Wprowadzenie do Data Science z pythonem jako projektem end-to-end

Drogi Czytelniku,

Z przyjemnością informuję, że kompletny, kompleksowy projekt analizy danych dla początkujących jest już dostępny w formie książki!

Dla kogo jest ta książka?

Każdy, kto chce podjąć wyzwania związane z nauką o danych: 1) Doświadczeni profesjonaliści z dowolnej dziedziny, którzy chcą zmienić pracę, 2) Świeżo upieczeni absolwenci planujący wybór ścieżki kariery, 3) Każdy, kto próbuje zrozumieć, w jaki sposób nauka o danych może pomóc ulepszyć ich biznes. Nie ma znaczenia, ile masz lat ani jakie masz pochodzenie. Ta książka ma na celu zabranie Cię w podróż do nauki o danych bez wcześniejszego doświadczenia analitycznego, programistycznego lub innego technicznego doświadczenia.

Jaki jest pomysł na książkę?

Główną ideą książki jest „uczyć się przez działanie”. Przedkładamy praktyczność nad teorią, dlatego znajdziesz wiele praktycznych ćwiczeń i przykładów, które pozwolą Ci poczuć smak nauki o danych. To z kolei pomoże Ci szybko zdobyć wiedzę w danej dziedzinie, a nawet zdecydować, czy ta praca Ci odpowiada i przygotować się do zmiany, jeśli kiedykolwiek się nad tym zastanawiałeś. Otrzymujesz zadanie rozwiązania prawdziwego problemu fintech, zagłębiając się w perspektywę biznesową i zyskując możliwość opracowania predykcyjnego modelu uczenia maszynowego.

Czego się nauczysz?

Po przeczytaniu tej książki będziesz w stanie samodzielnie wykonywać zadania związane z nauką o danych (np. budowanie modeli uczenia maszynowego) i odpowiadać na najpopularniejsze pytania stawiane podczas rozmowy kwalifikacyjnej na stanowisko Data Scientist. Ponadto ukończysz kompleksowe portfolio projektów, które możesz zademonstrować każdemu, aby udowodnić swoją wiedzę i doświadczenie.

Uczysz się nauki o danych krok po kroku, budując kompleksowy projekt analizy danych dotyczący rzeczywistego problemu biznesowego skoncentrowanego na branży Fintech. Możesz jednak zastosować tę wiedzę w każdej innej branży!

Projekt opiera się na trzech filarach: 1) zdefiniować problem, zrozumieć, przygotować i przetworzyć dane (np. obsługa wartości odstających, wybór funkcji ML itp.), 2) zbudować, ocenić i wybrać modele uczenia maszynowego (np. Logistic Regression, XGBoost, Neural Networks) oraz 3) wyprodukować wybrany model ML, aby udostępnić go każdemu, budując interfejs użytkownika za pomocą Streamlit lub API (z AWS SageMaker, Lambda i Gateway).

To jest aplikacja internetowa z interfejsem użytkownika, którą ukończysz przed końcem tej książki:

Podgląd interfejsu użytkownika na żywo można znaleźć tutaj:

Jak zdobyć książkę:

Możesz zamówić książkę na Amazon w miękkiej oprawie, w twardej oprawie lub w formacie epub:

Jeśli potrzebujesz dodatkowych informacji, skontaktuj się ze mną pod adresem [email protected].