數(shù)據(jù)科學項目管理實踐

定　價：￥68.00

作　者：	[俄]基里爾·杜博爾科夫（Kirill Dubovikov）
出版社：	中國電力出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787519869762	出版時間：	2022-11-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書介紹了克服日常面臨的各種挑戰(zhàn)的實踐知識，以及各種數(shù)據(jù)科學解決方案，主要包括數(shù)據(jù)科學概論，機器學習模型測試，人工智能基礎(chǔ)，理想的數(shù)據(jù)科學團隊，數(shù)據(jù)科學團隊招聘面試，組建數(shù)據(jù)科學團隊，創(chuàng)新管理，管理數(shù)據(jù)科學項目，數(shù)據(jù)科學項目的常見陷阱，創(chuàng)造產(chǎn)品與提升可重用性，實施 ModelOps，建立技術(shù)棧和結(jié)論。本書的目標讀者是希望有效地引入數(shù)據(jù)科學工作流程以提升組織效率、改進業(yè)務(wù)的數(shù)據(jù)科學家、數(shù)據(jù)分析人員和項目主管。了解一些數(shù)據(jù)科學的基本概念有助于本書的閱讀。

作者簡介

　　Kirill Dubovikov擔任Cinimex DataLab的CTO。他在為俄羅斯頂級銀行設(shè)計和開發(fā)復(fù)雜軟件解決方案方面擁有10多年的經(jīng)驗?，F(xiàn)在，他領(lǐng)導(dǎo)公司的數(shù)據(jù)科學部門。他的團隊為全球企業(yè)提供實用的機器學習應(yīng)用程序。他們的解決方案涵蓋了廣泛的主題，例如銷售預(yù)測和倉庫計劃，用于IT支持中心的自然語言處理（NLP），算法營銷以及預(yù)測性IT運營。

圖書目錄

目錄
前言
第一部分什么是數(shù) 據(jù) 科學？
第 1 章數(shù)據(jù)科學概論· 2
1.1 人工智能定義 3
1.1.1 數(shù)據(jù)科學的定義 3
1.1.2 數(shù)據(jù)科學的影響 4
1.1.3 數(shù)據(jù)科學的局限 4
1.2 機器學習導(dǎo)論 5
1.2.1 機器學習模型提供的決策和洞見· 5
1.2.2 機器學習模型需要的數(shù)據(jù) 6
1.2.3 機器學習的起源 7
1.2.4 機器學習剖析 7
1.2.5 機器學習可解決的任務(wù)類型 8
1.3 深度學習導(dǎo)論 · 11
1.3.1 自然語言理解應(yīng)用· 12
1.3.2 探究計算機視覺 13
1.4 深度學習用例 · 16
1.5 因果推理導(dǎo)論 · 16
1.6 本章小結(jié) · 19
第 2 章機器學習模型測試 20
2.1 離線模型測試 · 20
2.1.1 模型誤差 20
2.1.2 誤差分解 21
2.1.3 技術(shù)度量指標 26
2.1.4 業(yè)務(wù)度量指標 32
2.2 在線模型測試 · 322.2.1 在線測試的意義 · 32
2.2.2 在線數(shù)據(jù)測試· 36
2.3 本章小結(jié) 36
第 3 章人工智能基礎(chǔ) 37
3.1 理解數(shù)學優(yōu)化 37
3.2 理解統(tǒng)計學 41
3.2.1 頻率學派的概率 · 42
3.2.2 條件概率 42
3.2.3 關(guān)于概率的貝葉斯觀點 · 44
3.2.4 分布 44
3.2.5 利用數(shù)據(jù)樣本計算統(tǒng)計量 · 45
3.2.6 統(tǒng)計建模 46
3.3 機器如何學習 48
3.4 探究機器學習 52
3.4.1 機器學習簡介· 52
3.4.2 線性模型 53
3.4.3 分類與回歸樹· 53
3.4.4 集成模型 54
3.4.5 聚類模型 56
3.5 探究深度學習 58
3.5.1 建立神經(jīng)網(wǎng)絡(luò)· 61
3.5.2 計算機視覺應(yīng)用 · 62
3.5.3 自然語言處理應(yīng)用 · 64
3.6 本章小結(jié) 69
第二部分項目團隊的組建與維持
第 4 章理想的數(shù)據(jù)科學團隊 71
4.1 數(shù)據(jù)科學團隊的角色 71
4.2 探究數(shù)據(jù)科學團隊的角色及其職責 74
4.2.1 案例 1：應(yīng)用機器學習防止銀行詐騙 74
4.2.2 案例 2：機器學習在零售公司的應(yīng)用 75
4.2.3 數(shù)據(jù)科學家的關(guān)鍵技能 · 774.2.4 數(shù)據(jù)工程師的關(guān)鍵技能 · 78
4.2.5 數(shù)據(jù)科學項目經(jīng)理的關(guān)鍵技能 · 79
4.2.6 開發(fā)團隊的支持 80
4.3 本章小結(jié) · 80
第 5 章數(shù)據(jù)科學團隊招聘面試 81
5.1 技術(shù)招聘面試的通病 · 81
5.1.1 發(fā)現(xiàn)不需要的候選者· 82
5.1.2 明確面試目的 84
5.2 將價值和倫理引入面試 · 85
5.3 面試設(shè)計 · 86
5.3.1 設(shè)計測試作業(yè) 87
5.3.2 不同數(shù)據(jù)科學角色的面試 · 90
5.4 本章小結(jié) · 92
第 6 章組建數(shù)據(jù)科學團隊 93
6.1 鑄就團隊靈魂（ Zen，禪） 93
6.2 領(lǐng)導(dǎo)力和人員管理 · 96
6.2.1 以身作則 96
6.2.2 發(fā)揮情境領(lǐng)導(dǎo)力（ situational leadership） 97
6.2.3 明確任務(wù) 99
6.2.4 感情移入（ empathy，共情） 100
6.3 培養(yǎng)成長型思維 101
6.3.1 團隊整體的成長 101
6.3.2 面向個體成長的持續(xù)學習 102
6.3.3 提供更多的學習機會 103
6.3.4 利用績效評價幫助員工成長 104
6.4 案例：創(chuàng)建數(shù)據(jù)科學部門 106
6.5 本章小結(jié) 108
第三部分數(shù)據(jù)科學項目的管理
第 7 章創(chuàng)新管理· 110
7.1 理解創(chuàng)新 110
7.2 大型組織為何屢屢失?。?1117.2.1 市場的游戲規(guī)則 111
7.2.2 開拓新市場 112
7.3 探究創(chuàng)新管理 112
7.3.1 案例： MedVision 的創(chuàng)新周期· 114
7.3.2 集成創(chuàng)新 · 116
7.4 銷售、營銷、團隊領(lǐng)導(dǎo)方式以及技術(shù) 117
7.5 大公司的創(chuàng)新管理 119
7.5.1 大公司的創(chuàng)新管理簡介 119
7.5.2 案例：零售業(yè)務(wù)的數(shù)據(jù)科學項目 120
7.6 初創(chuàng)公司的創(chuàng)新管理 121
7.7 發(fā)現(xiàn)項目想法 122
7.7.1 從業(yè)務(wù)發(fā)現(xiàn)想法 122
7.7.2 從數(shù)據(jù)發(fā)現(xiàn)想法 123
7.8 本章小結(jié) 127
第 8 章管理數(shù)據(jù)科學項目 128
8.1 理解數(shù)據(jù)科學項目的失敗 128
8.1.1 數(shù)據(jù)科學項目失敗的常見原因 128
8.1.2 數(shù)據(jù)科學管理方法 129
8.2 探究數(shù)據(jù)科學項目全生命周期 130
8.2.1 業(yè)務(wù)理解 · 130
8.2.2 數(shù)據(jù)理解 · 130
8.2.3 數(shù)據(jù)準備 · 131
8.2.4 建模 · 132
8.2.5 評價 · 133
8.2.6 部署 · 133
8.3 項目管理方法論的選擇 134
8.3.1 瀑布式管理 134
8.3.2 敏捷 · 135
8.3.3 Kanban · 135
8.3.4 Scrum 137
8.4 選擇適合項目的方法論 139
8.4.1 開展顛覆性創(chuàng)新 139
8.4.2 準備測試過的解決方案 1398.4.3 為客戶量身定制項目 139
8.5 估測數(shù)據(jù)科學項目 140
8.5.1 數(shù)據(jù)科學項目估測簡介 140
8.5.2 學會估測時間和成本 141
8.6 明確估測過程的目標 144
8.7 本章小結(jié) 144
第 9 章數(shù)據(jù)科學項目的常見陷阱· 145
9.1 規(guī)避數(shù)據(jù)科學項目的常見風險 145
9.2 推進研究項目 146
9.3 實施原型和最簡可行產(chǎn)品項目 147
9.3.1 原型和最簡可行產(chǎn)品開發(fā)簡介 147
9.3.2 案例：咨詢公司的最簡可行產(chǎn)品· 148
9.4 應(yīng)對實用型數(shù)據(jù)科學系統(tǒng)的風險 149
9.4.1 實用型數(shù)據(jù)科學系統(tǒng)風險及其解決方法 · 149
9.4.2 案例：將銷售預(yù)測系統(tǒng)投入應(yīng)用· 151
9.5 本章小結(jié) 152
第 10 章創(chuàng)造產(chǎn)品與提升可重用性 153
10.1 產(chǎn)品思維 153
10.2 確定項目所處階段 154
10.2.1 項目類型和所處階段的劃分 154
10.2.2 案例：服務(wù)平臺調(diào)度系統(tǒng)的開發(fā) 155
10.3 提高可重用性 156
10.4 尋找和開發(fā)產(chǎn)品 157
10.4.1 尋找和開發(fā)產(chǎn)品簡介 · 157
10.4.2 隱私問題· 158
10.5 本章小結(jié) 158
第四部分開發(fā)基礎(chǔ)環(huán)境的構(gòu)建
第 11 章實施 ModelOps· 160
11.1 認識 ModelOps 160
11.2 了解 DevOps 161
11.2.1 數(shù)據(jù)科學項目基礎(chǔ)系統(tǒng)的特殊需求 16111.2.2 數(shù)據(jù)科學交付流程· 162
11.3 管理代碼版本和質(zhì)量 · 163
11.4 存儲數(shù)據(jù)和代碼 · 164
11.4.1 數(shù)據(jù)跟蹤與版本化· 165
11.4.2 實際的數(shù)據(jù)存儲· 165
11.5 管理環(huán)境 · 167
11.6 追蹤實驗 · 168
11.7 自動測試的重要性 · 170
11.8 代碼打包 · 171
11.9 模型的持續(xù)訓(xùn)練 · 172
11.10 案例：開發(fā)預(yù)測維護系統(tǒng)的 ModelOps · 173
11.11 項目的動力源 177
11.12 本章小結(jié) 179
第 12 章建立技術(shù)棧 180
12.1 定義技術(shù)棧的要素 · 180
12.2 核心技術(shù)與項目專用技術(shù)的選擇 · 183
12.3 比較工具與產(chǎn)品 · 184
12.3.1 如何比較不同的工具與產(chǎn)品 · 184
12.3.2 案例：物流公司的需求預(yù)測 · 185
12.4 本章小結(jié) · 187
第 13 章結(jié)論 188
13.1 增進知識 · 189
13.2 本章小結(jié)