資料科學的統計實務 : 探索資料本質、扎實解讀數據，才是機器學習成功建模的第一步 分析者のためのデータ解釈学入門 データの本質をとらえる技術
江崎貴裕 著 温政堯 譯；施威銘研究室 監修
- 出版商: 旗標科技
- 出版日期: 2021-11-01
- 定價: $599
- 售價: 9.0 折 $539
- 貴賓價: 8.5 折 $509
- 語言: 繁體中文
- 頁數: 272
- 裝訂: 平裝
- ISBN: 9863126829
- ISBN-13: 9789863126829
-
相關分類:
Machine Learning、機率統計學 Probability-and-statistics、Data Science
銷售排行:
🥉 2021/11 繁體中文書 銷售排行 第 3 名
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
不敗的數據學：從統計數字中看見真相的 12堂思考訓練，不被造假及濫用的數字唬弄！$380$342 -
看穿假象、理智發聲，從問對問題開始：【全球長銷40年】美國大學邏輯思辨聖經$380$342 -
深度學習 (Deep Learning)(繁體中文版)$1,200$1,020 -
NumPy 高速運算徹底解說 - 六行寫一隻程式？你真懂深度學習？手工算給你看！$750$638 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$493 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$493 -
Python 機器學習 (上), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$620$484 -
矽谷工程師教你 Kubernetes：史上最全 CI/CD 中文應用指南（iT邦幫忙鐵人賽系列書）$600$468 -
Python 自學聖經：從程式素人到開發強者的技術與實戰大全, 2/e (附影音/範例程式)$880$660 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$509 -
超圖解資料科學 ✕ 機器學習實戰探索 - 使用 Python$560$442 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
Python 資料科學與機器學習：從入門到實作必備攻略 (Hands-On Data Science and Machine Learning with Python)$650$507 -
深入淺出設計模式, 2/e (Head First Design Patterns: Building Extensible and Maintainable Object-Oriented Software, 2/e)$980$774 -
深度學習的 16 堂課：CNN + RNN + GAN + DQN + DRL, 看得懂、學得會、做得出！ (Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence)$620$490 -
跟著 Docker 隊長，修練 22天就精通 - 搭配 20小時作者線上教學，無縫接軌 Microservices、Cloud-native、Serverless、DevOps 開發架構$880$695 -
你所不知道的必學前端 Debug 技巧：即學即用！讓你 Debug 不求人 (iT邦幫忙鐵人賽系列書)$620$484 -
網站最佳化實務｜運用機器學習改善網站，提升使用者體驗$580$458 -
Knock Knock! Deep Learning：新手入門深度學習的敲門磚(iT邦幫忙鐵人賽系列書)$560$437 -
機器學習的統計基礎 : 深度學習背後的核心技術$680$537 -
Python 大數據專案 X 工程 X 產品 資料工程師的升級攻略$700$553 -
AWS CDK 完全學習手冊：打造雲端基礎架構程式碼 IaC（iT邦幫忙鐵人賽系列書）$600$468 -
Python 資料分析必備套件！Pandas 資料清理、重塑、過濾、視覺化 (Pandas 1.x Cookbook, 2/e)$780$616 -
Python 出神入化：Clean Coder 才懂的 Pythonic 技法，為你的程式碼畫龍點睛！ (Clean Code in Python, 2/e)$720$562 -
AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型 (Automated Machine Learning with AutoKeras: Deep learning made accessible for everyone with just few lines of coding)$690$587
相關主題
商品描述
內容介紹:
新書上市即攻佔日本亞馬遜統計類書籍第一名
很多資料科學、機器學習的書，內容充滿各種建模的技術展示、完美的案例分析，卻忘記了更重要的「資料」。唯有掌握好手中的資料，才是機器學習成功建模的第一步。
無法了解資料，深度學習也救不了你；相反的，正確蒐集資料，輕鬆建模沒煩惱。
如何了解資料？當然要從統計觀念開始。學習統計一定都要看抽象複雜的數學嗎？並不是！本書所使用的範例，會告訴大家「為什麼統計學要如此定義」、「為什麼技巧要那樣使用」。當讀者了解統計背後的觀念時，才不會迷失在複雜的數學。此外，有別於一般市售書籍總是用漂亮案例展示程式運行結果，此書用相當多的範例都是「專家也會犯的錯誤」，相信讀者同時學習成功以及失敗的案例後，可以更全面地了解資料科學的分析流程觀念。
本書會介紹資料分析中的許多技術的基本觀念，如變異數分析、偏相關係數、自相關函數、Bonferroni校正、Holm校正、隨機對照試驗、斷點迴歸分析、傾向評分匹配、T檢定、F檢定、分層多階段抽樣法等，介紹的過程中會直擊分析技術的思維，而非僅展示漂亮的數學。
本書亦會說明身為資料科學家該有的素養，來避免確認偏誤、倖存者偏誤、選擇偏誤、發表偏誤、自願者偏誤、可得性偏誤、樂觀偏誤、常態偏誤、後此謬論、賭徒謬誤、辛普森謬論、p-hacking、HARKing、單方論證、霍桑效應、畢馬龍效應等資料分析中可能踩到的陷阱。
如果讀者曾經有以下問題，那這本書將是你的最佳解方。
● 我想知道怎麼蒐集高品質資料來加速機器學習建模
● 我想知道什麼樣的資料適合什麼分析技術
● 我想知道分析過程中是否參雜不自覺的偏見
● 我想知道分析完的結果代表什麼意思
● 我想知道為什麼資料分析可以解決問題
此外，中文版還提供免費Python程式下載，讓讀者可以實際演練書中的範例，加深對知識的理解。
本書貫通從資料蒐集、資料分析、資料解讀每一個環節的觀念，讓你走上資料科學家的康莊大道！
本書特色:
● 好評推薦（依姓名筆劃順序排列）
國立政治大學統計學系副教授、台灣人工智慧學校講師 吳漢銘 推薦
國立政治大學統計學系助理教授 周珮婷 推薦
「資料科學家的工作日常」版主 張維元 推薦
國立臺灣大學名譽教授 謝南瑞 推薦
● 概念性介紹資料分析的流程，探討過程中所需要的技術，解說分析結果的意義
● 拒絕只展示漂亮數學，改變傳統一直寫程式的教學，帶你直擊資料分析流程的根本觀念
● 分享專家的成敗案例，助你建立好的資料科學家素養，避免落入陷阱
● 底線標示重要觀念，粗體標示重要名詞，註解提供讀者延伸資訊
● 滿滿全彩圖說，每章結束附有重點整理，中文版附贈範例程式
● 中文版收錄免費 Bonus，由國內專家分享業界經驗談，讓你快速銜接上實務技能
作者簡介
江崎貴裕
東京大學先端科學技術研究中心特任講師。
2011 年畢業於東京大學工學部航空太空工程學系。2015 年取得同系所課程博士學位（因表現優異而縮短修業年限 1 年）與論文博士學位（工程學）。曾任日本學術振興會特別研究員、日本國立情報學研究所專案計畫研究員、日本國立研究開發法人科學技術振興機構 PRESTO 研究員與史丹佛大學訪問學者，自 2020 年起擔任現職。曾獲東京大學校長獎及井上研究獎勵獎等。致力於憑藉數學分析技術，解決統計力學、腦科學、行為經濟學、生物化學、運輸工程與物流科學等多重領域之問題。
目錄大綱
目錄:
序言
第一篇 資料特性的相關知識
第1章 測量其實並非易事
1.1 測量資料
1.2 測量的難處
1.3 測量誤差之外的誤差
第2章 資料誤差
2.1 測量標準的選擇
2.2 問卷帶來的問題
2.3 抽樣母體誤差
2.4 沒觀測誤差
2.5 回答者帶來的問題
2.6 發表偏誤（Publication Bias）
第3章 測量誤差中的隨機誤差 (Random Error) 與偏誤 (Bias)
3.1 測量誤差（Measurement Error）的分析
3.2 誤差與機率分佈（Probability Distribution）
3.3 機率分佈的相關知識
3.4 處理隨機誤差 (Random Error)
第4章 資料抽樣方法論
4.1 抽樣的概念
4.2 抽樣的方法
第二篇 資料分析的相關知識
第5章 資料分析的基本流程
5.1 檢查手中資料
5.2 正確分析資料
5.3 妥善管理資料
第6章 干擾因子（Confounding Factor）與因果關係
6.1 兩個變數之間的關聯
6.2 面對並處理干擾因子（Confounding Factor）
6.3 無法使用隨機對照試驗（Randomized Controlled Trial）的處理方式
第7章 單一變數的分析手法
7.1 探討敘述統計量 (Descriptive Statistics)
7.2 探討資料分佈
7.3 探討理論分佈
7.4 探討時序資料
第8章 探究變數之間的關係 – 假設檢定（Hypothesis Testing）、檢定三步驟、手法選擇、相關係數、效應大小（Effect Size）
8.1 比較兩個變數的數值
8.2 關於假設檢定的思維
8.3 研究兩個變數的相關性
第9章 解讀多變數資料
9.1 探索分析與多重檢定
9.2 變異數分析（Analysis of Variance）與多重比較
9.3 探究相關結構
9.4 分析方法整理
第10章 數學模型的要點
10.1 簡介數學模型
10.2 配合目標來建立模型
10.3 使用模型進行預測（Prediction）
第三篇 資料活用的相關知識
第11章 分析資料的陷阱
11.1 資料操作時容易遇到的陷阱
11.2 資料有限時容易遇到的陷阱
11.3 資料推論時容易遇到的陷阱
第12章 解讀資料的陷阱
12.1 分析結果的可信度
12.2 解讀資料的認知偏誤
第13章 運用資料的陷阱
13.1 依不同目標做出評估跟決策
13.2 獲取資料的實際考量
13.3 現實世界與資料分析的差異
