Пройти книгу "Doing Data Science"
На 23 февраля этого года Люба сделала мне отличный сюрприз, подарив эту книгу. И это было очень уместно, т.к. я как раз уже искал работу в области Data Science.
Я начал читать книгу, но на первом же серьезном упражнении отложил её "до лучших времён", оправдывая свою лень нехваткой времени и еще чем-то.
Так вот сейчас, когда я наконец-то нашел должность Data Scientist Consultant, самое время эту книгу хорошенько проработать. Ведь найти работу - это еще пол-дела. Надо теперь там хорошо себя показать, чтобы пройти испыттельный срок. Да и просто для себя всегда хочется лучше разбираться.
До вступления на новую должность (29 июня) остается 2 недели. Вполне реально успеть пройти книгу, но надо не халтурить.
Поехали!
Goal Accomplishment Criteria
Дочитал книгу и выполнил все упражнения
Personal resources
час свободного времени утром, немного в транспорте, и часа 2 вечером.
Goal ecological compatibility
Эта книга важна для моей новой профессии. Надо подготовиться. И нельзя бросать начатое.
- 
                    
                    1. Introduction: What Is Data Science?
- 
                    
                    exercise: Exploratory Data Analysis (EDA)
- 
                    
                    2. Statistical Inference, Exploratory Data Analysis, and the Data Science Process
- 
                    
                    exercise: Real Direct Data Strategy
- 
                    
                    4. Spam Filters, Naïve Bayes, and Wrangling
- 
                    
                    3. Algorithms
- 
                    
                    5. Logistic Regression
- 
                    
                    6. Time Stamps and Financial Modeling
- 
                    
                    7. Extracting Meaning From Data
- 
                    
                    8. Recommendation Engines: Building a User-Facing Data Product at Scale
- 
                    
                    9. Data Visualization and Fraud Detection
- 
                    
                    10. Social Networks and Data Journalism
- 
                    
                    11. Causality
- 
                    
                    12. Epidemiology
- 
                    
                    13. Lessons Learned from Data Competitions: Data Leakage and Model Evaluation
- 
                    
                    14. Data Engineering: MapReduce, Pregel, and Hadoop
- 
                    
                    15. The Students Speak
- 
                    
                    16. Next-Generation Data Scientists, Hubris, and Ethics
- 1682
- 13 June 2015, 15:35
Don't miss new posts!
Subscribe for the Goal and follow through to its completion
 
     
     
                         
				