La scienza dei dati in termini profani: Statistica

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Data Science in Layman's Terms: Statistics

Contenuto del libro:

Esistono innumerevoli blog, corsi e tutorial che spiegano i concetti statistici, ma solo un libro può fornire una tabella di marcia completa per la comprensione delle statistiche. I libri di testo, tuttavia, tendono a concentrarsi sulla teoria e sulle prove matematiche, piuttosto che sulla statistica pratica o applicata. Data Science in Layman's Terms: Statistics raggiunge un equilibrio tra un tutorial di facile lettura e un libro di testo ad alto contenuto teorico. Offre una tabella di marcia completa per la comprensione della statistica. I concetti di questo libro sono spiegati in inglese semplice e supportati da immagini ed equazioni. Il materiale è organizzato in modo lineare, dalle idee semplici presentate nei primi capitoli alle idee complesse presentate nei capitoli successivi. Ogni capitolo si basa sulle informazioni dei capitoli precedenti. Ogni capitolo contiene codice che mostra come implementare i concetti, sia in R che in Python.

Il libro inizia spiegando i concetti statistici di base e le statistiche descrittive. Spiega poi la regressione lineare e logistica e il ruolo centrale dell'ottimizzazione nella statistica. Il libro spiega poi i test statistici per il confronto delle medie di gruppo, come l'ANOVA e la MANOVA. Vengono descritti test parametrici e non parametrici. Vengono inoltre illustrati i concetti che ampliano la flessibilità dell'analisi statistica, come la regolarizzazione, il ricampionamento, la riduzione delle dimensioni e la modellazione non lineare. Più avanti nel libro viene descritto l'approccio bayesiano alla statistica. Gli ultimi capitoli riguardano l'analisi delle serie temporali e dei segnali. Tutti questi concetti sono applicati in R e Python alla fine di ogni capitolo.

In questo libro potrete.

- Imparerete a costruire modelli statistici per prevedere variabili continue, ordinali e categoriche.

- Usare la modellazione delle serie temporali per prevedere i prezzi delle azioni e la volatilità.

- Usare i dati Fitbit per modellare le calorie bruciate e scoprire quanti passi servono per bruciare 1 caloria.

- Creare un generatore di testo falso o di Tweet che produca un testo abbastanza simile al parlato normale da sembrare credibile.

- Rilevare gli outlier, identificare i dati potenzialmente fraudolenti e individuare i punti di cambiamento nei dati delle serie temporali.

- Imparate a scoprire le onde gravitazionali nei dati del segnale del Laser Interferometer Gravitational-Wave Observatory.

Il repository GitHub che accompagna questo libro è disponibile all'indirizzo: https: //github.com/nlinc1905/dsilt-stats-code.