall eine Tabelle verwenden.

Zusammenfassung: Tolles Buch, das mit dem zugänglicheren Excel als Werkzeug unterrichtet wird. Starke Punkte. Tolles Buch für diejenigen, die ihre grundlegenden analytischen Fähigkeiten auf die nächste Stufe bringen möchten.

Ich gebe Foreman viel Anerkennung. Viele Datenbücher weisen auf die Notwendigkeit einer zunehmenden Komplikation hin. Foreman bietet zwar nützliche technische Informationen für diejenigen, die mit Excel weniger vertraut sind, bietet jedoch hervorragende Elemente für das Durchdenken beim Erstellen relevanter Datenanalysen. Ich mag es, dass er die Analyse nach Typen gruppiert und diskutiert, wofür sie sind. Das geht über das hinaus, was die meisten Leute in der Datenanalyse tun.

Es ist eines der besseren Bücher. Ich denke, das Buch ist besser darin, "was" in Excel zu erklären, was zu einer besseren Analyse führt, als "warum" zu beschreiben, was zu Einsicht führt.

Trotzdem ist es großartig. Lesen Sie, ob Excel ein Teil Ihres Lebens ist oder ob Sie nicht herausfinden können, welches Diagramm Sie verwenden sollen. Es sollte helfen.

Ich habe das als Teil einer Lerngruppe gelesen. Wir trafen uns am Samstagmorgen für 2 Stunden und diskutierten jedes Kapitel, manchmal verbrachten wir 2 Wochen mit einem Kapitel. Es gibt eine begleitende Website mit den Daten. Er verwendet Excel, um verschiedene datenwissenschaftliche Techniken zu erklären. Am Ende wechselt er die gleichen Beispiele von Excel zu R. Excellent.

Mag dieses Buch sehr. Nicht zu einfach, damit es sich nicht vor schwierigen Fragen verbirgt, und nicht zu schwer, sodass Sie einen fortgeschrittenen mathematischen Abschluss benötigen. Beispiele sind sehr nützlich bei der Erläuterung des Themas.

Tolle Einführung in die Excel-Analyse und Datenwissenschaft

Schätzen Sie, dass jedes Kapitel um ein realistisches Geschäftsproblem herum organisiert war. Es machte den Inhalt zugänglicher. Und das erste Kapitel ist ein großartiger Crashkurs in den Excel-Kenntnissen, die Sie als Unternehmensberater erwerben.

Hat mir im Konzept gefallen. Große Teile der Erklärung, wie bestimmte Analysen in Excel durchgeführt werden ... was eine Art Zeitverschwendung ist. Ich wünschte, er hätte diese Teile übersprungen.

Um ganz ehrlich zu sein, denke ich, dass dies mittlerweile zu alt ist. Das Erscheinungsdatum von 2014 liegt vor fünf Jahren, und mein Professor für Informatik sagte mir, ich solle in diesem Bereich auf das Erlernen von Fakten achten, die fünf Jahre oder älter sind. JEDOCH steht das vor der Tür, also nehmen wir an, dass es eher vier als sechs Jahre alt ist.

Sollen wir nicht?

In Foremans Buch Data Smart: Verwenden von Data Science zur Umwandlung von Informationen in Erkenntnisse wird erläutert, wie Data Science / Tabellenkalkulationen gut betrachtet werden.

Ich finde das Kosinus-Ähnlichkeits-Kunden-zu-Kunden-Diagramm auf Seite 175 hübsch.
Hmm, Matthew Russells Mining the Social Web sieht sehr beliebt aus, da es erst kürzlich zurückgegeben wurde. Ich fühle mich verlegen, wenn ich es auf Eis lege, da ich erst am Montag zurückkehren werde. Vielleicht warte ich bis Sonntag, um sicherzustellen, dass jeder, der es will, eine faire Chance hat.
Andererseits habe ich noch nie von GitHub gehört. OH, ABER ich habe RUBY ON RAILS von der Wikipedia-Seite gehört!
Ich mochte den Octodex, der am meisten wie Nyancat aussah: hier! (Wenn Sie darauf klicken, wird das verrückte Lied nicht abgespielt.)

Sie müssen nur den Computer ständig auf Aktualisierungen der ... ähm ... Informatik überprüfen. Hahaha!

Ich bin mit diesem nicht vollständig fertig, werde es aber aus meinem "gerade lesenden" Regal entfernen, da ich es meinem Chef zurückgegeben habe. Was ich gelesen habe, ist erstaunlich. Jeder, der Interesse oder Liebe zu Excel hat, sollte sich dieses ansehen. Ich denke, Foreman ist der Bob Ross der Datenanalyse in Excel. Es hat mich gestreckt und ist eines, zu dem ich wieder zurückkehren werde.

Ein praktischer Leitfaden, um sich in die Datenwissenschaft einzuführen. Dieses Buch erklärt viele Schlüsselkonzepte auf einfache und unkomplizierte Weise. Jedes Konzept enthält ein Beispiel mit einfachen Tabellenkalkulationen (Excel) zur Lösung.

Ich hatte das Gefühl, dass dieses Buch zu sehr mit Excel zu tun hat. Am Ende habe ich nur etwa die Hälfte des Buches gelesen, da der Rest Erklärungen darüber waren, wie man Dinge in Excel macht.

Gutes Einführungsbuch mit Beispielen aus der Praxis. Erwähnt, wie wir mit Daten arbeiten und den Prozess mit Excel verstehen können und wie einfach alle mit R. durchgeführt werden können.

Das erste und das letzte Kapitel waren für mich am nützlichsten, da ich alles tun wollte, was er in R lehrte. Insgesamt eine großartige Ressource. Er macht die Konzepte ziemlich einfach zu verstehen.

Dieses Buch hilft mir zu verstehen, warum wir in der Schule Mathematik lernen müssen. Dies ist auch ein großartiges Buch, das maschinelles Lernen entmystifiziert.

DAS. BESTE. Dieses Buch hat mich ungefähr 10 Mal in meiner Datenklasse gespeichert. Super gutes Schreiben für Leute, die nichts über a) Excel, b) Statistiken und c) Data Science im Allgemeinen wissen. Sehr zu empfehlen.

Anstatt eine Domäne zu unterrichten, geht "Data Smart" jedes Problem mit einer geeigneten Technik oder einer Kombination von Techniken an. Es war wirklich interessant zu sehen, wie Sie Prognosen mit statistischen oder maschinellen Lernalgorithmen kombinieren können. Bonuspunkte für die Anzeige, wie viel in Excel getan werden kann, obwohl Anweisungen zur Verarbeitung von Daten in Excel die Attraktivität als eigenständiges Buch verringern.
Letzte Warnung: Der Inhalt des Buches ist ziemlich einführend. Wenn Sie also ein ML-Experte sind, ist "Data Smart" nichts für Sie.

Data Smart ist ein intelligentes Buch. Es vermittelt die Grundlagen der wichtigsten datenwissenschaftlichen Algorithmen - Diagramme, Regressionen und Optimierung - auf wirklich zugängliche Weise: Excel. Wenn Sie dieses Buch überhaupt lesen wollen, kennen Sie wahrscheinlich bereits Excel (ich habe sie während meiner Tage im Maschinenbau kennengelernt und sie hat mich nie verlassen).

Was Foreman tut, ist, seine Kapitel in zwei Teile zu unterteilen: kurze, kurze Abschnitte zur Theorie, und dann erweitert er sie zu einem Problem, in dem er Ihnen zeigt, wie Sie ein Teil eines Problems Schritt für Schritt in Excel aufteilen. Wenn Sie sich erinnern, hat Excel den PC zu einem nützlichen Objekt gemacht. Es erlaubte jedem, Berechnungen buchstäblich vor seinen Augen zu visualisieren. Der Taschenrechner im Kopf wurde sofort projizierbar.

Foremans Text zeigt Ihnen also, welche Tasten Sie drücken müssen, um die Algorithmen auf den Bildschirm zu projizieren, damit Sie sie tatsächlich lesen können. Das ist gut.

Natürlich kann dies hoffnungslos langweilig sein, da es nur so viel Excel gibt, und es ist eine Art Einschränkung (dh Sie würden Excel niemals verwenden, um einen dieser Algorithmen jemals auszuführen).