Dies ist wahrscheinlich das praktischste Buch, das Sie lesen sollten, wenn Sie nach einem Überblick über die Datenwissenschaft suchen. So können Sie entweder wissen, wann Begriffe wie k-means und ROC-Kurven verwendet werden, oder Sie haben zu Beginn einen Kontext Erfahren Sie mehr darüber, wie einige dieser Algorithmen implementiert sind (insbesondere beim Durchsuchen eines Buches wie) Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage).

Ich fand es genau auf dem richtigen Niveau, weil es gerade genug Mathematik gibt, um die grundlegenden Konzepte zu erklären und sie in meinem Kopf stecken zu lassen. Dies ist kein Buch über die Implementierung dieser Konzepte oder eine Reihe von Algorithmen. (Überprüfen Sie die Elemente der statistischen Neigung über oder Data Mining: Praktische Tools und Techniken für maschinelles Lernen, XNUMX. Auflage dafür.) Dies gibt dem Buch den Vorteil, etwas zu sein, das man einem intelligenten Manager oder interessierten Entwickler vorwirft, und beide können viel daraus machen. Und wenn sie an der nächsten Lernstufe interessiert sind, gibt es viele Hinweise.

Andere Kapitel behandeln die geschäftsbezogenen Aspekte, an denen ich ehrlich gesagt weniger interessiert bin. Obwohl ich das Kapitel über die Darstellung von Ergebnissen durch ROC-Kurven, Auftriebskurven usw. ziemlich interessant fand.

Es wäre cool, wenn dieses Buch noch einige praktische Aspekte hätte. Vielleicht sollte man nach dem Lesen dieses Buches Weka herunterladen und zu Teil 3 von Data Mining: Praktische Tools für maschinelles Lernen springen oder zu Kaggle gehen und sich in den aktuellen und vergangenen Wettbewerben umsehen.

Ein paar kleine Nissen - ich hatte das Gefühl, dass die baysischen Methoden zu schnell behandelt wurden, obwohl das Buch klar ist, dass es ein ziemlich großes Thema für sich ist. Die Gleichung, die schließlich gezeigt wird, hat ein großes Loch, das schnell auf Null gehen kann. Es wäre also schön zu erwähnen, dass manchmal Begriffe weggelassen werden, oder den LaPlace-Schätzer zu erwähnen, zumindest in einer Seitenleiste. Auch zufällige Wälder werden nur vorübergehend erwähnt. Aber ich beschwere mich teilweise, weil ich denke, ich würde auch von ihren Erklärungen dieser Dinge profitieren.

Oh, und es war cool, Themenmodelle zu sehen, die im Kapitel über Text erwähnt wurden, weil ich bereits in den 90er Jahren für ein Unternehmen gearbeitet habe, das eine sehr primitive, manuelle Version dieser Technik zur Klassifizierung von Dokumenten verwendet hat.

Wenn Leute sagen, dass Data Science der Weg der Zukunft ist, gerate ich in einen kalten Schweiß, weil ich implizieren muss, dass ich ein anderes Buch lesen muss, das ausschließlich mit Gleichungen und Beweisen gefüllt ist. Es ist selten, ein Buch zu finden, in dem man sich in einen wissenschaftlichen Rahmen hineinversetzen kann, ohne sich durch endlose Abstraktion zu sehr festzumachen. Provost und Fawcett schaffen es jedoch, den Schlag offen akademischen Schreibens zu mildern und gleichzeitig ein kompliziertes Verständnis und eine Wertschätzung des Fachgebiets zu fördern.

Bei Data Science for Business dreht sich alles um den konzeptionellen Rahmen des Fachgebiets, da es sich um die verschiedenen Aspekte des Unternehmertums handelt. Die Autoren legen großen Wert auf die Struktur des Buches: Es gibt einen sehr deutlichen Fortschritt zwischen der statistischen Theorie und ihrer Anwendung anhand sehr detaillierter Beispiele. Jeder Fachbegriff ist sofort mit realen Anwendungen verbunden, was ihn zu einer unschätzbaren Ressource für jemanden macht, der eine pragmatische Verwendung für ansonsten esoterische Konzepte findet.

Anfängern und Veteranen wird jedoch empfohlen, dass der Inhalt dieses Buches etwas dicht ist. Wenn Sie ein absoluter Anfänger sind, dauert es eine Weile, bis der Inhalt vollständig verdaut ist. Für die Eingeweihten ist dies jedoch ein ausgezeichnetes Referenzmaterial. In diesem Buch wird die Idee untersucht, dass Data Science mehr als eine perfekte Maschine ist: Es handelt sich um analytische Technik gepaart mit innovativer Exploration, aber es sind viele Anpassungen erforderlich, um die gewünschten Ergebnisse zu erzielen.

Wenn Sie feststellen, dass die Innovationswelle Sie in Richtung Datenwissenschaft führt, bietet das Buch von Fawcett und Provost eine sanfte, aber gründliche Einführung in die Grundlagen der Datenwissenschaft. Sie können dann ihre sehr detaillierte Referenzliste verwenden, um weiter in die relevantesten Themen einzutauchen. Zumindest können Sie bei Ihrem nächsten Meeting einige Referenzen nennen, um mit den Datenwissenschaftlern bei der Arbeit einige Punkte zu erzielen.

Data Science ist heutzutage ein Modewort, obwohl unklar ist, was es wirklich bedeutet. Es ist ein poröses Feld, und Sie müssen ein oder zwei Dinge darüber wissen, bevor Sie heiße Luft als Substanz verkaufen. Als ich einen Freund sah, markierte ich dieses Buch als lesen Ich beschloss, es auszuprobieren und zumindest eine funktionierende Definition des aktuellen Standes der Datenwissenschaft zu haben.

Dies ist ein gutes Einführungsbuch. Um es jedoch vollständig zu erhalten, benötigen Sie Grundkenntnisse in Statistik oder sind hartnäckig genug, um Google immer zu konsultieren, wenn Sie auf ein Fremdkonzept stoßen. Lesern ohne statistischen Hintergrund oder ohne Zeitmangel wird empfohlen, zuerst die Kapitel 1 und 2 zu lesen, die einen guten Überblick über die Datenwissenschaft ohne Fachsprache bieten. Die Kapitel 2-10 behandeln die Kernbereiche der Datenwissenschaft und sollten in einem Tempo gelesen werden, mit dem der Leser vertraut ist. Dies ist eine empfohlene Lektüre für alle, die sich für datenwissenschaftliche Kenntnisse interessieren.

Als Ingenieur mochte ich dieses Buch nicht, es ist zu flach. Als Gründer eines Unternehmens, das Data Science betreibt, fand ich einige gute Einblicke in Geschäft und Management. Ich wünschte, die Autoren hätten sich mehr auf das Geschäftliche konzentriert. Für Geschäftsleute empfehle ich das erste und das letzte Kapitel.

Provost und Fawcett beschreiben auf fantastische Weise die wichtigsten Techniken des Data Mining - Klassifizierung, Clustering und Regression - sowie allgemeine Erklärungen der jeweils am häufigsten verwendeten Algorithmen. Darüber hinaus bieten sie einen Erwartungswertrahmen, der sehr nützlich ist, um das richtige Gleichgewicht zwischen True Positives, False Positives usw. in den Vorhersagen eines Modells zu wählen.

Data Science for Business ist selbst für technische Leser keineswegs einfach zu lesen, es sei denn, Sie verfügen über umfangreiche Erfahrung im maschinellen Lernen und den relevanten statistischen Techniken und Algorithmen. Das Buch nennt die tieferen technischen Abschnitte, die Sie sicher überspringen können, aber ich glaube, dass sie viele kritische Details enthielten. Trotzdem ist die Mathematik im Verhältnis zur Zielgruppe noch relativ leicht. Die ersten Kapitel hätten viel kürzer und klarer sein können, wenn die Autoren viele Wörter durch eine viel geringere Anzahl von Gleichungen ersetzt hätten, aber dann hätten sie das Buch möglicherweise neu betiteln müssen.

Ein Bereich, den das Buch nicht ausführlich behandelt, ist die Visualisierung der Modellleistung, obwohl es eine angemessene Beschreibung von ROC-Diagrammen, Anpassungsdiagrammen und Auftriebskurven gibt, wobei der Schwerpunkt darauf liegt, genug über sie zu lernen, um sie auf hohem Niveau zu verstehen.

Die Coursera ML-Klasse ist eine bessere Möglichkeit, um zu lernen, wie Algorithmen für maschinelles Lernen wirklich funktionieren. Sie müssen jedoch über gute Programmier- und Mathematikkenntnisse verfügen und bereit sein, bis zu 10 Wochen lang etwa 15 bis 10 Stunden pro Woche damit zu verbringen. Dieses Buch ist ein ausgezeichneter Kompromiss für die viel kürzere Investition in die Zeit, um es zu lesen.

Data Science for Business erwies sich auch als eine großartige Ergänzung zu einem anderen Buch, das ich gelesen habe: How to Not Be Be Wrong von Jordan Ellenberg, das ich auch empfehlen werde, sobald ich es fertiggestellt habe. Oder vielleicht empfehle ich es jetzt einfach weiter.

Eine gründliche Einführung in Data Science-Konzepte und -Techniken. Wie der Name schon sagt, richtet sich dieses Buch hauptsächlich an Geschäftsleute. Ich persönlich halte es jedoch für das Beste, es zu lesen, nachdem Sie sich mit datenwissenschaftlichen Problemen die Hände schmutzig gemacht oder einen Online-Kurs besucht haben, um zuerst eine technische Grundlage zu schaffen hängt von Ihrem Hintergrund ab. Ich habe das getan und fand es auf diese Weise relevanter.
Gute Auswahl an alltäglichen Business Cases aus der Praxis, um den Kontext zu halten und den praktischen Wert des Verständnisses von Data Science zu veranschaulichen. Es ist auch nützlich, wichtige Begriffe auf dem Gebiet der Datenwissenschaft zu verstehen, und dieses Buch leistet hervorragende Arbeit bei der Überbrückung der "Sprachbarriere" zwischen Technologie und Wirtschaft. Das ist sehr wichtig für Menschen, die an dieser Kreuzung arbeiten.
Besonders interessant fand ich die Abschnitte über datengesteuerte Entscheidungen und den Einsatz von Data Science zur Strategieentwicklung.
Ich mag, wie praktisch, nicht so tief, nicht so flach dieses Buch ist, und ich empfehle es!

Ich habe dieses Buch vor etwas mehr als einem Jahr beiseite gelegt und heute Morgen habe ich beschlossen, dass ich es wahrscheinlich nicht fertig stellen werde. Mit meinem Hintergrund in Datenbanken und Business Intelligence-Berichten dachte ich, ich würde dieses Buch wirklich genießen. Ich habe die erste Hälfte des Buches sehr geschätzt. Soweit ich mich erinnere, hat sich die zweite Hälfte des Buches eingehender mit den geringfügigen Abweichungen derselben Theorien befasst. Dies wäre zweifellos faszinierend für den Leser, der mit dem Studium der Datenwissenschaft beginnen möchte. Ich bezweifle irgendwie, dass viele Manager weiter als bis zur Hälfte kommen würden.

Ein großartiges Buch, für das die Implementierung von Datenwissenschaften in seine Arbeit oder Projekte gefragt ist. Das Buch präsentiert von den einfacheren Wegen bis zu den fortschrittlichsten Anwendungen matematischer Anwendungen. All dies hängt mit Gerential Skills und Decision Making für Unternehmen zusammen

Das Buch ist sehr gut geschrieben, es erklärt die Data Mining-Aufgaben ausführlich und zeigt Ihnen, wie Sie Ihr Data Mining-Problem sowohl von geschäftlicher als auch von technischer Seite angehen können.

Tolles Einführungsbuch zur Analytik im Management, ohne zu technisch zu sein, aber die Möglichkeiten, Anwendungen und Möglichkeiten zu erkunden, wenn in einem Projekt etwas nicht stimmt.

Hervorragende Lektüre für Manager und Neulinge. Konzentriert sich mehr auf das Konzept als auf den technischen Rahmen. Sollte von jedem Manager oder Teamleiter gelesen werden, der plant, ein Data Science-Projekt zu starten.

Wirklich gute Einführung in Data Science. Behandelt wichtige Prinzipien, die auf viele verschiedene Anwendungen angewendet werden können, so dass die technischen Details berücksichtigt werden, jedoch nicht zu viele. Viele verschiedene Profile können die Lektionen nutzen: Ingenieure, Manager, Vertriebsmitarbeiter ... und natürlich alle, die daran interessiert sind, Daten zum Sprechen zu bringen, sowohl für bestimmte Anforderungen (geschäftsbezogen oder nicht) als auch nur, um den Wert von Daten zu ermitteln . Von der Projektplanung über die Datenerfassung, Exploration, Evaluierung bis hin zur Optimierung und dem Abschluss als professioneller Service oder Produkt.

Ich las das meiste leicht und hörte hier und da auf, wo der Inhalt mehr mit meinen aktuellen Projekten in Resonanz stand. Planen Sie, bald auf bestimmte Fragen zurückzugreifen.

Fängt wirklich gut an.
Es ist kein anderer Autor, der versucht, einen Bestseller unter dem Hype "Big Data" zu finden. Das Buch handelt NICHT von Algorithmen (dem Teil der Informationstechnologie, den sie nennen), sondern von der Datenwissenschaft, den Phasen vor und nach "Datenaufbereitung" und "Modellierung" in CRISP-DM.

In einer kurzen Zusammenfassung bin ich so froh, dass ich auf dieses Buch gestoßen bin! Es ist nicht nur eine großartige Einführung in die komplexe Welt der Datenwissenschaft, es hat auch ein echtes Interesse an mir geweckt, mich eingehender mit diesem Thema zu befassen.

Das Buch wird sich sowohl für Leser mit geschäftlichem oder technischem Hintergrund als wertvoll erweisen. Wenn Sie verstehen möchten, wie Sie Daten nutzen können, um geschäftliche Probleme aufzuwerten, oder wie Sie mit Kollegen zusammenarbeiten, die an Data Mining, Analysemodellen usw. arbeiten.

Das Buch enthält einige mathematische Aspekte - ich würde jedoch empfehlen, sich nicht abschrecken zu lassen und sich Zeit zu nehmen, um sich mit diesen Konzepten zu befassen, da sie einen großen Beitrag zur Verbesserung Ihres Verständnisses leisten würden.

Erweiterte Überprüfung:

Ich bin von Beruf Business Analyst, beschäftige mich also mit Geschäftsprozessen, identifiziere Geschäftsanforderungen und arbeite mit Kollegen aus verschiedenen technischen und nichttechnischen Bereichen zusammen. Data Science liegt einem Großteil der aufkommenden Geschäftspraktiken für datengesteuerte Entscheidungen zugrunde.

Als ich dieses Buch aufnahm, hatte ich keine Vorkenntnisse auf diesem Gebiet, aber ich wollte ein konzeptionelles Verständnis und eine reale Perspektive für das Gebiet der Datenwissenschaft entwickeln. Dieses Buch behandelt beide Aspekte.

Ich hatte tatsächlich mit einigen Online-Kursen begonnen, aber das Interesse ließ schnell nach, da die besprochenen Inhalte entweder zu detailliert oder zu allgemein in der Einführung waren. Der einfache Erzählstil des Buches und gute Beispiele für die Entwicklung von Geschäftsanwendungen haben jedoch dafür gesorgt, dass ich dieses Buch erst ablege, wenn ich die letzte Seite erreicht habe.

Nun eine Prise Salz hinzufügen:

Obwohl der Inhalt hervorragend ist, würde ich nur kritisieren, dass das Buch auf Links und Artikel verweist, die viel schwieriger sind als die im Buch vorgestellten Konzepte. Wenn Sie mehr über bestimmte Themen erfahren möchten, stellen Sie möglicherweise fest, dass es eine längere Brücke gibt, die noch überquert werden muss.

Insgesamt: Es ist eine Reise eines Buches, und ich bin froh, dass ich es genommen habe!

Sehr schnell durchgescannt.

Das Buch macht einen guten Job und erklärt die in der Datenwissenschaft am häufigsten verwendeten Konzepte aus einer "geschäftlichen" Perspektive, wie der Titel schon sagt. Es geht ausreichend tief in die Mathematik ein und geht auch einige gute Beispiele durch.

Die einzige ernsthafte Einschränkung in diesem Buch besteht darin, dass es keine tatsächlichen Codebeispiele oder Pseudocodes der Algorithmen enthält. Wenn Sie also lernen möchten, wie diese Algorithmen implementiert werden, müssen Sie über dieses Buch hinausgehen. Wenn Sie jedoch mit Datenwissenschaftlern kommunizieren oder ein Data Science-Projekt als Business Manager verwalten möchten, lesen Sie dieses Buch wird Sie auf den neuesten Stand bringen.

Fazit: Wenn Sie ein Datenwissenschaftler sein möchten, würde ich empfehlen, mit so etwas wie zu beginnen Data Science von Grund auf neu: Erste Prinzipien mit Python und dann zu so etwas übergehen Eine Einführung in das statistische Lernen: Mit Anwendungen in R.. Wenn Sie ein Business Manager eines Data Science-Projekts sein möchten, ist dieses Buch genau das Richtige für Sie.

Data Science for Business ist ein großartiges Buch, um einen Überblick darüber zu geben, wie die Datenanalyse bei alltäglichen Geschäftsproblemen eingesetzt werden kann. Die Autoren beschreiben ein Konstrukt oder einen Prozess sehr gut und verwenden dann Beispiele, um diese wirklich in reale Situationen umzusetzen. Es ist insgesamt ein guter Überblick über datenanalytisches Denken und ideal für diejenigen, die mit dem Thema nicht allzu vertraut sind, aber ihre Zehen ins Feld tauchen möchten.

An manchen Stellen fühlte es sich so an, als gäbe es eine Menge "Hier ist ein Konzept, über das wir später sprechen werden, und es bezieht sich auf das, worüber wir auch in einem anderen Kapitel sprechen werden", so dass es nicht immer die reibungsloseste Lektüre ist, und ich Ich würde empfehlen, zwischen verschiedenen Teilen des Buches hin und her zu gehen - bestimmte Kapitel usw. erneut zu lesen.

Schließlich kann ich ihm keine 5 Sterne geben, weil ich tatsächlich große Probleme mit dem Buch habe. Das Whisky-Beispiel in Kapitel 6 (S. 178). In welcher Welt fällt ein Laphroaig in die gleiche Gruppe wie ein Aberfeldy in einem Cluster, der auf Scotch-Eigenschaften basiert?

Dies ist ein überraschend guter Überblick über die Datenwissenschaft auf hoher Ebene. Es tauchte im neuen Bücherregal unserer Bibliothek auf - ich bin überrascht, dass es aus dem Jahr 2013 stammt ("alt" in Bezug auf Computerbücher), aber dies hat sein Alter sehr gut gehalten. Definitiv geschrieben als Kommunikationsmittel zwischen den "Anzügen" und den "Hackern" - vielleicht nur ein bisschen zu viel Mathematik für die Anzüge und definitiv nicht genug Tiefe für die Hacker, also eine gute Balance. Die Bücher vermeiden die Notation "Sigma" und "Pi" (nicht ganz sicher, vielleicht haben die Analysen gesagt, dass Anzüge Angst haben?), Scheuen aber nicht vor unterstützender Mathematik. Es würde Spaß machen, eine Klasse damit zu unterrichten - sie wurde durch Business Schools und MBA-Lehrpläne entwickelt, könnte aber auch andere interessante Unterrichtszwecke haben. Guter Sinn für Humor und insgesamt ein guter datenwissenschaftlicher Rahmen. Wieder bin ich wirklich überrascht, wie gut es für ein so "altes" Computerbuch gealtert ist (und angenehm überrascht, dass ich im Regal für Neuerwerbungen in der Bibliothek darauf gestoßen bin!).

Dies ist ein gut geschriebener und leicht zugänglicher Leitfaden für Nicht-Tech-Mitarbeiter mit Marketing- oder Geschäftsführungshintergrund, der sich auf die zugrunde liegenden Prinzipien und datenwissenschaftlichen Techniken zur Lösung realer Probleme konzentriert, wenn Data Mining und Datenanalyse für verbesserte Geschäftsergebnisse verwendet werden. Die Autoren präsentieren gerade genug mathematische und technische Details zur Verwendung dieser Techniken sowie verschiedene Geschäftsszenarien und Beispiele, die zeigen, wie die technischen Dinge zusammenpassen, damit die Leser mit einer soliden Grundlage ausgestattet sind, um tiefer in die Schrauben und Muttern der Technik einzutauchen Ich würde das Buch jedem empfehlen, der seine Füße nass machen und die Grundprinzipien von Data Science und maschinellem Lernen kennenlernen möchte.

Unverzichtbare Ergänzung zu mehr technischen datenwissenschaftlichen Büchern und insgesamt eine sehr einfache und unterhaltsame Lektüre. Eine reichhaltige Auswahl an Geschäftsfällen (von der Diversifizierung der Whisky-Liste in einem Spirituosengeschäft bis hin zur Vorhersage der Aktienkursbewegung auf der Grundlage des News-Mining über das Kundenabwanderungsmanagement). Dank sehr schöner Beispiele und Abbildungen verstehe ich jetzt zum Beispiel (i) das Reinheitsmaß über Entropie und den Informationsgewinn für die Segmentierung besser, (ii) die Bedeutung des erwarteten Werts für die Verwendung von Klassifikatoren, (iii) die Beziehung zwischen IDF (inverse Dokumenthäufigkeit) und Entropie usw. usw.

Ich hatte nur ein grundlegendes Verständnis der Statistik, bevor ich mich mit diesem Buch befasste (meistens Regression der kleinsten Quadrate). Ich konnte jedoch viel aus diesem Buch schöpfen, da es viele verschiedene Techniken vorstellt und Beispiele dafür liefert, welche Art von Situationen angewendet werden können. Das Buch hilft wirklich dabei, die Perspektive zu erweitern, und führt den Leser an, wenn er sich mit bestimmten Themen befassen möchte. Sehr empfehlenswert für alle, die Betriebswirtschaft studieren oder sich allgemein für Datenwissenschaft interessieren.

Als diplomierter Data Science-Student kann ich sagen, dass dieses Buch und mein Master dieselben Themen angesprochen haben. Ich würde ihm 4,5 Sterne geben, da es ein großartiges Buch ist, um Data Science zu verstehen. Für Leute, die dieses Buch als Einstieg in Data Science verwenden, würde ich empfehlen, sich auch R oder Python und einen Datensatz anzusehen (es gibt integrierte Datensätze). Auf diese Weise erhalten Sie ein klareres Bild davon, wie Data Science aussieht. Eine Bemerkung für dieses Buch ist, dass Sie ein gewisses Verständnis der Datensätze benötigen, um sie zu verstehen.

Nicht das, was ich erwartet hatte, ist überhaupt kein Einführungsbuch, vielleicht möchten die letzten Kapitel von Ihnen wissen, wie wichtig es ist, einen Datenwissenschaftler einzustellen.

Analytics ist nichts, was Sie lesen lernen könnten, Sie müssen es tun und es gut machen, und Sie können es mit Excel nicht nur R oder Python tun. Wenn Sie also wirklich lernen möchten, sind dies die Bücher, die Sie benötigen:

1. Marketinganalyse von Wayne Winston
2. Data Smart von John Foreman

Trockenes Lesen in mehreren Kapiteln.

Ich habe das Buch gelesen und ein Verständnis für die datenwissenschaftlichen Konzepte und die Terminologie gewonnen. Dann suche ich in Python nach Codebeispielen, um zu sehen, wie die Klassifikatoren funktionieren. Es wurde geholfen zu verstehen, was der Klassifizierer tat und warum er auf einen Geschäftsfall angewendet werden konnte, bevor der Klassifizierer für die Ausführung in Python programmiert wurde. Ich fand das Buch umfassend und der Autor hatte Erfahrung in der Lösung von Geschäftsproblemen

Eine solide Lektüre, die das breite Spektrum der anwendbaren Datenwissenschaft im geschäftlichen Kontext abdeckt. Es geht mit ziemlich viel Tiefe in die verschiedenen Techniken ein. Nicht empfehlenswert für diejenigen, die eine rein geschäftsorientierte Lektüre suchen, da es eher für diejenigen ist, die ernsthaft daran interessiert sind, wie Data Science funktioniert, einschließlich einiger ziemlich komplexer Mathematik. Wenn Sie sich mit Data Science beschäftigen und eine Einführung wünschen, die keine Angst hat, Ihnen dabei etwas Fleisch zu geben, lesen Sie dies.

Ich kann dieses Buch nur all jenen empfehlen, die versuchen, die Konzepte der Datenwissenschaft zu verstehen. Er hielt die schwierigen mathematischen Formeln auf ein Minimum und konzentrierte sich auf die Kernideen, die das Lesen und Verstehen wirklich einfach machten. Da ich Andrew Ngs Kurse online anschaue, war dieses Buch die perfekte kostenlose Ressource. Es gibt schwierige Kapitel, aber insgesamt hat er eine wunderbare Art zu erklären.

Sehr technologisch zugängliche Sprache und Präsentation von Konzepten für Geschäftsleute. Aber nicht bis zu dem Punkt, an dem Datenwissenschaftler oder Ingenieure dies nicht nützlich oder eine Verbesserung des Verständnisses finden würden.

Hervorragende Einführung in Data Mining und dessen Verwendung im Geschäftsleben. Dieses Buch konzentriert sich nicht auf die technische Seite, sondern auf die allgemeine Beschreibung und Erläuterung der Data Mining-Methoden und ihres Anwendungsbereichs. Würde Leuten empfehlen, die sich für Data Mining und dessen geschäftliche Nutzung interessieren.

Tolles Einführungsbuch in Data Science. Unterrichtet Sie in verschiedenen ML-Techniken, die zur Lösung gängiger Branchenprobleme verwendet werden, und hilft Ihnen dabei, Ihre Denkweise richtig zu gestalten, damit Sie sich auf Ihre Ergebnisse verlassen können.