Pensare la scienza dei dati: Guida per il professionista della scienza dei dati

Titolo originale:

Thinking Data Science: A Data Science Practitioner's Guide

Contenuto del libro:

Questa guida definitiva ai progetti di Machine Learning risponde ai problemi che un aspirante o esperto data scientist si trova spesso ad affrontare: Confuso su quale tecnologia utilizzare per il tuo sviluppo di ML? Dovrei usare GOFAI, ANN/DNN o Transfer Learning? Posso affidarmi ad AutoML per lo sviluppo dei modelli? E se il cliente mi fornisce Gig e Terabyte di dati per lo sviluppo di modelli analitici? Come gestisco i dataset dinamici ad alta frequenza? Questo libro offre ai professionisti un consolidamento dell'intero processo di data science in un unico "Cheat Sheet".

La sfida per un data scientist è quella di estrarre informazioni significative da enormi insiemi di dati che aiutino a creare strategie migliori per le aziende. Molti algoritmi di apprendimento automatico e reti neurali sono progettati per effettuare analisi su tali insiemi di dati.

Per un data scientist, la decisione di quale algoritmo utilizzare per un determinato set di dati è scoraggiante. Sebbene non esista una risposta univoca a questa domanda, è necessario un approccio sistematico alla risoluzione dei problemi. Questo libro descrive concettualmente i vari algoritmi di ML e definisce/discute un processo di selezione dei modelli ML/DL.

Il consolidamento degli algoritmi e delle tecniche disponibili per la progettazione di modelli di ML efficienti è l'aspetto chiave di questo libro. Thinking Data Science aiuterà i data scientist praticanti, gli accademici, i ricercatori e gli studenti che desiderano costruire modelli di ML utilizzando gli algoritmi e le architetture appropriate, sia che i dati siano piccoli o grandi.