Veri Bilimi, görünmeyen kalıpları bulmak, anlamlı bilgiler türetmek, şirketlerde iş kararları vermek ve ayrıca ticari olmayan kurumlarda kullanmak için bilimsel yöntemler, süreçler, algoritmalar ve sistemler kullanarak büyük miktarda veriyi işleyen çalışma alanıdır. Ticari olmayan kurumlar Sağlık, Oyun, Görüntü Tanıma, Öneri Sistemleri, Lojistik, Dolandırıcılık Tespiti (bankacılık ve finans kurumları), İnternet Araması, Konuşma tanıma, Hedefli Reklamcılık, Havayolu Rota Planlaması ve Artırılmış Gerçeklik sektörlerini içerir. Veri Bilimi, Yapay Zekanın bir alt kümesidir. Analiz için kullanılan veriler birçok farklı kaynaktan gelebilir ve çeşitli formatlarda sunulur. Kaynak verilerin bazıları standardize edilmiş olabilir; diğerleri standardize edilmemiş olabilir.
Başka bir deyişle, verileri toplamak için farklı metodolojiler kullanılır (verinin çoğulu). Ardından, toplanan verilerden bilgi (değerli sonuçlar) çıkarılır. Bu süreçte, veriler toplandıktan sonra, problemlerin çözüleceği yeni veriler (sonuçlar) elde etmek için veriler (veriler) üzerinde araştırma yapılır.
Veri Bilimi (ana) bir disiplin olarak üniversitede Lisans ve Yüksek Lisans düzeyinde mevcuttur. Bununla birlikte, dünyadaki yalnızca birkaç üniversite Veri Bilimini Lisans veya Yüksek Lisans Derecesinde sunmaktadır. Lisans Derecesi düzeyinde, öğrenci Veri Bilimi alanında bir derece ile mezun olur. Bu genel amaçlı bir derece gibidir. Yüksek Lisans düzeyinde, öğrenci Veri Analitiği, Veri Mühendisliği veya Veri Bilimcisi olarak uzmanlaşmış Veri Biliminde Yüksek Lisans Derecesi ile ayrılır.
Okuyucuyu şaşırtabilir ve muhtemelen ne yazık ki Makine Öğrenimi, Modelleme, İstatistik, Programlama ve Veritabanları, kendi haklarına saygı duyulan üniversite dersleri olmasına rağmen, Veri Bilimini Lisans Derecesi düzeyinde incelemek için ön koşul bilgileridir. Lisans Derecesi veya Yüksek Lisans düzeyindeki diğer disiplinler. Bununla birlikte, bir öğrenci Veri Bilimi derece düzeyinde okumak için bir üniversiteye gittiğinde, tüm bu dersler Veri Bilimi için uygun derslerin yanında veya öncesinde çalışılacaktır.
Lisans Derecesi için Veri Bilimi veya Veri Analitiği, Veri Mühendisliği veya Veri Bilimcisi gibi uzmanlıkları hala geliştirilmektedir; halbuki bunlar (üniversitede) okuduktan sonra sanayide uygulanır hale geldiler. Veri Bilimi, genel olarak nispeten çok yeni bir disiplindir.
Uzman olmadan önce genelci olmanız gerektiğini unutmayın. Uzmanlık programları arasındaki ayrımlar henüz net değildir. Genel ve uzmanlık programları arasındaki ayrımlar henüz net değil.
Veri Bilimi nispeten yeni bir disiplin olduğundan, bu belgede belirtilen kitaplar pedagojiye (kitabın ne kadar iyi öğrettiği) değil, içerik kapsamına dayanmaktadır. Ve Lisans Derecesi (genel) programı içindir. Farklı genel kurslar var.
Liste
Daha fazla ayrıntı ve kredi kartıyla satın alma olasılığı için kitapların her biri için bir hiper bağlantı verilmiştir. Kitaplardan biri tüm genel kursları kapsamıyor.
Veri Bilimi için Temel Matematik: Analiz, İstatistik, Olasılık Teorisi ve Doğrusal Cebir
Senaryo: Hadrien Jean
- Yayıncı: Hadrien Jean
- Yayın Tarihi: 30 Eylül 2020 Sonrası
- Dil: İngilizce
- Sayfa Sayısı: 400'den fazla
Bu kitabın içeriği Veri Bilimi için matematik dersi olarak görülebilir. Veri Bilimini kendi kendine öğrenmesi tavsiye edilmese de, Veri Bilimini kendi kendine öğrenmek isteyen bir lise mezunu bu kitaptan başlamalıdır.
İçerik: Analiz; İstatistik ve Olasılık; Lineer Cebir; Skalerler ve Vektörler; Matrisler ve Tensörler; Açıklık, Doğrusal Bağımlılık ve Uzay Dönüşümü; Doğrusal Denklem Sistemleri; Özvektörler ve Özdeğerler; Tekil Değer Ayrışımı.
https://www.essentialmathfordatascience.com/
Veri Yapıları ve Algoritmalar İçin Sağduyulu Bir Kılavuz: Temel Programlama Becerilerinizi Seviyelendirin / 2. Baskı
Senaryo: Jay Wengrow
- Yayıncı: Pragmatik Kitaplık
- Yayınlanma Tarihi: 15 Eylül 2020
- Dil: İngilizce
- Boyutlar: 7,5 x 1,25 x 9,25 inç
- Sayfa Sayısı: 508
Bu kitap, Veri Biliminde kullanılan algoritmalar ve veri yapılarıyla ilgilidir. Birisinin liseden mezun olduktan sonra Veri Bilimini kendi başına öğrendiğini varsayarsak, bu, önceki matematik kitabını okuduktan sonra okunacak bir sonraki kitaptır. Örnek programlar JavaScript, Python ve Ruby'de verilmiştir.
İçerik: Veri Yapıları Neden Önemlidir; Algoritmalar Neden Önemlidir; O Evet! Büyük O Notasyonu; Big O ile Kodunuzu Hızlandırma; Büyük O Olan ve Olmayan Kodu Optimize Etme; İyimser Senaryolar için Optimizasyon; Gündelik Kodda Büyük O; Hash Tabloları ile Çarpıcı Hızlı Arama; Yığınlar ve Kuyruklarla Zarif Kod Hazırlama; Özyinelemeli Özyineleme; Yinelemeli Yazmayı Öğrenmek; Dinamik program; Hız İçin Yinelemeli Algoritmalar; Düğüm Tabanlı Veri Yapıları; İkili Arama Ağaçları ile Her Şeyi Hızlandırmak; Yığınlarla Önceliklerinizi Düz Tutmak; Denemek Zarar Vermez; Her Şeyi Grafiklerle Bağlamak; Alan Kısıtlamalarıyla Başa Çıkma; Kod Optimizasyonu Teknikleri
Akıllı Veri Bilimi: Kurumsal Düzeyde Veri ve Yapay Zeka Projeleriyle Başarılı Olmak / 1 st düzenleme
Senaryo: Neal Fishman, Cole Stryker ve Grady Booch
- Yayıncı: Wiley
- Yayınlanma Tarihi: 14 Nisan 2020
- Dil: İngilizce
- Sayfa Sayısı: 286
İçerik: AI Merdivenini Tırmanmak; Çerçeveleme Bölüm I: Yapay Zeka Kullanan Kuruluşlar İçin Dikkate Alınacak Hususlar; Çerçeveleme Bölüm II: Veriler ve Yapay Zeka ile Çalışmaya İlişkin Hususlar; Analitiklere Bir Bakış: Birden Fazla Çekiç; Analitikte İleriye Bakış: Her Şey Çivi Olamaz; Yapay Zeka Merdiveninde Operasyonel Disiplinlerin Ele Alınması; Verilerinizin Kullanımını Maksimize Etmek: Değer Odaklı Olmak; İstatistiksel Analiz ile Verilere Değer Vermek ve Anlamlı Erişim Sağlamak; Uzun Vadeli İnşa Etmek; Bir Yolculuğun Sonu: Yapay Zeka için bir İç Zeka.
Machine Learning: A Probabilistic Perspective (Uyarlanabilir Hesaplama ve Makine Öğrenimi serisi) Resimli Baskı
Senaryo: Kevin P.Murphy
- Yayıncı: MIT Press
- Yayın Tarihi: 24 Ağustos 2012
- Dil: İngilizce
- Boyutlar: 8,25 x 1,79 x 9,27 inç
- Sayfa Sayısı: 1104
Bu kitap yeni başlayanlar için iyidir. Yine, bu belgede belirtilen diğer tüm kitaplar gibi, bu kitap da ne yazık ki henüz tamamlanmamış olan (uzmanlık programları da henüz tamamlanmamıştır) genel program için gerekli olan her şeyi kapsamamaktadır. Buradaki tipik acemi, matematik ve bilgisayar bilimlerinde başarılı olan bir lise mezunudur.
İçerik: Giriş (Makine öğrenimi: ne ve neden?, Denetimsiz öğrenme, Makine öğrenimindeki bazı temel kavramlar); olasılık; Ayrık veriler için üretken modeller; Gauss modelleri; Bayes istatistikleri; Sık kullanılan istatistikler; Doğrusal regresyon; Lojistik regresyon; Genelleştirilmiş doğrusal modeller ve üstel aile; Yönlendirilmiş grafik modeller (Bayes ağları); Karışım modelleri ve EM algoritması; Gizli doğrusal modeller; Seyrek doğrusal modeller; çekirdekler; Gauss süreçleri; Uyarlanabilir temel fonksiyon modelleri; Markov ve gizli Markov modelleri; Durum uzayı modelleri; Yönlendirilmemiş grafik modeller (Markov rasgele alanları); Grafik modeller için kesin çıkarım; Varyasyonel çıkarım; Daha değişken çıkarım; Monte Carlo çıkarımı; Markov zinciri Monte Carlo (MCMC) çıkarımı; Kümeleme; Grafik model yapısı öğrenme; ayrık veriler için gizli değişken modelleri; Derin öğrenme.
İşletmeler İçin Veri Bilimi: Veri Madenciliği ve Veri Analitik Düşünme Hakkında Bilmeniz Gerekenler / 1. Baskı
Senaryo: Tom Fawcett ve Foster Provost
- Yayıncı: O'Reilly Media
- Yayın Tarihi: 17 Eylül 2013
- Dil: İngilizce
- Boyutlar: 7 x 0,9 x 9,19 inç
- Sayfa Sayısı: 413
İçerik: Veri-Analitik Düşünme; İş Sorunları ve Veri Bilimi Çözümleri; Tahmine Dayalı Modellemeye Giriş: Korelasyondan Denetimli Bölümlemeye; Veriye Model Uydurma; Aşırı Uyum ve Önlenmesi; Benzerlik, Komşular ve Kümeler; Karar Analitik Düşünme I: İyi Model Nedir?; Model Performansının Görselleştirilmesi; Kanıt ve Olasılıklar; Metnin Temsili ve Madenciliği; Karar Analitik Düşünme II: Analitik Mühendisliğe Doğru; Diğer Veri Bilimi Görevleri ve Teknikleri; Veri Bilimi ve İş Stratejisi; Çözüm.
https://www.amazon.com/Data-Science-Business-Data-Analytic-Thinking/dp/B08VL5K5ZX
Veri Bilimciler için Pratik İstatistikler: R ve Python Kullanan 50'den Fazla Temel Kavram / 2. Baskı
Senaryo: Peter Bruce, Andrew Bruce ve Peter Gedeck
- Yayıncı: O'Reilly Media
- Yayınlanma Tarihi: 2 Haziran 2020
- Dil: İngilizce
- Boyutlar: 7 x 0,9 x 9,1 inç
- Sayfa Sayısı: 368
İçerik: Keşifsel Veri Analizi, Veri ve Örnekleme Dağılımları, İstatistiksel Deneyler ve Önem Testi, Regresyon ve Tahmin, Sınıflandırma, İstatistiksel Makine Öğrenimi, Denetimsiz Öğrenme.
Neden Kitabı: Yeni Neden ve Sonuç Bilimi
Senaryo: Judea Pearl, Dana Mackenzie
- Yayıncı: Temel Kitap
- Yayınlanma Tarihi: 15 Mayıs 2018
- Dil: İngilizce
- Boyutlar: 6,3 x 1,4 x 9,4 inç
- Sayfa Sayısı: 432
Birçok Veri Bilimi kitabı örnek olarak saf iş endüstrisini kullanırken, bu kitap örnek olarak tıp endüstrisini ve diğer disiplinleri kullanır.
İçerik: Giriş: Verilere Önem Verin; Nedensellik Merdiveni; Korsanlardan Gine Domuzlarına: Nedensel Çıkarımın Doğuşu; Kanıttan Sebeplere: Rahip Bayes, Bay Holmes ile Buluşuyor; Karıştırma ve Kafa Karıştırma: Veya, Gizlenen Değişkeni Öldürmek; Duman Dolu Tartışma: Havayı Temizlemek; Bolca Paradoks!; Ayarlamanın Ötesinde: Müdahale Dağının Fethi; Karşı Olgusallar: Olabilecek Madencilik Dünyaları; Arabuluculuk: Bir Mekanizma Arayışı; Büyük Veri, Yapay Zeka ve Büyük Sorular.
Veri Biliminde Kariyer Oluşturun
Senaryo: Emily Robinson ve Jacqueline Nolis
- Yayıncı: Manning
- Yayınlanma Tarihi: 24 Mart 2020
- Dil: İngilizce
- Boyutlar: 7,38 x 0,8 x 9,25 inç
- Sayfa Sayısı: 354
İçerik: Veri Bilimine Başlarken; Veri Bilimi İşinizi Bulma; Veri Bilimine Yerleşmek; Veri Bilimi rolünüzde büyümek.
https://www.manning.com/books/build-a-career-in-data-science
Aptallar için Veri Bilimi / 2. Baskı
Senaryo: Lillian Pierson
- Yayıncı: Yeni Başlayanlar İçin
- Yayınlanma Tarihi: 6 Mart 2017
- Dil ingilizce
- Boyutlar: 7,3 x 1 x 9 inç
- Sayfa Sayısı: 384
Bu kitap, okuyucunun önceden gerekli matematik ve programlama bilgisine zaten sahip olduğunu varsayar.
İçerik: Veri Bilimini Anlamak; Veri Mühendisliği Ardışık Düzenlerini ve Altyapısını Keşfetmek; Veriye Dayalı Görüşleri İş Dünyasına ve Endüstriye Uygulamak; Makine Öğrenimi: Makinenizle Verilerden Öğrenme; Matematik, Olasılık ve İstatistiksel Modelleme; Verileri Alt Bölümlere Ayırmak İçin Kümelemenin Kullanılması; Örneklerle Modelleme; Nesnelerin İnterneti Cihazlarını Çalıştıran Modeller Oluşturma; Veri Görselleştirme Tasarımı İlkelerine Uyulması; Veri Görselleştirme için D3.js Kullanımı; Görselleştirme Tasarımı İçin Web Tabanlı Uygulamalar; Gösterge Tablosu Tasarımında En İyi Uygulamaları Keşfetmek; Konumsal Verilerden Harita Oluşturma; Veri Bilimi için Python Kullanımı; Veri Bilimi için Açık Kaynak R Kullanımı; Veri Biliminde SQL Kullanımı; Excel ve Knime ile Veri Bilimi Yapmak; Gazetecilikte Veri Bilimi: Beş W'yi (ve bir H'yi) Çivilemek; Çevresel Veri Bilimini Derinleştirmek; E-Ticarette Büyümeyi Sağlamak için Veri Bilimi; Suç Faaliyetlerini Tanımlamak ve Tahmin Etmek İçin Veri Bilimini Kullanma; Açık Veri için On Olağanüstü Kaynak; On Ücretsiz Veri Bilimi Aracı ve Uygulaması.
Devasa Veri Kümelerinin Madenciliği / 3 rd düzenleme
Senaryo: Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman
- Yayıncı: Cambridge University Press
- Yayınlanma Tarihi: 13 Şubat 2020
- Dil ingilizce
- Boyutlar: 7 x 1 x 9,75 inç
- Sayfa Sayısı: 565
Bu kitap aynı zamanda okuyucunun önceden gerekli matematik ve programlama bilgisine zaten sahip olduğunu varsayar.
İçerik: Veri Madenciliği; MapReduce ve Yeni Yazılım Yığını; MapReduce Kullanan Algoritmalar; Benzer Öğeleri Bulma; Madencilik Veri Akışları; Bağlantı Analizi; Sık Öğe Kümeleri; Kümeleme; Web'de Reklam; Öneri Sistemleri; Madencilik Sosyal Ağ Grafikleri; Boyutsal küçülme; Büyük Ölçekli Makine Öğrenimi.
Çözüm
Uzmanlık programları arasındaki ayrımlar henüz net değildir. Genel ve uzmanlık programları arasındaki ayrımlar da henüz net değil. Bununla birlikte, verilen kitap listesini okuduktan sonra okuyucu, veri analisti, veri mühendisliği ve veri bilimcinin özel rollerini daha iyi anlayacak ve daha sonra ilerleyecektir.