/
Страница
- 12. Предисловие
- 15. Условные обозначения, используемые в этой книге
-
16.
Использование примеров кода
Онлайн-обучение в O’Reilly -
17.
Как с нами связаться
Благодарности - 20. Часть I. Методы анализа данных
-
22.
Глава 1. Что дальше? Создание ценности с помощью Data science
Что такое ценность? - 24. Что
- 25. Что дальше
-
27.
Что делать сейчас
Измерение ценности -
30.
Основные выводы
Дополнительная литература -
32.
Глава 2. Разработка метрик
Полезные свойства метрик - 34. Декомпозиция метрик
-
37.
Другой вариант декомпозиции выручки
Пример с маркетплейсами - 38. Основные выводы
- 39. Дополнительная литература
-
40.
Глава 3. Декомпозиции роста
Почему именно декомпозиция роста?
Аддитивная декомпозиция - 43. Мультипликативная декомпозиция
- 45. Декомпозиция mix-rate
- 48. Математические производные
- 49. Основные выводы
- 50. Дополнительная литература
-
51.
Глава 4. Матрицы 2x2
Аргументы в пользу упрощения - 52. Что такое матрица 2x2?
- 54. Пример
- 56. Пример
- 58. Пример
- 59. Пример
- 60. Основные выводы
- 61. Дополнительная литература
-
62.
Глава 5. Создание бизнес-кейсов
Принципы создания бизнес-кейсов - 63. Пример
- 65. Предотвращение мошенничества
- 66. Приобретение внешних наборов данных
-
67.
Работа над проектом по Data science
Основные выводы - 68. Дополнительная литература
-
69.
Глава 6. Что показывает прирост?
Расчет прироста - 70. Пример
- 71. Свободный выбор и смещение по выживаемости
-
73.
Другие варианты использования прироста
Основные выводы - 74. Дополнительная литература
-
75.
Глава 7. Нарративы
Нарративы -
80.
Практическая применимость
Создание нарратива - 83. Последний рывок
- 89. Основные выводы
- 90. Дополнительная литература
-
92.
Глава 8. Datavis
Некоторые полезные и не очень методы визуализации данных - 99. Общие рекомендации
- 104. Основные выводы
- 105. Дополнительная литература
- 106. Часть 2. Машинное обучение
- 108. Глава 9. Моделирование и бутстрэп
- 109. Основы моделирования
- 112. Моделирование линейной модели и линейной регрессии
- 115. Что такое графики частичной зависимости?
- 119. Смещение вследствие пропущенных переменных
- 122. Моделирование задач классификации
- 126. Бутстрэп
- 128. Основные выводы
- 129. Дополнительная литература
-
131.
Глава 10. Линейная регрессия
Что определяет коэффициент? - 135. Теорема Фриша — Во — Ловелла
- 138. Чем полезна теорема Фриша — Во — Ловелла?
- 139. Конфаундеры
- 141. Дополнительные переменные
- 143. Ключевая роль дисперсии в ML
- 147. Основные выводы
- 149. Дополнительная литература
-
150.
Глава 11. Утечка данных
Что такое утечка данных? - 154. Обнаружение утечки данных
- 156. Полное разделение
- 159. Метод скользящего окна (Windowing Methodology)
- 163. Утечка данных
- 164. Основные выводы
- 165. Дополнительная литература
-
167.
Глава 12. Вывод модели в продакшн
Что означает «готовность к продакшну»? - 171. Дрейф данных и модели
- 172. Основные этапы любого конвейера в продакшне
- 177. Основные выводы
- 178. Дополнительная литература
-
180.
Глава 13. Сторителлинг в машинном обучении
Целостный взгляд на сторителлинг в ML - 181. Ex ante и interim сторителлинг
- 188. Сторителлинг ex post
- 201. Основные выводы
- 202. Дополнительная литература
- 204. Глава 14. От прогнозирования к принятию решений
- 205. Анализ процесса принятия решений
- 207. Простые правила принятия решений с помощью интеллектуального определения пороговых значений (Smart Thresholding)
- 211. Оптимизация матрицы несоответствий
-
214.
Основные выводы
Дополнительная литература -
215.
Глава 15. Инкрементальность
Что такое инкрементальность - 218. Конфаундеры и коллайдеры
- 222. Смещение выборки
- 226. Допущение об отсутствии смещения
- 227. Преодоление смещения выборки
- 228. Мэтчинг
- 232. Машинное обучение и причинно-следственный вывод
- 236. Основные выводы
- 237. Дополнительная литература
-
241.
Глава 16. А/В-тесты
Что такое А/В-тест? - 242. Критерии принятия решения
- 245. Минимальные обнаруживаемые эффекты
- 255. Бэклог гипотез
- 256. Управление экспериментами
-
258.
Основные выводы
Дополнительная литература - 260. Глава 17. Большие языковые модели и наука о данных в работе
- 261. Текущее состояние ИИ
- 262. Чем занимаются дата-сайентисты?
- 265. Эволюция должностных обязанностей дата-сайентистов
- 269. LLM и эта книга
- 270. Основные выводы
- 271. Дополнительная литература
- 273. Об авторе
- 274. Колофон
Автор: Воган Дэниел
Теги: программирование на эвм компьютерные программы программирование анализ данных
Год: 2026
