Роман Зыков - Роман с Data Science. Как монетизировать большие данные [litres]

Мы получаем знания о жизни методом проб и ошибок: дети экспериментируют больше, а взрослые меньше. Точно так же организации, чтобы развиваться, нужно экспериментировать: генерировать идеи, проверять их на практике, получать результат и повторять этот цикл снова и снова, даже если результат не так хорош, как вы ожидали, и у вас опускаются руки. Не бойтесь неудач – именно через эксперименты происходят все улучшения.

Вы всегда можете связаться со мной через сайт поддержки книги https://topdatalab.ru/book или написать мне по адресу электронной почты rzykov@todatalab.ru. Буду рад ответить на ваши вопросы!

Список литературы для книги сделан в основном на ссылках. Спустя какое-то время часть ссылок перестает работать. Поэтому я сделал механизм поддержки работающих ссылок. Он построен на URL: http://topdatalab.ru/ref?link=[Номер ссылки]. Номер ссылки означает номер из списка литературы (например, для номера 1 – https://topdatalab.ru/ref?link=1). Если какая-то ссылка или QR-код в книге перестает работать и мне становится об этом известно, то я восстановлю ее работоспособность. Читателю для этого ничего делать не нужно, кроме как уведомить меня по email (rzykov@topdatalab.ru), что ссылка перестала работать.

1. Роберт Сапольски. «Биология добра и зла. Как наука объясняет наши поступки».

2. Письмо Amazon.com акционерам, 2015 год. https://www.dropbox.com/s/c2m4zvcv0bxqb6f/2015-Letter-to-Shareholders.PDF?dl=0

3. Письмо Amazon.com акционерам, 2016 год. https://blog.aboutamazon.com/company-news/2016-letter-to-shareholders

4. What is decision intelligence. https://towardsdatascience.com/introduction-to-decision-intelligence-5d147ddab767

5. Focus on decisions not outcomes. https://towardsdatascience.com/focus-on-decisions-not-outcomes-bf6e99cf5e4f

6. В России очень низкая смертность от коронавируса. Как ее считают? https://www.bbc.com/russian/news-52641008

7. Understanding Decision Fatigue. https://topdatalab.ru/ref?link=7

8. Саша Сулим, «Безлюдное место. Как ловят маньяков в России».

9. «Building Data Science Teams» by DJ Patil. https://www.dropbox.com/s/9scdtqmi8k2lb5y/Building%20Data%20Science%20Teams.pdf?dl=0

10. What’s the difference between analytics and statistics? https://towardsdatascience.com/whats-the-difference-between-analytics-and-statistics-cd35d457e17

11. «Поиск причин проблем». https://multithreaded.stitchfix.com/blog/2016/03/23/debunking-narrative-fallacies/

12. «Атака на АБ-тест: рецепт ‘R’+t(101)+’es46». https://habr.com/ru/company/retailrocket/blog/330012/

13. Измеряйте самое важное. Как Google, Intel и другие компании добиваются роста с помощью OKR | Дорр Джон.

14. Dogs vs. Cats: Create an algorithm to distinguish dogs from cats. https://www.kaggle.com/c/dogs-vs-cats

15. ResNet-50 is a convolutional neural network. https://github.com/matlab-deep-learning/resnet-50

16. Data scientists mostly just do arithmetic and that’s a good thing. https://m.signalvnoise.com/data-scientists-mostly-just-do-arithmetic-and-thats-a-good-thing/

17. Интервью для BBC Карл Густав Юнг, основатель аналитической психологии, 1955 год. https://www.bbc.com/russian/features-53475033

18. Тирания показателей, Джерри Мюллер. https://www.alpinabook.ru/catalog/book-542297/

19. Курс молодого бойца для Spark/Scala. https://habr.com/ru/company/retailrocket/blog/302828/

20. Задачи руководителя аналитики. https://www.quora.com/How-do-I-move-from-data-scientist-to-data-science-management

21. Ричард Хэмминг. «Вы и ваша Работа». https://habr.com/ru/post/209100/

22. Planning Poker: как сделать процесс постановки задач максимально прозрачным и четким. https://habr.com/ru/company/retailrocket/blog/334256/

23. Hypothesis Testing: How to Eliminate Ideas as Soon as Possible. Roman Zykov. https://recsys.acm.org/recsys16/industry-session-3/#content-tab-1-1-tab

24. Application of Kullback-Leibler divergence for short-term user interest detection. https://arxiv.org/abs/1507.07382

25. Нужен ли магазину «Стильный кросселл»: опыт Retail Rocket в анализе изображений для формирования рекомендаций. https://habr.com/ru/company/retailrocket/blog/441366/

26. The most powerful idea in data science. https://towardsdatascience.com/the-most-powerful-idea-in-data-science-78b9cd451e72

27. Элементарные понятия статистики. http://statsoft.ru/home/textbook/esc.html

28. Джин Желязны. «Говори на языке диаграмм».

29. Эссе «The Cognitive Style of Powerpoint: pitching out corrupts within» Edward R. Taftey.

30. Retail Rocket: 9 советов по увеличению эффективности парного программирования. https://habr.com/ru/company/retailrocket/blog/339358/

31. Retail Rocket: работа с бэклогом задач с точки зрения проектного менеджера в Retail Rocket. https://habr.com/ru/company/retailrocket/blog/329346/

32. Корпоративная культура Netflix. https://jobs.netflix.com/culture

33. Ecommerce dataset для рекомендательных систем компании Retailrocket. https://www.kaggle.com/retailrocket/ecommerce-dataset

34. «Антихрупкость архитектуры хранилищ данных». https://habr.com/ru/post/281553/

35. Колоночные базы данных. https://ruhighload.com/Колоночные+ базы+данных

36. Патент Google на MapReduce. http://patft.uspto.gov/netacgi/nph-Parser?Sect1=PTO1&Sect2=HITOFF&d=PALL&p=1&u=/netahtml/PTO/srchnum.htm&r=1&f=G&l=50&s1=7,650,331.PN.&OS=PN/7,650,331&RS=PN/7,650,331

37. MapReduce: Simplified Data Processing on Large Clusters. https://www.dropbox.com/s/azf00wnjwnqd2x8/mapreduce-osdi04.pdf?dl=0

38. The Friendship That Made Google Huge. https://www.newyorker.com/magazine/2018/12/10/the-friendship-that-made-google-huge

39. Apache Hadoop. https://hadoop.apache.org/

40. Apache Spark. http://spark.apache.org/

41. Решение проблемы загрузки мелких файлов на Spark. https://github.com/RetailRocket/SparkMultiTool

42. Маккини Уэс «Python и анализ данных» (Python for Data Analysis. Wes McKinney).

43. Cloudera Hadoop – Choosing and Configuring Data Compression. https://docs.cloudera.com/documentation/enterprise/6/6.3/topics/admin_data_compression_performance.html

44. Google colab. https://colab.research.google.com/

45. Kaggle notebooks. https://www.kaggle.com/notebooks

46. Gartner Top 10 Trends in Data and Analytics for 2020. https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/

47. Metabase. https://www.metabase.com/

48. SuperSet. https://superset.apache.org/

49. Beyond Interactive: Notebook Innovation at Netflix. https://netflixtechblog.com/notebook-innovation-591ee3221233

50. What Artificial Intelligence Can and Can’t Do Right Now. https://hbr.org/2016/11/what-artificial-intelligence-can-and-cant-do-right-now

51. Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа. Руководство для экономистов. Перевод с немецкого и предисловие В.М. Ивановой. М.: Финансы и статистика, 1983 г.

52. Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches. https://arxiv.org/abs/1907.06902

53. Kaggle’s State of Data Science and Machine Learning 2019. https://www.kaggle.com/kaggle-survey-2019

54. Unity is strength – A story of model composition. https://medium.com/criteo-labs/unity-is-strength-a-story-of-model-composition-49748b1f1347

55. Introduction to Machine Learning. Second Edition. Ethem Alpaydin.

56. Scikit learn Ensemble methods. https://scikit-learn.org/stable/modules/ensemble.html

57. XGBoost: Introduction to Boosted Trees. https://xgboost.readthedocs.io/en/latest/tutorials/model.html

58. LightGBM. https://lightgbm.readthedocs.io/

59. Catboost. https://catboost.ai/

60. Andrew Ng. Machine learning Yearning.

61. Coursera Machine Learning. https://www.coursera.org/learn/machine-learning

62. How do I learn machine learning? https://qr.ae/pN9vA4

63. Fastml4j on Scala. https://github.com/rzykov/fastml4j

64. Netflix prize. https://www.netflixprize.com

65. Netflix Recommendations: Beyond the 5 stars (Part 1). https://netflixtechblog.com/netflix-recommendations-beyond-the-5-stars-part-1-55838468f429

66. Andrew Gelman, Jenifer Hill «Data Analysis Using Regression and Multilevel/Hierarchical Models». https://www.dropbox.com/s/a82wwn6l74j5qka/Gelman-missing.pdf?dl=0

67. Google Course of ML: Imbalanced Data. https://developers.google.com/machine-learning/data-prep/construct/sampling-splitting/imbalanced-data

68. «10 уроков рекомендательной системы Quora». https://habr.com/ru/company/retailrocket/blog/341346/

69. «Как разрушился стартап, годами выдававший армию бухгалтеров за искусственный интеллект». https://www.forbes.ru/tehnologii/405589-kak-razrushilsya-startap-godami-vydavavshiy-armiyu-buhgalterov-za-iskusstvennyy

70. Yandex Toloka. https://toloka.ai/ru/

71. Drilling Down: Turning Customer Data into Profits with a Spreadsheet – Third Edition, Jim Novo.

72. Google Rules of Machine Learning: Best Practices for ML Engineering. https://developers.google.com/machine-learning/guides/rules-of-ml

73. В Норвегии с паразитами рыб борются при помощи подводных роботов с лазерами. https://habr.com/ru/post/402797/

74. «Русская аквакультура» взялась за разведение лосося на Дальнем Востоке. https://www.rbc.ru/business/01/09/2020/5f4cb2159a7947347c5c16a9

75. Adidas backpedals on robotic shoe production with Speedfactory closures. https://techcrunch.com/2019/11/11/adidas-backpedals-on-robotic-factories/