Para un data scientist comprender el aprendizaje de máquina y la ciencia de datos puede ser una tarea sencilla, ya que existen infinidad de cursos abiertos que pueden tomarse en línea. Sin embargo, la adquisición de un conocimiento profundo sobre un tema requiere de un esfuerzo adicional.
Por ejemplo, entender cómo funciona un random forest puede parecer pan comido, pero la comprensión de la lógica detrás de su funcionamiento requiere de esfuerzos adicionales.La confianza para cuestionar la lógica detrás de los algoritmos y su relevancia para el negocio o la investigación para la que se esté colaborando proviene de la lectura de libros.
Es en los libros en dónde el data scientist curioso desafía la lógica y se pregunta “¿Por qué no puedo hacerlo de otra manera?” Es entonces cuando estas personas descubren nuevas formas de ejecutar alguna tarea.Por lo anterior, hoy queremos compartirles una colección de libros que han marcado un aprendizaje profundo para nosotros, no sólo en temas estadísticos y técnicos, si no también en comprender KPIs relevantes para cada área estratégica del negocio y profundizar en los algoritmos aptos para resolver cuestionamientos o problemáticas del negocio.
Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die por Thomas H. Davenport (Prólogo), Eric Siegel (Autor)
Comenzaremos con un libro fascinante del experto Eric Siegel, en el cual revela el funcionamiento del análisis predictivo (también conocido como el aprendizaje de máquina) y cómo afecta a todos, todos los días. Más que un libro que se enfoca en el “cómo hacerlo” hands-on techies, el libro sirve a los lectores y expertos por igual cubriendo nuevos casos de estudio y las últimas técnicas de vanguardia.
La predicción es un boom, reinventa industrias y dirige el mundo. Las empresas, gobiernos, policía, hospitales y universidades están aprovechando este poder para predecir si las personas van a dar un clic, comprar, mentir o morir. ¿Por qué? Por una buena razón: predecir el comportamiento humano, combate el riesgo, aumenta las ventas, fortalece la salud, agiliza la fabricación, vence el spam, optimiza las redes sociales, endurece la lucha contra el crimen y gana las elecciones.
Sin duda un excelente libro para un data scientist, te lo recomendamos ampliamente.
Data Science for Business por Foster Provost (Autor), Tom Fawcett (Autor)
El segundo libro que queremos recomendarles es de los expertos en ciencia de datos Foster Provost y Tom Fawcett, en su libro Data Science for Business introducen los principales fundamentos de la ciencia de datos y guían al lector a través de “pensamiento analítico de datos” necesario para extraer conocimiento útil y valor comercial de los datos que se recopilan. Esta guía también ayuda a los lectores a comprender las técnicas de minería de datos que se utilizan actualmente.
Cabe mencionar que este libro está basado en un curso de MBA que Provost ha impartido durante los últimos diez años en la Universidad de New York. Data Science for Business ofrece ejemplos de problemas de negocios reales para ilustrar estos principios.
Este libro no sólo es una excelente guía para aprender a mejorar la comunicación entre las partes interesadas del negocio y los científicos de datos, sino también ofrece una directriz completa sobre cómo participar inteligentemente en proyectos de ciencia de datos dentro de la empresa.
Sin duda un libro esencial para un data scientist.
Doing Data Science por Rachel Schutt (Autor), Cathy O’neil (Autor)
El tercero en nuestra lista es el conocido libro Doing Data Science por Rachel Schutt y Cathy O’neil. Este libro profundiza en temas estadísticos y más técnicos, tales como:
Estadística inferencial, el análisis exploratorio de datos y el proceso de ciencia de datos
Algoritmos
Filtros de spam, Naive Bayes, y Data wrangling
Regresión logística
Modelos financieros
Motores de recomendación y causalidad
Visualización de datos
Redes sociales y periodismo de datos
Ingeniería de datos, MapReduce, Pregel y Hadoop
Si estás familiarizado con el álgebra lineal, la probabilidad y las estadísticas, y tienes experiencia en programación, este libro es una introducción ideal a la ciencia de datos.
Key Performance Indicators (KPI): The 75 measures every manager needs to know por Bernard Marr
Seguramente te estarás preguntando por que agregamos un libro de “negocios” a nuestra lista. Bien, tiene una razón lógica, este libro escrito por Bernard Marr debe ser leído por todos aquellos que contribuyen a la generación de indicadores para la toma de decisiones. Este libro te ayudará a enfocarte en las métricas que realmente importan para el negocio.
No olvidemos que la labor de un data scientist dentro de una empresa es contribuir al incremento o reducción, según sea el caso, de estos indicadores.
Key Performance Indicators es un libro esencial para profundizar en el entendimiento de cada uno de los indicadores clave, tanto financieros como no financieros, explicando cómo y cuándo deben ser utilizados, además proporciona una amplia biblioteca de KPIs para medir el rendimiento.
El libro presenta ejemplos de casos para mostrar la selección y el uso de los KPIs y proporciona herramientas como plantillas de selección de KPIs y preguntas clave de rendimiento para ayudarte a aplicar los KPIs apropiados de manera efectiva en el negocio.
Understanding Machine Learning por Shalev-Shwartz (Autor), Ben-David (Autor)
Por último, queremos recomendarte un libro técnico y ¿qué mejor que un libro de Machine Learning?
El aprendizaje de máquina es una de las áreas de más rápido crecimiento de las ciencias computacionales con aplicaciones de gran alcance. Este libro explica los principios detrás del enfoque del machine learning y las consideraciones subyacentes a su uso. Los autores explican el “cómo” y “por qué” de los algoritmos detrás del aprendizaje de máquina, haciendo que el campo sea accesible tanto a los estudiantes como a los profesionales.
Algunas de las opiniones expresadas en este artículo pueden ser las de un autor invitado y no necesariamente de Analytikus. Fuente: https://tec-ps.com/5-libros-data-scientist-leer/
