16+
текст

Объем 340 страниц

2021 год

16+

Другие версии

1 книга
Роман с Data Science. Как монетизировать большие данные

Роман с Data Science. Как монетизировать большие данные

текст
4,5
24 оценки
399
550 ₽
Подарите скидку 10%
Посоветуйте эту книгу и получите 55,01 ₽ с покупки её другом.

О книге

Как выжать все из своих данных? Как принимать решения на основе данных? Как организовать анализ данных (data science) внутри компании? Кого нанять аналитиком? Как довести проекты машинного обучения (machine learning) и искусственного интеллекта до топового уровня? На эти и многие другие вопросы Роман Зыков знает ответ, потому что занимается анализом данных почти двадцать лет. В послужном списке Романа – создание с нуля собственной компании с офисами в Европе и Южной Америке, ставшей лидером по применению искусственного интеллекта (AI) на российском рынке. Кроме того, автор книги создал с нуля аналитику в Ozon.ru.Эта книга предназначена для думающих читателей, которые хотят попробовать свои силы в области анализа данных и создавать сервисы на их основе. Она будет вам полезна, если вы менеджер, который хочет ставить задачи аналитике и управлять ею. Если вы инвестор, с ней вам будет легче понять потенциал стартапа. Те, кто «пилит» свой стартап, найдут здесь рекомендации, как выбрать подходящие технологии и набрать команду. А начинающим специалистам книга поможет расширить кругозор и начать применять практики, о которых они раньше не задумывались, и это выделит их среди профессионалов такой непростой и изменчивой области. Книга не содержит примеров программного кода, в ней почти нет математики.В формате PDF A4 сохранен издательский макет.

Супер. Книга хороша для своей области, но и область она заняла довольно необычную. Скорей всего она там одна.


Почитал я тут отзывы…

"Только вот про DS останется брошюрка страниц на десять, не больше"

Это вообще не о технических моментах DS книга. Она скорее для управленцев, наверно. Ну или для сеньеров, которые техмоменты и так все знают, а вот организационные и концептуально-организационные моменты, которые нигде в-общем-то не найдешь, эта кника предлагает.


Вообще книга для адекватного восприятия требует некоторой взрослости, чтоли, жизненного опыта, промышленного опыта и/или опыта в бизнесе. Тогда некоторые вещи, который пропустит и даже не заметит чисто технарь и узкий специалист, или молодой студент – для человека с набитыми шишками будет ценными и нетривиальными мыслями, ну или гипотезами на проверку.

Например:


"Мне этот опыт много дал – прежде всего я помогал компаниям, не отвлекаясь на корпоративные детали и бюрократию, как было бы, работай я в штате."


Здесь скрыто сразу несколько утверждений и зацепок для идей, но увидеть их может только человек с опытом. Причем утверждений довольно, ну, не то что «необычных», а «не попсовых», скажем так. Т.е. про них не скажешь что это вода, очевидные вещи, и «все так говорят» и вообще «капитан очевидность» – скорее наоборот: некоторые утверждения вызывают реакцию «да ладно! надо проверить! неужели это так?! а ведь и правда, что-то в этом есть!»


Это принципиально иной подход.

Я не совсем целевая аудитория и узнал не так много нового из этой книги. Тем не менее, она оказалась довольно полезной в том, что позволила посмотреть чужими глазами на те проблемы, с которыми я сталкиваюсь на работе. Обычно это узнаешь при общении с коллегами или из статей, а тут целая книга. И несколько интересных идей я отсюда все же почерпнул.


В книге действительно рассмотрены почти все аспекты работы отдела аналитики в компании: какие задачи стоят, какие инструменты используются, кто и как с этим всем работает, чего можно ждать и как выращивать.

Какие-то вещи я бы подал немного иначе, с чем-то я не согласен, но во всей книге я не встретил каких-то оторванных от реальности вещей. Чувствуется, что автор собрал не одни грабли на пути от начала карьеры в аналитике и до написания этой книги.


Я бы точно порекомендовал эту книгу руководителям, которые еще не имели опыта работы с аналитикой за пределами базовых инструментов вроде таблиц в экселе.

Я бы порекомендовал эту книгу аналитикам, которые уже набрались профессионального опыта, но еще не очень понимают роль аналитики в бизнесе.

И я бы порекомендовал эту книгу людям, которые уже обладают каким-то опытом и пониманием того, как работает бизнес, но только собираются заняться аналитиков

Книга хороша тем, что автор делится собственным опытом, а опыт, порой, ценнее пространных теоретических разглагольствований. Книга полезна для людей, которые только входят в тему Data Science. Плюс конкретные вещи из Data Science.

Я не совсем целевая аудитория и узнал не так много нового из этой книги. Тем не менее, она оказалась довольно полезной в том, что позволила посмотреть чужими глазами на те проблемы, с которыми я сталкиваюсь на работе. Обычно это узнаешь при общении с коллегами или из статей, а тут целая книга. И несколько интересных идей я отсюда все же почерпнул.


В книге действительно рассмотрены почти все аспекты работы отдела аналитики в компании: какие задачи стоят, какие инструменты используются, кто и как с этим всем работает, чего можно ждать и как выращивать.

Какие-то вещи я бы подал немного иначе, с чем-то я не согласен, но во всей книге я не встретил каких-то оторванных от реальности вещей. Чувствуется, что автор собрал не одни грабли на пути от начала карьеры в аналитике и до написания этой книги.


Я бы точно порекомендовал эту книгу руководителям, которые еще не имели опыта работы с аналитикой за пределами базовых инструментов вроде таблиц в экселе.

Я бы порекомендовал эту книгу аналитикам, которые уже набрались профессионального опыта, но еще не очень понимают роль аналитики в бизнесе.

И я бы порекомендовал эту книгу людям, которые уже обладают каким-то опытом и пониманием того, как работает бизнес, но только собираются заняться аналитикой.

Пытаюсь дочитать книгу до конца уже второй раз. Общее впечатление: ожидала большей структурированности, вычитанного текста.

Из минусов: ощущение, что книгу не писали, а надиктовывали и затем просто расшифровали и так выпустили, вообще без редактуры. Читается неприятно. 150 упоминаний про «когда я работал там-то» – в чем польза этой информации? Пример из текста: «Лично у меня идея такого бизнеса зародилась во время работы в компании Wikimart.ru» – и?

"Совсем недавно мне нужно было нанять двух человек: инженера по данным и аналитика данных. Как вы думаете, на какую вакансию откликнулось больше кандидатов? Задам еще один вопрос: кого у нас в стране больше – гитаристов или барабанщиков? Я трижды играл на шоу #ROCKNMOB – это такой масштабный флешмоб для музыкантов-любителей: собирается толпа вокалистов, басистов, гитаристов и ударников, и банда из трех сотен человек пилит рок-хиты, от Queen до Rammstein. На одно из шоу было заявлено 27 ударников и 151 гитарист. Эта статистика более-менее отражает распределение сил в природе: парень с гитарой – это сексуальный архетип (я уже написал, что играю на электрогитаре?), и выглядит он всегда круче барабанщика. А еще гитару купить проще, чем барабанную установку. Инженеры по данным проигрывают аналитикам в еще более грустной пропорции: 95 % откликов приходит на вакансию data scientist. Они прямо как гитаристы! При этом большинство имеют крайне низкую квалификацию и очень скромный послужной список, но чувствуют себя опытными «сержантами». В этом тоже виноват хайп!" – лол, што это?))

Из плюсов: если продраться через специфический стиль текста, то полезная инфа есть.

Оставьте отзыв

Войдите, чтобы оценить книгу и оставить отзыв

Описание книги

Как выжать все из своих данных? Как принимать решения на основе данных? Как организовать анализ данных (data science) внутри компании? Кого нанять аналитиком? Как довести проекты машинного обучения (machine learning) и искусственного интеллекта до топового уровня? На эти и многие другие вопросы Роман Зыков знает ответ, потому что занимается анализом данных почти двадцать лет. В послужном списке Романа – создание с нуля собственной компании с офисами в Европе и Южной Америке, ставшей лидером по применению искусственного интеллекта (AI) на российском рынке. Кроме того, автор книги создал с нуля аналитику в Ozon.ru.

Эта книга предназначена для думающих читателей, которые хотят попробовать свои силы в области анализа данных и создавать сервисы на их основе. Она будет вам полезна, если вы менеджер, который хочет ставить задачи аналитике и управлять ею. Если вы инвестор, с ней вам будет легче понять потенциал стартапа. Те, кто «пилит» свой стартап, найдут здесь рекомендации, как выбрать подходящие технологии и набрать команду. А начинающим специалистам книга поможет расширить кругозор и начать применять практики, о которых они раньше не задумывались, и это выделит их среди профессионалов такой непростой и изменчивой области. Книга не содержит примеров программного кода, в ней почти нет математики.


В формате PDF A4 сохранен издательский макет.

Книга Романа Зыкова «Роман с Data Science. Как монетизировать большие данные» — скачать в fb2, txt, epub, pdf или читать онлайн. Оставляйте комментарии и отзывы, голосуйте за понравившиеся.
Возрастное ограничение:
16+
Дата выхода на Литрес:
15 июня 2021
Последнее обновление:
2021
Объем:
340 стр. 68 иллюстраций
ISBN:
978-5-4461-1879-3
Правообладатель:
Питер
Формат скачивания:
epub, fb2, fb3, ios.epub, mobi, pdf, txt, zip