Наука о подацима је област проучавања која обрађује огромне количине података користећи научне методе, процесе, алгоритме и системе за проналажење невидљивих образаца, извођење значајних информација, доношење пословних одлука у компанијама, а такође и коришћење у не-пословним институцијама. Непословне институције обухватају индустрије за здравство, игре на срећу, препознавање слика, системе препорука, логистику, откривање превара (банкарске и финансијске институције), претрагу интернета, препознавање говора, циљано оглашавање, планирање авио рута и проширену стварност. Наука о подацима је подскуп вештачке интелигенције. Подаци који се користе за анализу могу доћи из много различитих извора и представљени су у различитим форматима. Неки од изворних података могу бити стандардизовани; други можда нису стандардизовани.
Другим речима, различите методологије се користе за прикупљање података (множина података). Затим се из прикупљених података извлачи знање (драгоцени закључци). У том процесу, након прикупљања података, врши се истраживање на њима (подацима) како би се добили нови подаци (резултати) из којих се решавају проблеми.
Наука о подацима као (главна) дисциплина постоји на нивоу основних и мастер студија на универзитету. Међутим, само неколико универзитета у свету нуди науку о подацима на дипломама или мастер студијама. На нивоу Бацхелор'с Дегрее, студент дипломира са дипломом из науке о подацима. Ово је као диплома опште намене. На нивоу мастер студија, студент одлази са постдипломским степеном из науке о подацима, специјализован за аналитику података, инжењеринг података или као научник за податке.
Читаоца би могло изненадити, а можда и нажалост, да су машинско учење, моделирање, статистика, програмирање и базе података предуслов за изучавање науке о подацима на нивоу Бацхелор'с Дегрее упркос чињеници да су они сами по себи поштовани универзитетски курсеви, који се студирају у друге дисциплине на нивоу Бацхелор'с Дегрее или Мастер. Без обзира на то, када студент оде на универзитет да студира науку о подацима на нивоу степена, сви ови предмети ће се и даље изучавати, поред или пре одговарајућих курсева, за науку о подацима.
Наука о подацима за диплому или њене специјализације као што су аналитика података, инжењеринг података или као научник података се још увек развијају; иако су достигли фазу да се примењују у индустријама након што су студирали (на универзитету). Наука о подацима је релативно нова дисциплина, генерално.
Запамтите да прво треба да будете генералиста пре него што постанете специјалиста. Разлике између специјалистичких програма још нису јасне. Разлике између општих и специјалистичких програма још нису јасне.
Пошто је наука о подацима релативно нова дисциплина, књиге које су прописане у овом документу засноване су на садржају, а не на педагогији (колико добро књига подучава). И они су за програм Бацхелор'с Дегрее (генералиста). Постоје различити општи курсеви.
Листа
За више детаља и могућу куповину кредитном картицом дат је хиперлинк за сваку од књига. Ниједна од књига не покрива све опште курсеве.
Основна математика за науку о подацима: рачун, статистика, теорија вероватноће и линеарна алгебра
Написао: Хадриен Јеан
- Издавач: Хадриен Јеан
- Датум објаве: после 30. септембра 2020
- Језик: Енглески
- Број страница: више од 400
Садржај ове књиге може се посматрати као курс математике за науку о подацима. Иако се не препоручује да самостално учи науку о подацима, матурант средње школе који жели сам да учи науку о подацима требало би да почне са овом књигом.
Садржај: Рачуница; Статистика и вероватноћа; Линеарна алгебра; Скалари и вектори; Матрице и тензори; Распон, линеарна зависност и трансформација простора; Системи линеарних једначина; Сопствени вектори и сопствене вредности; Декомпозиција сингуларне вредности.
5Ц22Ц820ДА41БА3Д6Ц00А2302Е88Е85А8А77Б966
Здраворазумски водич за структуре података и алгоритме: унапредите своје основне вештине програмирања / 2. издање
Написао: Јаи Венгров
- Издавач: Прагматиц Бооксхелф
- Датум објаве: 15.09.2020
- Језик: Енглески
- Димензије: 7,5 к 1,25 к 9,25 инча
- Број страница: 508
Ова књига се бави алгоритмима и структурама података који се користе у науци о подацима. Под претпоставком да неко сам учи науку о подацима након што је завршио средњу школу, онда је ово следећа књига коју треба прочитати након читања претходне књиге из математике. Примери програма дати су у ЈаваСцрипт-у, Питхон-у и Руби-у.
Садржај: Зашто су структуре података важне; Зашто су алгоритми важни; О да! Биг О нотатион; Убрзајте свој код помоћу великог О; Оптимизација кода са и без великог О; Оптимизација за оптимистичне сценарије; Велико О у свакодневном коду; Невероватно брзо тражење са хеш табелама; Израда елегантног кода са стековима и редовима; Рекурзивно рекурзивно са рекурзијом; Учење писања рекурзивно; Динамиц Программинг; Рекурзивни алгоритми за брзину; Структуре података засноване на чворовима; Убрзавање свих ствари помоћу стабала бинарног претраживања; Одржавање приоритета са гомилом; Не боли покушати; Повезивање свега са графовима; Суочавање са просторним ограничењима; Технике за оптимизацију кода
Паметнија наука о подацима: Успех са подацима на нивоу предузећа и пројектима вештачке интелигенције / 1 ст Уређивање
Написали: Неал Фисхман, Цоле Стрикер и Гради Бооцх
- Издавач: Вилеи
- Датум објаве: 14. април 2020
- Језик: Енглески
- Број страница: 286
Садржај: Пењање на АИ лествице; Уоквиривање Део И: Разматрања за организације које користе вештачку интелигенцију; Уоквиривање Део ИИ: Разматрања за рад са подацима и АИ; Поглед уназад на аналитику: више од једног чекића; Поглед напред у аналитици: не може све бити фиксирано; Обраћање оперативним дисциплинама на лествици вештачке интелигенције; Максимизирање употребе ваших података: Вођени вредношћу; Вредновање података са статистичком анализом и омогућавање смисленог приступа; Изградња на дуги рок; Крај путовања: ИА за АИ.
Машинско учење: Пробабилистичка перспектива (серија адаптивних рачунања и машинског учења) Илустровано издање
Написао: Кевин П. Мурпхи
- Издавач: Тхе МИТ Пресс
- Датум објаве: 24. август 2012
- Језик: Енглески
- Димензије: 8,25 к 1,79 к 9,27 инча
- Број страница: 1104
Ова књига је добра за почетнике. Опет, као и све остале књиге прописане у овом документу, ова књига не обухвата све што је потребно за општи програм који, нажалост, још увек није завршен (специјалистички програми такође још увек нису финализовани). Типичан почетник овде је дипломац средње школе са положеним математиком и рачунарством.
Садржај: Увод (Машинско учење: шта и зашто?, Учење без надзора, Неки основни концепти у машинском учењу); Пробабилити; Генеративни модели за дискретне податке; Гаусови модели; Бајесова статистика; Фрекуентист статистицс; Линеарна регресија; Логистичка регресија; Генерализовани линеарни модели и експоненцијална породица; Усмерени графички модели (Бајесове мреже); Модели смеша и ЕМ алгоритам; Латентни линеарни модели; Ретки линеарни модели; Кернелс; Гаусови процеси; Адаптивни модели основних функција; Марков и скривени марковски модели; Модели простора стања; Неусмерени графички модели (Марковљева случајна поља); Тачан закључак за графичке моделе; Варијационо закључивање; Више варијационих закључака; закључак Монте Карла; Закључак Марковљевог ланца Монте Карло (МЦМЦ); Груписање; Учење структуре графичког модела; Латентни варијабилни модели за дискретне податке; Дубоко учење.
Наука о подацима за предузећа: Шта треба да знате о рударењу података и аналитичком размишљању / 1. издање
Написали: Том Фавцетт и Фостер Провост
- Издавач: О’Реилли Медиа
- Датум објаве: 17.09.2013
- Језик: Енглески
- Димензије: 7 к 0,9 к 9,19 инча
- Број страница: 413
Садржај: Дата-Аналитиц Тхинкинг; Пословни проблеми и решења науке о подацима; Увод у предиктивно моделирање: од корелације до надгледане сегментације; Прилагођавање модела подацима; Претеривање и његово избегавање; Сличност, суседи и кластери; Доношење аналитичког мишљења И: Шта је добар модел?; Визуализација перформанси модела; Докази и вероватноће; Представљање и рударење текста; Одлука аналитичко размишљање ИИ: ка аналитичком инжењерингу; Други задаци и технике науке о подацима; Наука о подацима и пословна стратегија; Закључак.
01823Ц3ДФ24Б77Ц08Е6Ф5Ф28Д4ДЦ4997А5АБ24ЦД
Практична статистика за научнике података: 50+ основних концепата који користе Р и Питхон / 2. издање
Написали: Петер Бруце, Андрев Бруце и Петер Гедецк
- Издавач: О’Реилли Медиа
- Датум објаве: 02.06.2020
- Језик: Енглески
- Димензије: 7 к 0,9 к 9,1 инча
- Број страница: 368
Садржај: истражна анализа података, расподела података и узорковања, статистички експерименти и тестирање значаја, регресија и предвиђање, класификација, статистичко машинско учење, учење без надзора.
Књига зашто: Нова наука о узроку и последици
Сценарио: Јудеа Пеарл, Дана Мацкензие
- Издавач: Основна књига
- Датум објаве: 15.05.2018
- Језик: Енглески
- Димензије: 6,3 к 1,4 к 9,4 инча
- Број страница: 432
Док многе књиге о науци о подацима користе чисту пословну индустрију за илустрацију, ова књига користи медицинску индустрију и друге дисциплине за илустрацију.
Садржај: Увод: Ум над подацима; Лествице узрочности; Од Буццанеерс до замораца: Генеза каузалног закључивања; Од доказа до узрока: велечасни Бајес упознаје господина Холмса; Конфоундинг анд Децонфоундинг: Или, Слаиинг тхе Луркинг Вариабле; Дебата пуна дима: Чишћење ваздуха; Парадокес Галоре!; Беионд Адјустмент: Тхе Цонкуест оф Моунт Интервентион; Противчињенице: рударски светови који су могли бити; Посредовање: Потрага за механизмом; Велики подаци, вештачка интелигенција и велика питања.
Изградите каријеру у науци о подацима
Написале: Емили Робинсон и Јацкуелине Нолис
- Издавач: Маннинг
- Датум објаве: 24.03.2020
- Језик: Енглески
- Димензије: 7,38 к 0,8 к 9,25 инча
- Број страница: 354
Садржај: Почетак рада са науком о подацима; Проналажење вашег посла у области науке о подацима; Укључивање у науку о подацима; Растите у вашој улози науке о подацима.
497АБ1ДА8Д6Е3130Д2Е7Ф305Д681Д8Б60Ф1ФЦБ17
Дата Сциенце фор Думмиес / 2. издање
Написала: Лиллиан Пиерсон
- Издавач: Фор Думмиес
- Датум објаве: 06.03.2017
- Енглески језик
- Димензије: 7,3 к 1 к 9 инча
- Број страница: 384
Ова књига претпоставља да читалац већ има претходно потребна знања из математике и програмирања.
Садржај: Обухватате науку о подацима; Истраживање цевовода и инфраструктуре за инжењеринг података; Примена увида вођених подацима на пословање и индустрију; Машинско учење: учење из података помоћу ваше машине; Математика, вероватноћа и статистичко моделирање; Коришћење груписања за поделу података; Моделирање са инстанцама; Изградња модела који управљају уређајима за интернет ствари; Пратећи принципе дизајна визуелизације података; Коришћење Д3.јс за визуелизацију података; Веб-базиране апликације за визуелни дизајн; Истраживање најбољих пракси у дизајну контролне табле; Израда мапа од просторних података; Коришћење Питхон-а за науку о подацима; Коришћење Опен Соурце Р за науку о подацима; Коришћење СКЛ-а у науци о подацима; Бавити се науком о подацима помоћу програма Екцел и Книме; Наука о подацима у новинарству: Закуцавање пет В (и Х); Удубљивање у науку о подацима о животној средини; Наука о подацима за покретање раста у е-трговини; Коришћење науке о подацима за описивање и предвиђање криминалних активности; Десет феноменалних ресурса за отворене податке; Десет бесплатних алата и апликација за науку о подацима.
Копање масивних скупова података / 3 рд Уређивање
Написали: Јуре Лесковец, Ананд Рајараман, Џефри Дејвид Улман
- Издавач: Цамбридге Университи Пресс
- Датум објаве: 13. фебруар 2020
- Енглески језик
- Димензије: 7 к 1 к 9,75 инча
- Број страница: 565
Ова књига такође претпоставља да читалац већ има претходно потребна знања из математике и програмирања.
Садржај: Дата Мининг; МапРедуце и нови софтверски стек; Алгоритми који користе МапРедуце; Проналажење сличних предмета; Мининг Дата Стреамс; Линк Аналисис; Фрекуент Итемсетс; Груписање; Оглашавање на Интернету; Рецоммендатион Системс; Графови друштвених мрежа рударства; Смањење димензионалности; Машинско учење великих размера.
Закључак
Разлике између специјалистичких програма још нису јасне. Разлике између општих и специјалистичких програма такође још нису јасне. Међутим, након што прочита дату листу књига, читалац ће бити у позицији да боље цени посебне улоге аналитичара података, инжењеринга података и научника података, а затим и крене напред.