Много цифр. Анализ больших данных при помощи Excel

1. Джон Форман Много цифр. Анализ больших данных при помощи Excel 2. Введение 3. Что я здесь делаю? 4. Рабочее определение науки о данных 5. Но подождите, а как же большие данные? 6. Кто я? 7. Кто вы? 8. Никаких сожалений – только электронные таблицы 9. Условные обозначения 10. Итак, начнем 11. 1. Все, что вы жаждали знать об электронных таблицах, но боялись спросить 12. Немного данных для примера 13. Быстрый просмотр с помощью кнопок управления 14. Быстрое копирование формул и данных 15. Форматирование ячеек 16. Специальная вставка 17. Вставка диаграмм 18. Расположение меню поиска и замены 19. Формулы поиска и вывода величины 20. Использование VLOOKUP/ВПР для объединения данных 21. Фильтрация и сортировка 22. Использование сводных таблиц 23. Использование формул массива 24. Решение задач с помощью «Поиска решения» 25. OpenSolver: хотелось бы обойтись без него, но это невозможно 26. Подытожим 27. 2. Кластерный анализ, часть I: использование метода k-средних для сегментирования вашей клиентской базы 28. Девочки танцуют с девочками, парни чешут в затылке 29. Реальная жизнь: кластеризация методом k-средних в электронном маркетинге 30. K-медианная кластеризация и асимметрическое измерение расстояний 31. Подытожим 32. 3. Наивный байесовский классификатор и неописуемая легкость бытия идиотом 33. Называя продукт Mandrill, ждите помех вместе с сигналами 34. Самое быстрое в мире введение в теорию вероятности 35. Использование правила Байеса для создания моделирования 36. Да начнется Excel-вечеринка! 37. Подытожим 38. 4. Оптимизационное моделирование: этот «свежевыжатый апельсиновый сок» не смешает себя сам 39. Зачем ученым, работающим с данными, нужна оптимизация? 40. Начнем с простого компромисса 41. Свежий, из сада – прямо в стакан… с небольшой остановкой на модель смешивания 42. Моделируем риски 43. Подытожим 44. 5. Кластерный анализ, часть II: сетевые графы и определение сообществ 45. Что такое сетевой граф? 46. Визуализируем простой граф 47. Краткое введение в Gephi 48. Строим граф из данных об оптовой торговле вином 49. Числовое значение ребра: очки и штрафные в модулярности графа 50. Переходим к кластеризации! 51. Туда и обратно: история Gephi 52. Подытожим 53. 6. Бабушка контролируемого искусственного интеллекта – регрессия 54. Погоди, ты что – беременна? 55. Не обольщайтесь! 56. Определение беременных покупателей РитейлМарта с помощью линейной регрессии 57. Предсказание беременных покупателей РитейлМарта с помощью логистической регрессии 58. Дополнительная информация 59. Подытожим 60. 7. Комплексные модели: огромная куча ужасной пиццы 61. Используем данные из главы 6 62. Бэггинг: перемешать, обучить, повторить 63. Нужно еще сильнее! 64. Бустинг: если сразу не получилось, бустингуйте и пробуйте снова 65. Подытожим 66. 8. Прогнозирование: дышите ровно, выиграть невозможно 67. Торговля мечами начата 68. Знакомство с временной последовательностью данных 69. Медленный старт с простым экспоненциальным сглаживанием 70. Возможно, у вас есть тренд 71. Экспоненциальное сглаживание Холта с корректировкой тренда 72. Мультипликативное экспоненциальное сглаживание Холта – Винтерса 73. Подытожим 74. 9. Определение выбросов: выделяющиеся не значит важные 75. Выбросы тоже (плохие?) люди! 76. Захватывающее дело Хадлум против Хадлум 77. Ни в чем не ужасен, плох во всем 78. Подытожим 79. 10. Переходим от таблиц к программированию 80. Налаживаем контакт с R 81. Настоящая научная работа с данными 82. Подытожим 83. Заключение 84. Где я? Что случилось? 85. Перед тем как попрощаться 86. Подходите ко всему творчески и будьте на связи! 87. Благодарности 88. Сноски 89. 1 90. 2 91. 3