Честный обзор его книги «Предиктивная аналитика».
Я закончил читать книгу Эрика Сигеля Предиктивная аналитика. И я должен сказать, что это было отличное чтение. Как я могу определить классную или отличную книгу? Книга, которая навсегда меняет ваше отношение. Вы не должны быть тем же человеком, которым были до того, как взяли в руки книгу. Это влияет на один или несколько аспектов вашей жизни: личные, финансовые, социальные, романтические, семейные или профессиональные. Кроме того, я читаю книгу только в том случае, если могу использовать то, что я узнал из нее. Я читаю это не только для того, чтобы чему-то научиться. Если книга должна быть у меня на столе, ее нужно сразу же практически использовать в одной из сфер моей жизни. Так что да, эта книга оказала большое влияние не только на мое профессиональное понимание науки о данных, но также помогла мне раскрыть мои интересы. Из книги нужно выучить две основные вещи. Первый - из пяти эффектов:
- Эффект предсказания
- Эффект данных
- Эффект индукции
- Эффект ансамбля
- Эффект убеждения
Не раскрывая идей книги, Эрик вложил в эти эффекты значительную часть своего опыта в области прогнозной аналитики. Эффект предсказания доказывает, что в бизнесе менее точный прогноз лучше, чем предположение. Эффект данных говорит о том, что у данных всегда есть что рассказать, и всегда есть чему поучиться. Эффект индукции доказывает, что машинное обучение движет именно искусством. Эффект ансамбля объясняет, как концепция синергии может быть полезна при прогнозировании. Эффект убеждения объединяет маркетинговые методы, бизнес-логику и A / B-тестирование. Вы можете подумать, что это все так просто, и вы это уже знаете, и, возможно, будете правы, если у вас нет десятилетнего опыта в области прогнозной аналитики. И вы еще можете узнать что-то новое из книги. Каждый эффект объясняется с помощью реальных бизнес-кейсов. Книга наполнена практическими бизнес-результатами, полученными от применения этих эффектов. Самым контрастным является то, что он был профессором в университете, но его стиль письма практичен, не академичен и ориентирован на бизнес-результаты.
Второе, чему я научился из книги, - это понимание самого предмета. Я прошел несколько курсов по науке о данных и написал короткие программы с использованием Pandas, NumPy и scikit-learn. Я построил несколько моделей машинного обучения и думал, что кое-что знаю. Я был неправ. Эта книга научила меня полезности машинного обучения в реальной жизни. Написание кода для создания, тестирования и оценки моделей - это не понимание машинного обучения. В этой книге дается подробное объяснение того, что такое машинное обучение. Существует даже более подробное объяснение деревьев решений без единой строчки кода. Это само по себе показывает, насколько Эрик понимает моделирование машинного обучения. Кроме того, здесь хорошо освещены такие важные темы, как корреляция не подразумевает причинно-следственную связь, чрезмерное усвоение моделей и почему разделение данных обучения и тестирования существует. Конечно, все это с реальными бизнес-кейсами. То, что выглядит как бизнес-риск, Эрик превращает его в возможность с помощью прогнозной аналитики. В книге нет ни одной страницы, где бы он терял фокус из-за использования прогнозной аналитики для решения бизнес-задач.
Мои профессиональные интересы навсегда изменились после прочтения книги. Теперь мне любопытно и очень интересно узнать и узнать больше о том, как машинное обучение выявляет финансовые мошенничества, как программу машинного обучения можно применить для решения маркетинговых или рекламных задач в бизнесе и как ее можно использовать в правоохранительных органах. Все это меня меньше всего интересовало до того, как я прочитал книгу. Я пропустил некоторые части книги, но, тем не менее, это был потрясающий опыт.
