Practical Statistics for Data Scientists, 2e

Les méthodes statistiques sont un élément clé de la science des données, mais peu de data scientists ont une formation formelle en statistique. Les cours et les livres sur les statistiques de base abordent rarement le sujet sous l'angle de la science des données. La deuxième édition de ce guide populaire ajoute des exemples complets en Python, fournit des conseils pratiques sur l'application des méthodes statistiques à la science des données, vous dit comment éviter leur utilisation abusive et vous donne des conseils sur ce qui est important et ce qui ne l'est pas.

De nombreuses ressources en science des données intègrent des méthodes statistiques mais manquent d'une perspective statistique approfondie. Si vous êtes familier avec les langages de programmation R ou Python et que vous avez une certaine exposition aux statistiques, cette référence rapide comble l'écart dans un format accessible et lisible.

Avec ce livre, vous apprendrez :

• Pourquoi l'analyse exploratoire des données est une étape préliminaire clé en science des données.

• Comment l'échantillonnage aléatoire peut réduire les biais et produire un ensemble de données de meilleure qualité, même avec des données volumineuses.

• Comment les principes de la conception expérimentale fournissent des réponses définitives aux questions

• Comment utiliser la régression pour estimer les résultats et détecter les anomalies ?

• Techniques de classification clés pour prédire à quelles catégories appartient un enregistrement

• Méthodes d'apprentissage automatique statistique qui 'apprennent' des données

• Méthodes d'apprentissage non supervisées pour extraire le sens des données non étiquetées.