-
Koszyk jest pustyRealizuj zamówienieSuma 0
-
-
Koszyk jest pustyRealizuj zamówienieSuma 0
- Kategorie
-
Zaawansowana analiza danych. Jak przejść z arkuszy Excela do Pythona i R
Sukces przedsiębiorstwa zależy od jakości podejmowanych decyzji. Spośród strategii, które wspierają ten proces, na szczególną uwagę zasługuje zastosowanie analizy danych. Jest to jednak dość złożona dziedzina. Podstawowym narzędziem wielu analityków danych jest arkusz kalkulacyjny. Ma on tę zaletę, że ułatwia solidne zrozumienie prawideł statystyki i analizy danych. Po zdobyciu takich podstaw warto jednak pójść dalej i nauczyć się eksploracyjnej analizy danych za pomocą języków programowania. Dzięki tej książce przejście od pracy z arkuszami Excela do samodzielnego tworzenia kodu w Pythonie i R będzie płynne i bezproblemowe. Rozpoczniesz od ugruntowania swoich umiejętności w Excelu i dogłębnego zrozumienia podstaw statystyki i analizy danych. Ułatwi Ci to rozpoczęcie pisania kodu w języku R i w Pythonie. Dowiesz się, jak dokładnie przebiega proces oczyszczania danych i ich analizy w kodzie napisanym w języku R. Następnie zajmiesz się poznawaniem Pythona. Jest to wszechstronny, łatwy w nauce i potężny język programowania, ulubiony język naukowców i... analityków danych. Nauczysz się płynnego przenoszenia danych z Excela do programu napisanego w Pythonie, a także praktycznych metod ich analizy. Dzięki ćwiczeniom, które znajdziesz w końcowej części każdego rozdziału, utrwalisz i lepiej zrozumiesz prezentowane treści. W książce: badanie relacji między danymi za pomocą Excela stosowanie Excela w analizach statystycznych i badaniu danych podstawy języka R proces oczyszczania i analizy danych w R przenoszenie danych z Excela do kodu Pythona pełna analiza danych w Pythonie Eksploracyjna analiza danych? I w Excelu, i w Pythonie!
| Wysyłka w ciągu | 24 godziny |
| Kod kreskowy | |
| ISBN | 978-83-283-8551-1 |
| EAN | 9788328385511 |
Dzięki tej książce przejście od pracy z arkuszami Excela do samodzielnego tworzenia kodu w Pythonie i R będzie płynne i bezproblemowe. Rozpoczniesz od ugruntowania swoich umiejętności w Excelu i dogłębnego zrozumienia podstaw statystyki i analizy danych. Ułatwi Ci to rozpoczęcie pisania kodu w języku R i w Pythonie. Dowiesz się, jak dokładnie przebiega proces oczyszczania danych i ich analizy w kodzie napisanym w języku R. Następnie zajmiesz się poznawaniem Pythona. Jest to wszechstronny, łatwy w nauce i potężny język programowania, ulubiony język naukowców i... analityków danych. Nauczysz się płynnego przenoszenia danych z Excela do programu napisanego w Pythonie, a także praktycznych metod ich analizy. Dzięki ćwiczeniom, które znajdziesz w końcowej części każdego rozdziału, utrwalisz i lepiej zrozumiesz prezentowane treści.
W książce:
badanie relacji między danymi za pomocą Excela
stosowanie Excela w analizach statystycznych i badaniu danych
podstawy języka R
proces oczyszczania i analizy danych w R
przenoszenie danych z Excela do kodu Pythona
pełna analiza danych w Pythonie
Eksploracyjna analiza danych? I w Excelu, i w Pythonie!
Wprowadzenie (9)
CZĘŚĆ I. PODSTAWY ANALIZY DANYCH W EXCELU (17)
1. Podstawy eksploracyjnej analizy danych (19)
Czym jest eksploracyjna analiza danych? (19)
Obserwacje (21)
Zmienne (21)
Przykład: klasyfikacja zmiennych (24)
Przypomnienie: typy zmiennych (26)
Eksploracja zmiennych w Excelu (26)
Eksploracja zmiennych kategorialnych (27)
Eksploracja zmiennych ilościowych (29)
Wnioski (40)
Ćwiczenia (40)
2. Podstawy prawdopodobieństwa (41)
Prawdopodobieństwo i losowość (41)
Prawdopodobieństwo i przestrzeń zdarzeń elementarnych (41)
Prawdopodobieństwo i eksperymenty (42)
Prawdopodobieństwo bezwarunkowe i warunkowe (42)
Rozkłady prawdopodobieństwa (42)
Dyskretne rozkłady prawdopodobieństwa (43)
Ciągłe rozkłady prawdopodobieństwa (46)
Wnioski (53)
Ćwiczenia (53)
3. Podstawy wnioskowania statystycznego (54)
Ramy wnioskowania statystycznego (54)
Zbierz reprezentatywną próbkę (55)
Sformułuj hipotezy (56)
Stwórz plan analizy (57)
Przeanalizuj dane (59)
Podejmij decyzję (62)
To Twój świat... Dane się tylko w nim znajdują (68)
Wnioski (69)
Ćwiczenia (70)
4. Korelacja i regresja (71)
Korelacja nie oznacza przyczynowości (71)
Wprowadzenie do korelacji (72)
Od korelacji do regresji (76)
Regresja liniowa w Excelu (78)
Zastanówmy się raz jeszcze - pozorne związki (84)
Wnioski (85)
Przejście do programowania (85)
Ćwiczenia (85)
5. Stos analizy danych (87)
Statystyka, analiza danych, nauka o danych (87)
Statystyka (87)
Analiza danych (87)
Analityka biznesowa (88)
Nauka o danych (88)
Uczenie maszynowe (88)
Różne, ale nie rozłączne (89)
Znaczenie stosu analizy danych (89)
Arkusze kalkulacyjne (90)
Bazy danych (92)
Platformy analityki biznesowej (94)
Języki programowania danych (94)
Wnioski (95)
Co dalej (96)
Ćwiczenia (96)
CZĘŚĆ II. Z EXCELA DO R (97)
6. Pierwsze kroki w R dla użytkowników Excela (99)
Pobieranie R (99)
Pierwsze kroki w RStudio (99)
Pakiety w R (108)
Aktualizacja pakietów, RStudio i języka R (109)
Wnioski (110)
Ćwiczenia (110)
7. Struktury danych w R (112)
Wektory (112)
Indeksowanie i wybór elementów z wektorów (114)
Od tabel Excela do ramek danych R (115)
Importowanie danych w R (117)
Eksploracja ramki danych (120)
Indeksowanie i wybór elementów z ramek danych (122)
Zapisywanie ramek danych (123)
Wnioski (124)
Ćwiczenia (124)
8. Przetwarzanie i wizualizacja danych w R (125)
Przetwarzanie danych za pomocą dplyr (126)
Operacje kolumnowe (126)
Operacje wierszowe (128)
Agregacja i łączenie danych (131)
dplyr i potęga operatora potoku (%>%) (133)
Przekształcanie danych za pomocą tidyr (135)
Wizualizacja danych w ggplot2 (137)
Wnioski (142)
Ćwiczenia (142)
9. R w analizie danych (143)
Eksploracyjna analiza danych (144)
Testowanie hipotez (147)
Test t-Studenta dla prób niezależnych (148)
Regresja liniowa (150)
Podział na zbiór uczący i testowy, walidacja (151)
Wnioski (154)
Ćwiczenia (154)
CZĘŚĆ III. Z EXCELA DO PYTHONA (155)
10. Pierwsze kroki w Pythonie dla użytkowników Excela (157)
Pobieranie Pythona (157)
Pierwsze kroki z Jupyterem (158)
Moduły w Pythonie (166)
Aktualizacja pakietów, Anacondy i Pythona (167)
Wnioski (167)
Ćwiczenia (168)
11. Struktury danych w Pythonie (169)
Tablice NumPy (170)
Indeksowanie i wybieranie elementów z tablic NumPy (171)
Ramki danych pandas (172)
Importowanie danych w Pythonie (174)
Eksploracja ramki danych (175)
Indeksowanie i pobieranie wartości z ramek danych (177)
Zapis ramek danych (178)
Wnioski (178)
Ćwiczenia (178)
12. Przetwarzanie i wizualizacja danych w Pythonie (179)
Operacje kolumnowe (180)
Operacje wierszowe (182)
Agregacja i łączenie danych (183)
Przekształcanie danych (185)
Wizualizacja danych (186)
Wnioski (192)
Ćwiczenia (192)
13. Python w analizie danych (193)
Eksploracyjna analiza danych (194)
Testowanie hipotez (196)
Test t-Studenta dla prób niezależnych (196)
Regresja liniowa (197)
Podział zbioru na zbiór treningowy i testowy oraz walidacja modelu (198)
Wnioski (200)
Ćwiczenia (200)
14. Wnioski i kolejne kroki (201)
Kolejne warstwy stosu (201)
Projektowanie badań i eksperymenty biznesowe (201)
Inne metody statystyczne (202)
Nauka o danych i uczenie maszynowe (202)
Kontrola wersji (202)
Etyka (203)
Idź naprzód i ciesz się danymi (203)
Na pożegnanie (203)
Skorowidz (204)
George Mount założył i prowadzi Stringfest Analytics, firmę konsultingową specjalizującą się w analizie danych. Współpracował z wiodącymi bootcampami, platformami edukacyjnymi i organizacjami. Regularnie wypowiada się na tematy dotyczące nauki i analizy danych, a także rozwoju pracowników. Mieszka w Cleveland w stanie Ohio.
Polub nas na Facebooku
