Analityka danych jest uwa�ana za wyj�tkowo obiecuj�c� dziedzin� wiedzy. Rozwija si� b�yskawicznie i znajduje coraz to nowsze zastosowania. Profesjonali�ci biegli w eksploracji danych i wydobywaniu z nich po�ytecznych informacji mog� liczy� na interesuj�c� prac� i bardzo atrakcyjne warunki zatrudnienia. Jednak aby zosta� analitykiem danych, trzeba zna� matematyk� i statystyk�, a tak�e nauczy� si� programowania. Umiej�tno�ci w zakresie uczenia maszynowego i uczenia g��bokiego r�wnie� s� wa�ne. W przypadku tak specyficznej dziedziny, jak� jest nauka o danych, szczeg�lnie istotne jest zdobycie gruntownych podstaw i dog��bne ich zrozumienie.
W tym przewodniku opisano zagadnienia zwi�zane z podstawami nauki o danych. Wyja�niono niezb�dne elementy matematyki i statystyki. Przedstawiono tak�e techniki budowy potrzebnych narz�dzi i sposoby dzia�ania najistotniejszych algorytm�w. Ksi��ka zosta�a skonstruowana tak, aby poszczeg�lne implementacje by�y jak najbardziej przejrzyste i zrozumia�e. Zamieszczone tu przyk�ady napisano w Pythonie: jest to j�zyk do�� �atwy do nauki, a prac� na danych u�atwia szereg przydatnych bibliotek Pythona. W drugim wydaniu znalaz�y si� nowe tematy, takie jak uczenie g��bokie, statystyka i przetwarzanie j�zyka naturalnego, a tak�e dzia�ania na ogromnych zbiorach danych. Zagadnienia te cz�sto pojawiaj� si� w pracy wsp�czesnego analityka danych.
W ksi��ce mi�dzy innymi:
elementy algebry liniowej, statystyki i rachunku prawdopodobie�stwa
zbieranie, oczyszczanie i eksploracja danych
algorytmy modeli analizy danych
podstawy uczenia maszynowego
systemy rekomendacji i przetwarzanie j�zyka naturalnego
analiza sieci spo�eczno�ciowych i algorytm MapReduce
Nauka o danych: bazuj na solidnych podstawach!
