Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki \ Biznes IT

Skazany na sukces. Kariera w Data Science Język: 1

978-83-283-7293-1

Cena Brutto: 79.00

Cena netto: 75.24

Ilość:
Wersja: Drukowana
Autor Jacqueline Nolis, Emily Robinson
Liczba_stron 360
Wydawnictwo Helion
Oprawa miękka
Data_Wydania 2021-04-13

Nauka o danych, zwana danologią, zyskuje na znaczeniu. Dane dla gospodarki są tym, czym dotąd były węgiel, stal i ropa naftowa. Umiejętność korzystania z wiedzy zawartej w danych decyduje o efektywności prowadzenia działalności gospodarczej i determinuje rozwój nowych modeli, rozwiązań i relacji gospodarczych. Już teraz specjaliści danolodzy są rozchwytywani na rynku pracy. Aby jednak w pełni i do końca wykorzystać pojawiające się możliwości, trzeba wiedzieć, w jaki sposób podejść do trudnego zagadnienia, jakim jest budowanie ścieżki kariery i podążanie nią w odpowiednim dla siebie tempie.


To praktyczny przewodnik, dzięki któremu łatwiej zdobędziesz pierwszą pracę związaną z badaniem danych, szybciej staniesz się cenionym specjalistą i w miarę rozwoju zawodowego będziesz coraz trafniej wychwytywać pojawiające się możliwości awansu i zmiany pracy na atrakcyjniejszą. Dowiesz się, jak zdobyć podstawowe umiejętności i jak faktycznie wyglądają konkretne stanowiska pracy. Opisano tu również, jak pomyślnie przejść przez proces rekrutacji i zaaklimatyzować się w nowych warunkach. Nie zabrakło cennych wskazówek dotyczących awansowania na stanowiska kierownicze. Jako danolog prędko się przekonasz, że zawarta tutaj wiedza nietechniczna jest bardzo potrzebna do osiągnięcia sukcesu na polu badania danych.


Dzięki tej książce dowiesz się, jak:

  • tworzyć świetne portfolio projektów z zakresu badania danych
  • wyszukiwać, oceniać i negocjować oferty
  • z klasą zmieniać miejsca pracy
  • wybierać i skutecznie realizować scenariusze kariery
  • poradzili sobie inni wybitni analitycy danych!

Danologia: nauka, pasja i sposób na życie!

    • Wstęp
    • Podziękowania
    • O niniejszej książce
      • Kto powinien przeczytać tę książkę
      • Jak zorganizowano strukturę tej książki (czyli jej mapa drogowa)
      • Forum dyskusyjne liveBook
    • O autorkach
      • O Emily Robinson
        • NAPISAŁA JACQUELINE NOLIS
      • O Jacqueline Nolis
        • NAPISAŁA EMILY ROBINSON
    • Część I. Rozpoczęcie przygody z badaniem danych
    • 1. Czym jest danologia?
      • 1.1. Czym jest danologia?
        • 1.1.1. Matematyka/statystyka
        • 1.1.2. Bazy danych/programowanie
        • 1.1.3. Zrozumienie biznesu
      • 1.2. Różne rodzaje prac związanych z badaniem danych
        • 1.2.1. Analiza
        • 1.2.2. Uczenie maszynowe
        • 1.2.3. Nauka o podejmowaniu decyzji
        • 1.2.4. Pokrewne prace
          • ANALITYK BIZNESOWY
          • INŻYNIER DANYCH
          • RESEARCHER
      • 1.3. Wybór swojej drogi
      • 1.4. Wywiad z Robertem Changiem, badaczem danych w Airbnb
        • Jak zaczęła się twoja podróż badacza danych?
        • Czego ludzie powinni szukać w pracy związanej z danologią?
        • Jakich umiejętności potrzeba, aby zostać badaczem danych?
        • Podsumowanie
    • 2. Firmy działające w obszarze danologii
      • 2.1. MTC potężna firma technologiczna
        • 2.1.1. Twój zespół jeden z wielu w MTC
        • 2.1.2. Technologia zaawansowana, ale obecna w firmie w systemie silosowym
        • 2.1.3. Zalety i wady pracy w MTC
      • 2.2. HandbagLOVE uznany sprzedawca detaliczny
        • 2.2.1. Twój zespół grupka ludzi walczących o rozwój
        • 2.2.2. Twoja technologia stos technologiczny, który zaczyna się zmieniać
        • 2.2.3. Wady i zalety pracy w HandbagLOVE
      • 2.3. Seg-Metra nowo powstały start-up
        • 2.3.1. Twój zespół (jaki zespół?)
        • 2.3.2. Technologia najnowsza, wewnętrznie spójna technologia
        • 2.3.3. Wady i zalety pracy w Seg-Metra
      • 2.4. Videory udany start-up technologiczny na późnym etapie rozwoju
        • 2.4.1. Zespół wyspecjalizowany, ale z przestrzenią do działania
        • 2.4.2. Technologia próby pokonania kodu odziedziczonego
        • 2.4.3. Zalety i wady pracy w Videory
      • 2.5. Global Aerospace Dynamics wielki dostawca rządowy
        • 2.5.1. Zespół danolog w morzu inżynierów
        • 2.5.2. Technologia stara, skostniała i wyposażona w blokadę bezpieczeństwa
        • 2.5.3. Zalety i wady pracy w GAD
      • 2.6. Podsumowanie
      • 2.7. Wywiad z Randym Au, specjalistą Googlea ds. badań ilościowych w zakresie doświadczenia użytkownika (ang. user experience)
        • Czy istnieją duże różnice pomiędzy dużymi a małymi firmami?
        • Czy istnieją różnice w zależności od branży, w jakiej działa dana firma?
        • Jaka jest twoja ostatnia rada dla początkujących badaczy danych?
        • Podsumowanie
    • 3. Zdobywanie umiejętności
      • 3.1. Uzyskiwanie tytułu zawodowego lub stopnia naukowego w zakresie danologii
        • 3.1.1. Wybór uczelni
        • 3.1.2. Dostanie się do programu akademickiego
        • 3.1.3. Podsumowanie kwestii tytułów zawodowych oraz stopni naukowych
      • 3.2. Przejście przez intensywny kurs
        • 3.2.1. Czego się nauczysz
          • UMIEJĘTNOŚCI
            • PROJEKTY
          • SIEĆ
        • 3.2.2. Koszt
        • 3.2.3. Wybór programu
        • 3.2.4. Podsumowanie intensywnych kursów danologicznych
      • 3.3. Zdobycie pracy z zakresu badania danych w swojej firmie
        • 3.3.1. Podsumowanie nauki w pracy
      • 3.4. Uczenie się na własną rękę
        • 3.4.1. Podsumowanie nauki na własną rękę
      • 3.5. Dokonanie wyboru
      • 3.6. Wywiad z Julią Silge, badaczką danych i programistką w RStudio
        • Zanim zostałaś badaczką danych, pracowałaś na uczelni. Jak zdobyte w środowisku akademickim umiejętności pomogły ci w danologii?
        • Po podjęciu decyzji o zostaniu badaczką danych w jaki sposób zaczęłaś nabywać nowych umiejętności?
        • Czy wiedziałaś, wkraczając do domeny badania danych, jaką pracę chciałabyś wykonywać?
        • Co poleciłabyś osobom, które chciałyby zdobyć umiejętności potrzebne do zostania badaczem danych?
        • Podsumowanie
    • 4. Tworzenie portfolio
      • 4.1. Tworzenie projektu
        • 4.1.1. Identyfikowanie danych i zadanie pytania
        • 4.1.2. Wybór kierunku
        • 4.1.3. Wypełnianie pliku README na GitHubie
      • 4.2. Założenie bloga
        • 4.2.1. Potencjalne tematy
        • 4.2.2. Logistyka
      • 4.3. Praca nad przykładowymi projektami
        • 4.3.1. Freelancerzy zajmujący się badaniem danych
          • PYTANIE
          • ANALIZA
          • PRODUKT KOŃCOWY
        • 4.3.2. Uczenie sieci neuronowej na podstawie kontrowersyjnych tablic rejestracyjnych
          • PYTANIE
          • ANALIZA
          • PRODUKT KOŃCOWY
      • 4.4. Wywiad z Davidem Robinsonem, danologiem
        • Jak zaczęła się twoja przygoda z blogowaniem?
        • Czy działalność publiczna przyniosła ci konkretne korzyści?
        • Czy są ludzie, którzy twoim zdaniem szczególnie skorzystaliby na działalności publicznej?
        • Jak zmieniał się z czasem twój pogląd na wartość działalności publicznej?
        • Jak powstają pomysły na posty dotyczące analizy danych?
        • Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych?
        • Podsumowanie
      • Zasoby do rozdziałów 1. 4.
        • Książki
        • Posty na blogu
    • Część II. Znalezienie pracy związanej z analizą danych
    • 5. Poszukiwania znalezienie odpowiedniej dla siebie pracy
      • 5.1. Znalezienie pracy
        • 5.1.1. Dekodowanie opisów
        • 5.1.2. Szukanie znaków ostrzegawczych
        • 5.1.3. Określanie swoich oczekiwań
        • 5.1.4. Uczestnictwo w spotkaniach
        • 5.1.5. Korzystanie z mediów społecznościowych
      • 5.2. Podejmowanie decyzji o tym, o jaką pracę się ubiegać
      • 5.3. Wywiad z Jesse Mostipak, rzeczniczką ds. rozwoju oprogramowania w Kaggleu
        • Jakie masz porady co do rozpoczęcia poszukiwania pracy?
        • Jak można zbudować swoją sieć kontaktów?
        • Co robić, gdy brak nam pewności, żeby odpowiadać na oferty pracy z zakresu badania danych?
        • Co byś powiedziała komuś, kto uważa, że nie spełnia wszystkich wymogów na to stanowisko?
        • Jaka będzie twoja ostatnia porada dla początkujących badaczy danych?
        • Podsumowanie
    • 6. Aplikowanie życiorysy i listy motywacyjne
      • 6.1. Życiorys podstawy
        • 6.1.1. Struktura
          • SEKCJA: DANE KONTAKTOWE
          • SEKCJA: DOŚWIADCZENIE ZAWODOWE
          • SEKCJA: WYKSZTAŁCENIE
          • SEKCJA: UMIEJĘTNOŚCI
          • SEKCJA: PROJEKTY W ZAKRESIE BADANIA DANYCH (OPCJONALNIE)
          • SEKCJA: PUBLIKACJE (OPCJONALNIE)
          • INNE SEKCJE
          • ZŁÓŻ TO W CAŁOŚĆ
        • 6.1.2. Zanurzenie się w szczegółach dotyczących doświadczenia zawodowego generowanie treści
      • 6.2. Listy motywacyjne podstawy
        • 6.2.1. Struktura
      • 6.3. Szycie na miarę
      • 6.4. Polecenie
      • 6.5. Wywiad z Kristen Kehrer, wykładowczynią i autorką kursów danologicznych
        • Ile razy, według twoich szacunków, przeredagowywałaś swój życiorys?
        • Jakie są częste błędy, które twoim zdaniem ludzie popełniają?
        • Czy dostosowujesz swoje CV do stanowiska, na które aplikujesz?
        • Jakie strategie polecasz do opisania stanowisk pracy w CV?
        • Jaką masz ostatnią radę dla początkujących danologów?
        • Podsumowanie
    • 7. Rozmowa kwalifikacyjna czego należy się spodziewać i jak sobie z tym poradzić
      • 7.1. Czego pragną firmy?
        • 7.1.1. Proces rozmowy rekrutacyjnej
      • 7.2. Krok 1. Wstępna rozmowa telefoniczna
      • 7.3. Krok 2. Rozmowa w siedzibie firmy
        • 7.3.1. Rozmowa na tematy techniczne
        • 7.3.2. Pytania behawioralne
      • 7.4. Krok 3. Analiza przypadku
      • 7.5. Krok 4. Rozmowa końcowa
      • 7.6. Oferta
      • 7.7. Wywiad z Ryanem Williamsem, doświadczonym analitykiem decyzyjnym w Starbucksie
        • Co trzeba zrobić, żeby świetnie wypaść na rozmowie o pracę?
        • Jak sobie radzisz w sytuacjach, gdy nie znasz odpowiedzi?
        • Co należy zrobić w przypadku, gdy odpowiedź spotka się z negatywną reakcją?
        • Czego na temat kandydatów nauczyło cię prowadzenie rozmów o pracę?
        • Podsumowanie
    • 8.Oferta co można zaakceptować
      • 8.1. Proces
      • 8.2. Otrzymanie oferty
      • 8.3. Negocjacje
        • 8.3.1. Co podlega negocjacji?
        • 8.3.2. Jak bardzo możesz negocjować
      • 8.4. Taktyki negocjacyjne
      • 8.5. Jak wybrać jedną spośród dwóch dobrych ofert pracy
      • 8.6. Wywiad z Brooke Watson Madubuonwu, starszą badaczką danych w ACLU
        • Co należy wziąć pod uwagę, oprócz wynagrodzenia, gdy rozważa się przyjęcie oferty?
        • Jakie są sposoby na przygotowanie się do negocjacji?
        • Co zrobić, kiedy mamy już jedną ofertę, ale nadal czekamy na inną?
        • Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych?
        • Podsumowanie
      • Zasoby do rozdziałów 5. 8.
        • Książki
        • Posty na blogach i kursy
    • Część III. Zadomowienie się w świecie badania danych
    • 9. Pierwsze miesiące w nowym miejscu pracy
      • 9.1. Pierwszy miesiąc
        • 9.1.1. Wdrożenie w dużej organizacji dobrze naoliwiona maszyna
        • 9.1.2. Wdrożenie w małej firmie. Jakie wdrożenie?
        • 9.1.3. Zrozumienie i ustalenie oczekiwań
        • 9.1.4. Znajomość własnych danych
      • 9.2. Stawanie się produktywnym pracownikiem
        • 9.2.1. Zadawanie pytań
        • 9.2.2. Budowanie relacji
      • 9.3. Jeśli jesteś pierwszym zatrudnionym badaczem danych
      • 9.4. Kiedy praca nie jest tym, co Ci obiecywano
        • 9.4.1. Charakter pracy jest okropny
        • 9.4.2. Środowisko pracy jest toksyczne
        • 9.4.3. Decyzja o odejściu z pracy
      • 9.5. Wywiad z Jarvisem Millerem, badaczem danych w firmie Spotify
        • Co cię zaskoczyło w twojej pierwszej pracy naukowej w dziedzinie danologii?
        • Z jakimi problemami się stykałeś?
        • Możesz nam opowiedzieć o jednym ze swoich pierwszych projektów?
        • Jaka byłaby twoja najważniejsza rada na kilka pierwszych miesięcy pracy?
        • Podsumowanie
    • 10. Przeprowadzanie skutecznej analizy
      • 10.1. Wniosek
      • 10.2. Plan analizy
      • 10.3. Przeprowadzenie analizy
        • 10.3.1. Importowanie i czyszczenie danych
        • 10.3.2. Eksplorowanie i modelowanie danych
          • STOSUJ OGÓLNE PODSUMOWANIA I PRZEKSZTAŁCENIA
          • WIZUALIZUJ DANE LUB TWÓRZ TABELE PODSUMOWUJĄCE
          • STWÓRZ MODEL W ZALEŻNOŚCI OD POTRZEB
          • POWTÓRZ
        • 10.3.3. Ważne punkty dotyczące eksplorowania i modelowania
          • SKONCENTRUJ SIĘ NA UDZIELENIU ODPOWIEDZI NA PYTANIE
          • STOSUJ PROSTE METODY ZAMIAST SKOMPLIKOWANYCH
          • ZASTANÓW SIĘ NAD WYKRESAMI SŁUŻĄCYMI DO EKSPLORACJI I TAKIMI, KTÓRYMI MOŻNA SIĘ PODZIELIĆ
          • BĄDŹ NIEUSTANNIE GOTOWY DO UDOSTĘPNIENIA SWOICH WYNIKÓW
          • JEDEN PRZYCISK GENERUJE CAŁY PRZEBIEG
      • 10.4. Odpowiednia otoczka
        • 10.4.1. Finalna prezentacja
        • 10.4.2. Kończenie pracy
      • 10.5. Wywiad z Hilary Parker, badaczką danych w Stitch Fix
        • W jaki sposób myślenie o innych ludziach pomaga w twoich analizach?
        • Jaką strukturę nadajesz swoim analizom?
        • Jakiego rodzaju korektę przeprowadzasz w ramach wersji ostatecznej?
        • Jak sobie radzisz z osobami proszącymi o wprowadzenie zmian do analizy?
        • Podsumowanie
    • 11. Wdrażanie modelu do środowiska produkcyjnego
      • 11.1. Czym w ogóle jest wdrożenie do środowiska produkcyjnego?
      • 11.2. Tworzenie systemu produkcyjnego
        • 11.2.1. Gromadzenie danych
        • 11.2.2. Budowa modelu
          • ZWRACANIE SZCZEGÓLNEJ UWAGI NA WYDAJNOŚĆ MODELU
          • BUDOWA PROSTEGO MODELU
        • 11.2.3. Serwowanie modeli przy użyciu interfejsu programowania aplikacji
        • 11.2.4. Budowa interfejsu programowania aplikacji
        • 11.2.5. Dokumentacja
        • 11.2.6. Testowanie
        • 11.2.7. Wdrażanie API
          • WDROŻENIE NA MASZYNIE WIRTUALNEJ
          • WDROŻENIE W KONTENERZE NA PLATFORMIE DOCKER
        • 11.2.8. Testy obciążeniowe
      • 11.3. Utrzymanie działającego systemu
        • 11.3.1. Monitorowanie systemu
        • 11.3.2. Ponowne trenowanie modelu
        • 11.3.3. Wprowadzanie zmian
      • 11.4. Na zakończenie
      • 11.5. Rozmowa z Heather Nolis, inżynierem zajmującym się uczeniem maszynowym w T-Mobile
        • Co oznacza bycie inżynierem zajmującym się uczeniem maszynowym w twoim zespole?
        • Jakie to było uczucie, gdy po raz pierwszy wdrażałaś fragment kodu do środowiska produkcyjnego?
        • Jeśli coś pójdzie nie tak w środowisku produkcyjnym, to co wtedy?
        • Jaka będzie twoja ostatnia rada dla danologów pracujących z inżynierami?
        • Podsumowanie
    • 12. Współpraca z interesariuszami
      • 12.1. Typy interesariuszy
        • 12.1.1. Interesariusze biznesowi
        • 12.1.2. Interesariusze inżynieryjni
        • 12.1.3. Korporacyjne kierownictwo
        • 12.1.4. Twój menedżer
      • 12.2. Współpraca z interesariuszami
        • 12.2.1. Zrozumienie celów interesariusza
        • 12.2.2. Ciągła komunikacja
        • 12.2.3. Bycie konsekwentnym
      • 12.3. Ustalanie priorytetów w pracy
        • 12.3.1. Praca zarówno innowacyjna, jak i wywierająca wpływ
        • 12.3.2. Praca, która nie jest innowacyjna, ale wciąż wywiera wpływ
        • 12.3.3. Praca innowacyjna, która jednak nie wywiera żadnego wpływu
        • 12.3.4. Praca, która ani nie jest innowacyjna, ani też nie wywiera żadnego wpływu
      • 12.4. Uwagi końcowe
      • 12.5. Wywiad z Sade Snowden-Akintunde, badaczką danych w Etsy
        • Dlaczego zarządzanie interesariuszami jest ważne?
        • Jak nauczyłaś się zarządzać interesariuszami?
        • Czy miałaś kiedyś problemy z interesariuszem?
        • Co młodzi badacze danych często robią źle?
        • Czy zawsze starasz się wyjaśniać techniczne aspekty danologii?
        • Jaka jest twoja ostatnia porada dla młodszych lub początkujących danologów?
        • Podsumowanie
      • Zasoby do rozdziałów 9. 12.
        • Książki
        • Blogi
    • Część IV. Twój rozwój w roli badacza danych
    • 13. Kiedy Twój projekt danologiczny kończy się niepowodzeniem
      • 13.1. Dlaczego projekty danologiczne kończą się niepowodzeniem
        • 13.1.1. Dane nie spełniają Twoich oczekiwań
        • 13.1.2. Brak sygnału w zakresie danych
        • 13.1.3. Utrata zainteresowania klientów
      • 13.2. Zarządzanie ryzykiem
      • 13.3. Co możesz zrobić, gdy Twój projekt kończy się niepowodzeniem?
        • 13.3.1. Co należy zrobić z projektem?
          • UDOKUMENTUJ WNIOSKI
          • PRZEMYŚL ZMIANĘ PRZEZNACZENIA PROJEKTU
          • ZAKOŃCZ PROJEKT (BIERZ NOGI ZA PAS)
          • KOMUNIKUJ SIĘ Z INTERESARIUSZAMI
        • 13.3.2. Radzenie sobie z negatywnymi emocjami
      • 13.4. Wywiad z Michelle Keim, dyrektorką ds. danologii i uczenia maszynowego w Pluralsight
        • Czy zdarzyło ci się doświadczyć porażki w swojej karierze?
        • Czy potrafisz rozpoznać sygnały ostrzegawcze przed rozpoczęciem projektu?
        • Czy firmy różnią się w sposobie podejścia do niepowodzeń?
        • Skąd wiesz, że projekt, który realizujesz, skończy się niepowodzeniem?
        • Jak pokonać strach przed porażką?
        • Podsumowanie
    • 14. Dołączenie do środowiska danologicznego
      • 14.1. Rozwijanie własnego portfolio
        • 14.1.1. Więcej wpisów na blogu
        • 14.1.2. Więcej projektów
      • 14.2. Uczestnictwo w konferencjach
        • 14.2.1. Radzenie sobie z lękiem społecznym
      • 14.3. Wystąpienia
        • 14.3.1. Poszukiwanie możliwości wystąpienia
        • 14.3.2. Przygotowanie
      • 14.4. Przyczynianie się do rozwoju otwartego oprogramowania
        • 14.4.1. Wkład w pracę innych ludzi
        • 14.4.2. Tworzenie własnego pakietu lub biblioteki
      • 14.5. Rozpoznawanie i unikanie wypalenia
      • 14.6. Wywiad z Renee Teate, dyrektor ds. danologii w HelioCampus
        • Jakie są główne korzyści płynące z działalności w mediach społecznościowych?
        • Co byś powiedziała ludziom, którzy mówią, że nie mają czasu na angażowanie się w życie społeczności?
        • Czy warto wytwarzać niewielką ilość treści?
        • Stresowałaś się publikacją pierwszego wpisu na blogu lub pierwszym przemówieniem?
        • Podsumowanie
    • 15. Jak odejść z pracy z wdziękiem
      • 15.1. Decyzja o odejściu
        • 15.1.1. Podsumuj swoje postępy w nauce
        • 15.1.2. Omów swoją sytuację z menedżerem
      • 15.2. Jak wygląda poszukiwanie pracy, kiedy masz już za sobą pierwszą pracę
        • 15.2.1. Decydowanie o tym, czego chcesz
        • 15.2.2. Rozmowa kwalifikacyjna
      • 15.3. Znalezienie nowej pracy w trakcie zatrudnienia
      • 15.4. Złożenie wypowiedzenia
        • 15.4.1. Rozważanie przyjęcia kontroferty
        • 15.4.2. Poinformowanie zespołu
        • 15.4.3. Ułatwienie przeprowadzenia zmiany
      • 15.5. Wywiad z Amandą Casari, menedżerem ds. technicznych w Googleu
        • Po czym poznać, że nadszedł czas na szukanie nowej pracy?
        • Czy kiedykolwiek rozpoczęłaś poszukiwania pracy i zdecydowałaś się jednak pozostać?
        • Widzisz ludzi, którzy zbyt długo wykonują tę samą pracę?
        • Czy można zmienić pracę zbyt szybko?
        • Jaka jest twoja ostatnia rada dla ambitnych i początkujących danologów?
        • Podsumowanie
    • 16. Wspinanie się po szczeblach kariery
      • 16.1. Ścieżka menedżerska
        • 16.1.1. Zalety bycia menedżerem
        • 16.1.2. Wady bycia menedżerem
        • 16.1.3. Jak zostać menedżerem
          • AWANSOWANIE W STRUKTURACH FIRMY
          • STWORZENIE SAMEMU NOWEGO ZESPOŁU
          • DOCHRAPANIE SIĘ KIEROWNICZEGO STANOWISKA W NOWEJ FIRMIE
      • 16.2. Ścieżka głównego danologa
        • 16.2.1. Zalety bycia głównym danologiem
        • 16.2.2. Wady bycia głównym danologiem
        • 16.2.3. Jak zostać głównym danologiem
      • 16.3. Zostanie niezależnym konsultantem
        • 16.3.1. Zalety bycia niezależnym konsultantem
        • 16.3.2. Wady bycia niezależnym konsultantem
        • 16.3.3. Jak zostać niezależnym konsultantem
      • 16.4. Wybór ścieżki
      • 16.5. Wywiad z Angelą Bassą, dyrektorką ds. danologii, inżynierii danych i uczenia maszynowego w iRobot
      • 16.5. Wywiad z Angelą Bassą, dyrektorką ds. danologii w iRobot
        • Jaka wygląda codzienna praca na stanowisku menedżerskim?
        • Jakie są oznaki tego, że należy przestać być szeregowym pracownikiem?
        • Czy musisz w końcu całkiem przestać wykonywać robotę szeregowego pracownika?
        • Jakiej rady udzieliłabyś komuś, kto chce zostać technicznym liderem, ale jeszcze nie jest na to gotowy?
        • Jaka jest twoja ostatnia rada dla początkujących i młodszych badaczy danych?
        • Podsumowanie
      • Zasoby dla rozdziałów 13. 16.
        • Książki
        • Blogi
    • Epilog
    • Dodatek Pytania z rozmów kwalifikacyjnych
      • D.1. Pisanie kodu i rozwój oprogramowania
        • D.1.1. FizzBuzz
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.1.2. Ustalenie, czy dana liczba jest liczbą pierwszą
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.1.3. Praca z programem Git
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.1.4. Decyzje dotyczące technologii
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.1.5. Często używane pakiety/biblioteka
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.1.6. R Markdown czy Jupyter Notebook
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.1.7. Kiedy należy pisać funkcje lub pakiety/biblioteki?
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.1.8. Przykład manipulowania danymi w R/Pythonie
          • PRZYKŁADOWA ODPOWIEDŹ W R
          • PRZYKŁADOWA ODPOWIEDŹ W PYTHONIE
          • NOTATKI
      • D.2. SQL i bazy danych
        • D.2.1. Rodzaje złączeń
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.2.2. Ładowanie danych do SQL-a
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.2.3. Przykładowe zapytanie SQL
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.2.4. Przykładowe zapytanie SQL ciąg dalszy
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.2.5. Typy danych
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
      • D.3. Statystyka i uczenie maszynowe
        • D.3.1. Pojęcia statystyczne
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.2. Wyjaśnij p-wartość
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.3. Wyjaśnij macierz błędów
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.4. Interpretacja modeli regresji
          • DANE WEJŚCIOWE DLA MODELU
          • WYWOŁANIE MODELU
          • DANE WYJŚCIOWE 1
          • DANE WYJŚCIOWE 2
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.5. Co to jest wzmocnienie?
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.6. Ulubiony algorytm
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.7. Szkolenie a dane z testów
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.8. Wybór funkcji
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.9. Wdrożenie nowego modelu
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.10. Zachowanie modelu
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.11. Projektowanie eksperymentów
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.12. Błędy w projektowaniu eksperymentów
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.3.13. Stronniczość danych z próby
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
      • D.4. Pytania behawioralne
        • D.4.1. Projekt, który wywarł największy wpływ
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.4.2. Niespodzianki w danych
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.4.3. Refleksje dotyczące poprzednich miejsc pracy
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.4.4. Gdy bardziej doświadczony pracownik się myli
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.4.5. Wymiana zdań z kolegami z zespołu
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.4.6. Trudne problemy
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
      • D.5. Łamigłówki
        • D.5.1. Szacowanie
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
        • D.5.2. Kombinatoryka
          • PRZYKŁADOWA ODPOWIEDŹ
          • NOTATKI
powrót
 
Produkty Podobne
Wprowadzenie do zarządzania operacjami i łańcuchem dostaw. Wydanie V
Skazany na sukces. Kariera w Data Science
Instrukcja obsługi projektu
Matematyka dla menedżerów. Wydanie II
Umiejętności analityczne w pracy z danymi i sztuczną inteligencją. Wykorzystywanie najnowszych technologii w rozwijaniu przedsiębiorstwa
Mikrousługi oparte na zdarzeniach. Wykorzystywanie danych w organizacji na dużą skalę
Lean management po polsku. Wydanie II
Alibaba. Jak Jack Ma stworzył chiński Amazon
Wojny w cyberprzestrzeni. Koncepcje, strategie i taktyki, dzięki którym przetrwasz i ocalisz swoją organizację
Stwórz jednorożca. Od idei po startup wart miliony. Wydanie II rozszerzone
Więcej produktów