数据科学 – 第16页小小书 XXshu

数据之战

Tom Roberts在Unsplash上拍摄的照片亚历山大哭了，因为没有其他世界可以征服-Plutarch。先前的陈述是关于其原创性和“ who守者”的讨论。但是无论如何，它显示出古代战争的核心是什么。早在亚历山大时代，战争就在政治上和金钱上得到了政府的支持（如果可以说他们在当时被称为政府），过去曾分配了大量的士兵，其中大多数是愿意为自己的生命而牺牲的战士公民。指挥官和他的事业。在Plutarch的名言：土地中对此原因进行了解释。亚历山大大帝（Alexander）逝世几个世纪后，又一次受到战争的刺激，互联网作为一种通讯工具而出现，以在与苏联发生核战争的情况下保持美国领土之间的良好沟通。如今，世界各地发生了各种战争，主要是争夺黄金，钻石和石油等资源。此外，战争领导人一直在寻找有形资产，以便日后与对他们也有价值的东西交换。在本文中，我希望您考虑一下未来战争的主要动机。自从1995年互联网对我们所有人开放以来，它就成为了无休止的信息流。我在这里“单击”，在那儿“碰巧”，然后我的屏幕上出现了意粉通心粉的配料清单。魔法！好吧，在历史的这一点上，我们知道在“ WWW”世界幕后发生的事情并不是什么谜。这样，我们就可以访问海量信息，社会和企业每天也会大量产生这些信息。…

数据科学到底是什么？前微软/ FAANG数据科学家讲的

数据科学，是关于使用D3设计模型并创建出色的可视化效果吗？并不是的。至少，这不是您的目标。但不要相信我们。最近，我们在YouTube上找到了由YouTube频道叫Joma创建的精彩频道。 Joma的全名是Jonathan Ma，他曾在多家大型科技公司工作，包括微软和FAANG。他将在视频中详细介绍这一点。但是，仅是总结一下他所谈论的内容。数据科学是关于用数据影响您的业务。现在，这是否经常需要模型和可视化。是。但是，当您专注于工具时，就不会专注于尝试构建的内容。解决实际的公司问题并不总是需要最新的技术。现在，我知道，其中的一些人可能会感到沮丧。 “不，您不了解，数据科学是一个研究职位。它总是需要博士学位。您必须了解8种不同的编程语言，并且至少具有统计学硕士学位，并且至少撰写了10篇研究论文。”…

四边形可以做的5件事

随着数据的爆炸式增长，拥有能够以新颖的方式帮助解释信息的工具变得至关重要。有很多工具可以帮助您做到这一点。但是，有些学习曲线陡峭，需要开发技能和实践。 Quadrigram不需要任何编程技能，其目的是使您尽快启动并运行故事。您可以在Quadrigram中完成五件事。 1.格式化Google云端硬盘中的表格在Quadrigram中创建帐户时，编辑器会创建一个单独的文件来帮助存储您的所有数据。这样一来，您就可以在需要时轻松获取文件，而无需在桌面上不断查找文件。使用Google驱动器的优点是，它还使您有机会格式化数据表，而不必更改文件。这是极大的便利。 2.创建数据透视表 Quadrigram的另一个功能是能够在编辑器中创建数据透视表。公式功能使用户可以管理和过滤文件中的数据。这包括数据透视表，这些数据透视表允许通过选择要查看的列和行字段以各种方式浏览数据。 3.添加用户互动与excel和其他数据可视化程序不同，Quadrigram是专为数字时代设计的网络产品。它提供的功能使用户可以单击数据故事并与之交互，从而获得独特的用户体验。控件菜单中有多种选项，包括列表，下拉列表和其他交互功能。…

机器学习的故事（第1章：幻觉）

这是从Layman，Mathematician和Coding的角度解释机器学习的系列文章的开始。目标读者是想要了解机器学习理论，背后的数学以及如何使用Python语言实际实现的任何人。这将通过有关家庭及其互动的故事来解释。所以，享受故事吧！这个故事是关于诺克斯，妻子艾娃（Ava），女儿莉莎（Lisa）和儿子卡特（Karter）的。关于诺克斯及其家人的一些背景。诺克斯现年48岁，是一名机器学习工程师，他的妻子Ava是45岁的家庭主妇，他的女儿Lisa是23岁的数学家，儿子Karter是21岁的Python程序员。幻觉：我不认为这意味着您的想法有一天，诺克斯一家人共进晚餐，一边享用可爱的沙拉，肉和新鲜汉堡，一边阿娃突然想起今天在看电视时，她在新闻频道中听到“机器学习是目前最热门的工作”，这使她感到好奇因为她知道Knox目前正在担任机器学习工程师。她转向诺克斯，问他机器学习到底是什么？您正在学习机器还是机器正在学习您？机器将来是否会像《终结者》电影那样杀死所有人？这些问题也使Lisa和Karter感到好奇，因为他们也很清楚机器学习的炒作，他们自己也想了解机器学习。诺克斯笑了笑，说：“我不认为这意味着您认为的含义”。让我告诉你我的意思。许多人认为机器学习仅意味着构建像人类一样具有意识的机器人。许多人还倾向于相信它会神奇地解决任何组织或宇宙所存在的所有问题。 ML似乎以某种方式代表魔术学习而不是机器学习。…

古腾堡计划中的书籍联系

拿起书，开始阅读。 Gutenberg项目是一个开源项目，其成员将图书数字化。迄今为止，已经数字化了超过53,000本书。在较早的分析中，我展示了有关目录的一些一般见解。在这篇文章中，我将进行更深入的分析。我将1.）为每本书的复杂度计算统计量，并2.）使用k-means聚类算法简要介绍最大的主题类。推荐器引擎可以使用来自1.）的结果来建议具有相似程度的复杂性的标题，以及来自2.）的结果来基于标记的主题来建议相似的标题。 2016年，核物理研究所的波兰研究人员在经典文献中发现了复杂的分形图案。分形是复杂的模式，在不同尺度上是自相似的。通过在不断进行的反馈循环中反复重复一个简单的过程来创建它们。股票图，海岸线或实际上是书籍就是很好的例子。那么为什么书可以通过数学来描述呢？…

原因是什么？

如果您对因果推理感兴趣，您可能曾经想过一次甚至是什么原因？答案很复杂，因为它不是真正的科学，而是哲学。甚至哲学家也不确定。但是，如果您想了解哲学家对因果的看法，“ 因果关系： Stephen Mumford（@SDMumford）和Rani Lill Anjum（@ranilillanjum）的简短介绍”是一个很好的起点。本文是卡通形式的非常简短介绍的摘要。它以Twitter线程开始，您可以在这里阅读：https://twitter.com/EpiEllie/status/1041369701996265474 因果关系：Stephen Mumford和Rani Lill…

关于自学的思考

信用：快门 “自学是一种新兴的学习形式，由于在线学习资源的可用性而出现。自我学习使您可以在需要时学习想要的内容以及想要的方式。您推动了学习过程，这往往比指导性学习更有效 ” – 更加光明的星期一数小时的Udemy视频，简短的互动式DataCamp课程，全面的Coursera课程，技术教科书，学术文章以及一些（毫不羞耻的）谷歌搜索：’D 这就是那些人的生活，他们承认，尽管正规教育永远不会被忽视，而且从自身的角度来看是有益的，但是学习永远不会停止，应该纳入个人的连续工作计划中。除了可以避免的费用外，自主学习已被证明是有效，方便和快速的。我还发现，它建立了强大的性格，纪律和主动支配自己事业的能力。由于缺乏正规教育，如果我的申请在求职网站上被忽视，我通常会通过与公司和初创企业的直接电子邮件联系来申请工作。因此，出现了以下情况：信用：vanna.com 我最近参加了长达1小时30分钟的艰苦采访。这份简报推断这将是一次短短的30分钟的“开心运气”，“结识您”的采访，但事实证明这是技术性的，令我惊讶。我以为我没有为这样的采访做足够的准备，但实际上我是不对的。通过这次密集的访谈，我可以证明自主学习的有效性。…

大数据世界的错位

您是否想知道是什么吸引了您进入您的职业/学习道路？众所周知，数据科学被评为最性感的工作 21世纪。其次是从事该职业的人数激增。我本人是千禧一代，所以在读完这则新闻后也被它吸引了。对我而言，不幸的是，发生在我完成大学一年级学习商务管理课程之后。不合身？（此外，有趣的事实：我在理科就读高中）。因此，当我在大学第二年的新学院之一正在查询我们的兴趣时，在众多CFA和MBA追求者中，我站着。我说我想将来继续攻读统计学/分析学或相关领域的硕士学位。绝对是不合适的。我读了无数关于该性别歧视行业及其组成的文章。由此，我发现这是计算机科学，数学和领域专业知识不同应用的真正异常融合。特别是，它的两个应用对我最有吸引力：用数据讲故事 –尽管已经有一段时间了，但借助数据讲故事的艺术的美学性和互动性使我特别着迷。我最喜欢的之一是R2D3…

华盛顿特区的讲故事的人是谁？

不断发展的清单，其中列出了如何讲述数据的故事讲故事的新方法随着数据科学作为一个行业（以及流行语）的发展，数据故事讲述的机会也随之增长。作为这个不断发展的社区的成员，我们有责任关注讲故事的人。我们有责任了解知识，多样性和可访问性方面的差距。我们有机会揭开局势，讲一个不同的故事。因此，我在这里向希望在华盛顿特区地区推广和推广这种叙事的人们分享一些资源。（请参阅！？地理和经济限制！）这可能是一个不断发展的列表，是的，让我们记住，我只做了几周，所以该列表可能对其他初学者非常有用： Gayta Science是一个在线资源，可将推广活动带到lgbtq +社区，以了解参与人员在不同层次上的参与情况。盖塔科学他们的创始人凯尔西·坎贝尔（Kelsey Campbell）也是推特上的坏蛋， Raquel Breternitz是一位对可及性有最好哲学的设计师。如果您还没有听说过她，那么应该。显然，如果您尚未完成metup.com的工作，则强烈建议您这样做。…

使用K均值聚类的股票精选

免责声明：我没有任何这些股票的归属，我也不是股票分析师。投资前请尽职调查！ TLDR：想挑选最好的股票进行投资。使用K-means聚类过滤出获胜组。发现了一组表现出色的57只股票。作为一名金融专业的毕业生，我想充分利用自己的资金，即投资股票市场以获得比银行利率更高的回报。让我感到困扰的是：我应该投资哪些股票？我知道我必须做自己的尽职调查，并仔细阅读公司的财务报表，而不要读什么，但是我应该从哪家公司开始呢？考虑到这一点，我想利用我的数据科学知识来缩小对获胜股票的搜索范围。我计划通过对相似的股票进行分组来使用聚类技术，并希望能够筛选出表现较好的股票。顾名思义，聚类算法旨在分割数据集并将相似的数据点分组在一起。摘要我在数据集上应用了K均值聚类，最终结果非常令人满意。在2012年至2018年期间，我设法将选股范围从1300只股票（纽约证券交易所和纳斯达克股票）缩小到57只股票，这些股票的平均年收益率为24％，相差5％。…