Zawiera: 1. Agresja – słowo wstępne; 2. Agresywne zachowania uczniów w świetle badań porównawczych z 1997 i 2003 roku; 3. Przestępczość nieletnich w Polsce w statystykach policyjnych i sądowych; 4. Bezpieczeństwo szkoły w opinii nauczycieli; 5. Wpływ klimatu szkoły na przejawianie przez uczniów agresji i przemocy w szkole; 6. Zapobieganie przemocy rówieśniczej w szkole; 7. Refleksje nad wynikami badań agresji; 8. Agresja jako przejaw niedostosowania społecznego młodzieży szkolnej; 9. Polityka oświatowa państwa. Zadania i ułomności; 10. Rodzina i szkoła w systemie wychowania; 11. Pedagogika resocjalizacyjna wobec przemocy i agresji; 12. Agresja wśród dzieci i młodzieży – wyjaśnienie socjologiczne; 13. System psychoprofilaktyki rozwoju i edukacji a przeciwdziałania zachowaniom dewiacyjnym dzieci i młodzieży; 14. Agresywne zachowania młodzieży jako konsekwencja zaburzonych procesów poznawczych. Doniesienie z badań; 15. Profilaktyczna pomoc wychowawcza szkole w zapobieganiu agresji: znaczenie kompetencji społecznych; 16. Działania profilaktyczne wobec młodzieży zagrożonej agresją i przestępczością – inspiracje do działań rozwojowych na przykładzie Schroniska dla Nieletnich Warszawa Okęcie; 17. Kształtowanie empatii w profilaktyce agresji uczniów; Terapia poznawczo-behawioralna w programach redukowania zachowań agresywnych u młodych przestępców; 19. Przejawy oraz nasilenie poziomu agresji, gniewu i wrogości wśród młodzieży licealnej – raport z badań.
1. Agresja - słowo wstępne, 2. Agresywne zachowania uczniów w świetle badań porównawczych z 1997 i 2003 roku, 3. Przestępczość nieletnich w Poslce w świetle statystyk, 4. Bezpieczenstwo szkoły w opinii nauczycieli, 5. Wpływ klimatu szkoły na przejawianie przez uczniów agresji i przemocy w szkole, 6. Zapobieganie przemocy rówieśniczej w szkole, 7. Refleksje nad wynikami badan agresji, 8. Agresja w szkole. Uwarunkowania społeczne i kulturowe, 9. Polityka oświatowa państwa. zadania i ułomności, 10. Rodzina i szkoła w systemie wychowania, 11. Pedagogika resocjalizacyjna wobec przemocy i agresji, 12. Agresja dzieci i młodziezy - wyjaśnienie socjologiczne, 13. System psychoprofilaktyki rozowju i edukacji a przeciwdziałania zachowaniom dewiacyjnym dzieci i młodzieży, 14. Agresywne zachowania młodziezy jako konsekwencja zaburzonych procesów poznawczych. Doniesienie z badań, 15. Profilaktyczna pomoc wychowawcza szkole w zapobieganiu agresji: znaczenie kompetencji społecznych
Rozdział 1. Klasyfikacja na podstawie najbliższego sąsiedztwa. Subiektywne odczuwanie temperatury. Implementacja algorytmu k najbliższych sąsiadów. Dane wejściowe. Wynik klasyfikacji. Wizualizacja. Mapa Włoch przykład doboru wartości k. Analiza. Skalowanie danych prognozowanie statusu własności. Analiza. Nieeuklidesowe metryki odległości punktów klasyfikowanie tekstów. Analiza. Klasyfikowania tekstów ciąg dalszy wielowymiarowy algorytm k-NN. Analiza. Podsumowanie. Problemy. Subiektywne odczuwanie temperatury. Mapa Włoch przykład doboru wartości k. Status własności. Analiza. Rozdział 2. Naiwny klasyfikator bayesowski. Testy medyczne podstawowe zastosowanie twierdzenia Bayesa. Analiza. Podstawowe twierdzenie Bayesa i jego rozszerzenie. Twierdzenie Bayesa. Dowód. Rozszerzone twierdzenie Bayesa. Dowód. Zagramy w szachy? niezależne zdarzenia warunkujące. Analiza. Implementacja naiwnego klasyfikatora bayesowskiego. Dane wejściowe. Wynik. Zagramy w szachy? częściowo zależne zdarzenia warunkujące. Analiza. Dane wejściowe. Wynik. Chłopak czy dziewczyna? twierdzenie Bayesa dla ciągłych zmiennych losowych. Analiza. Podsumowanie. Problemy. Analiza. Rozdział 3. Drzewa decyzyjne. Pływamy? reprezentowanie danych w postaci drzewa decyzyjnego. Elementy teorii informacji. Entropia informacyjna. Przykład losowe rzucanie monetą. Definicja. Zysk informacyjny. Pływamy? obliczanie zysku informacyjnego. Algorytm ID3 konstruowanie drzewa decyzyjnego. Pływamy? budowanie drzewa decyzyjnego. Implementacja w języku Python. Dane wejściowe. Wynik. Klasyfikowanie danych za pomocą drzew decyzyjnych. Przykład pływamy czy nie? Przykład gra w szachy pod chmurką. Analiza. Dane wejściowe. Wynikowe drzewo decyzyjne. Klasyfikacja. Na zakupy przykład niespójnych danych. Analiza. Podsumowanie. Problemy. Analiza. Rozdział 4. Lasy losowe. Ogólne zasady konstruowania lasów losowych. Pływamy? klasyfikacja za pomocą lasu losowego. Analiza. Konstruowanie lasu losowego. Losowe drzewo decyzyjne nr 0. Losowe drzewo decyzyjne nr 1. Wynikowy las losowy. Klasyfikowanie cechy na podstawie lasu losowego. Implementacja algorytmu konstruowania lasu losowego. Dane wejściowe. Wynik. Przykład zagramy w szachy? Analiza. Konstruowanie lasu losowego. Losowe drzewo decyzyjne nr 0. Losowe drzewa decyzyjne nr 1, 2 i 3. Wynikowy las losowy. Klasyfikacja w drodze głosowania. Dane wejściowe. Wynik. Idziemy na zakupy? wnioskowanie z niespójnych danych i miara wiarygodności wyniku. Analiza. Dane wejściowe. Wynik. Podsumowanie. Problemy. Analiza. Dane wejściowe. Wynik. Rozdział 5. Klasteryzacja. Dochód gospodarstwa domowego niski czy wysoki? Algorytm k-średnich. Początkowy zbiór centroidów. Wyznaczanie centroidu klastera. Przykład wykorzystanie algorytmu k-średnich do klasyfikacji dochodów. Klasyfikowanie przez klasteryzację prognozowanie płci nieznanej osoby. Analiza. Implementacja algorytmu k-średnich. Dane wejściowe. Wynik grupowania. Status własności dobór optymalnej liczby klasterów. Analiza. Dane wejściowe. Wynik podział między dwa klastery. Wynik podział między trzy klastery. Wynik podział między cztery klastery. Wynik podział między pięć klasterów. Klasyfikowanie dokumentów semantyczne znaczenie klasteryzacji. Analiza. Dane wejściowe. Wynik podział między dwa klastery. Wynik podział między trzy klastery. Wynik podział między pięć klasterów. Podsumowanie. Problemy. Analiza. Dane wejściowe. Dwa klastery. Trzy klastery. Cztery klastery. Pięć klasterów. Wybór optymalnej liczby klasterów przy użyciu walidacji krzyżowej. Rozdział 6. Analiza regresji. Konwersja temperatur regresja liniowa dla danych doskonałych. Rozwiązanie analityczne. Metoda najmniejszych kwadratów w regresji liniowej. Implementacja analizy regresji liniowej w Pythonie. Kod programu. Wynik. Wizualizacja. Regresja dla danych pomiarowych prognozowanie wagi na podstawie wzrostu. Analiza. Kod programu. Wynik. Metoda spadku gradientowego i jej implementacja. Szczegóły algorytmu. Implementacja w Pythonie. Dane wejściowe. Wynik. Wizualizacja porównanie z metodą analityczną. Przewidywanie czasu przelotu na podstawie odległości. Analiza. Kod programu. Wynik. Obliczenia balistyczne model nieliniowy. Analiza. Kod programu. Wynik. Podsumowanie. Problemy. Analiza. Kod programu. Wynik. Wizualizacja. Rozdział 7. Analiza szeregów czasowych. Zysk w biznesie analiza trendu. Analiza. Kod programu. Wynik. Wizualizacja. Konkluzja. Sprzedaż w sklepie internetowym analiza sezonowości. Analiza. Analiza trendu. Kod programu. Wynik. Wizualizacja. Analiza sezonowości. Wizualizacja. Podsumowanie. Problemy. Analiza. Kod programu. Wynik. Wizualizacja. Dodatek A Podstawy języka Python. Przykład. Komentarze. Typy danych. Int. Przykład example02_int.py. Wynik. Float. Przykład example03_float.py. Wynik. Napis. Przykład example04_string.py. Wynik. Krotka. Przykład example05_tuple.py. Wynik. Lista. Przykład example06_list.py. Wynik. Zbiór. Przykład example07_set.py. Wynik. Słownik. Przykład example08_dictionary.py. Wynik. Przepływ sterowania. Instrukcje warunkowe. Przykład example09_if_else_elif.py. Wynik. Pętla for. Przykład example10_for_loop_range.py. Wynik. Przykład example11_for_loop_list.py. Wynik. Przykład example12_for_loop_set.py. Wynik. Pętla while. Przykład example13_while_loop.py. Wynik. Instrukcje break i continue. Przykład example14_break_continue.py. Wynik. Funkcje. Przykład example15_function.py. Wynik. Wejście-wyjście programu. Argumenty wywołania programu. Przykład example16_arguments.py. Wynik. Operacje na plikach. Dodatek B. Statystyka. Podstawowe koncepcje. Notacja. Podstawowe pojęcia. Wnioskowanie bayesowskie. Rozkład normalny Gaussa. Walidacja krzyżowa. Testowanie A/B. Dodatek C. Słownik pojęć, algorytmów i metod Data Science.
1. Wprowadzenie; 2. Unia Europejska- geneza, ewolucja, teraźniejszość, perspektywy; 3. Starania Polski o członkostwo w Unii Europejskiej; 4. Przegląd wybranych metod i technik analizy porównawczej; 5. Bank danych statystycznych; 6. Dynamiczne oceny dystansu
1. Statystyka regionalna - dokonania i wyzwania. 2. Porównywanie obiektów wielocechowych i struktur. 3. Metody klasyfikacyjne. 4. Syntetyczne mierniki rozwojowe. 5. Elementy analizy decyzyjnej w taksonomii. 6. Zakończenie.
R 1. Sposoby odpowiadania na interesujące nas pytania. Badania korelacyjne i eksperymentalne, R 2. Co to znaczy, że wyniki badań są istotne statystycznie?, R 3. Pułapki w badaniach sondażowych, R 4. Budowanie indeksów złożonych. Zastosowanie analizy czynnikowej.
1. Rozwój statystyki; 2. Naukowe poznanie świata; 3. Statystyczne klasyfikacje społeczne i gospodarcze; 4. Kwantyfikacja; 5. Jednowymiarowe szeregi statystyczne i ich opis; 6. Korelacja i regresja; 7. Tablice strukturalne i ich opis; 8. Tablice wielocechowe; 9. Szeregi czasowe; 10. Wskaźniki statystyczne; 11. Proces badania statystycznego; 12. Podstawowe badania urzędowe.
Podręcznik Biostatystyka od podstaw do zaawansowanych metod stanowi unikalną pozycję w krajowej literaturze naukowej, który w sposób kompleksowy, nowoczesny i jasny przedstawiałby zagadnienia biostatystyczne. Atutem książki jest to, że jest adresowana do szerokiego grona czytelników i korzystać z niej mogą studenci różnych wydziałów uniwersytetów medycznych, uniwersytetów, politechnik i uniwersytetów przyrodniczych. Zawiera przystępne wytłumaczenie potrzebnych pojęć statystycznych, zrozumiałe dla osób o niewielkim przygotowaniu matematycznym, a bardziej dociekliwy czytelnik znajdzie wystarczający opis używanych procedur statystycznych wraz z najważniejszymi wzorami. Mocną strona książki jest jej nieszablonowe, poglądowe, a jednocześnie precyzyjne przedstawienie zagadnień statystycznych. Czytelnik znajdzie tutaj właściwe intuicje związane z biostatystyką, statystyką matematyczną oraz analizą danych. Wszystko jest precyzyjnie wyjaśnione na licznych przykładach z biologii i medycyny. Część rachunkowa, niezwykle ważna w statystyce, jest ilustrowana prostymi przykładami użycia komend pakietu R, który od pewnego czasu jest standardem obliczeniowym dla statystyków i analityków danych. Gorąco polecamy tę pozycję jako podręcznik do biostatystyki dla studentów studiów medycznych, jak również jako podręcznik do podstawowych kursów ze statystyki stosowanej dla studentów innych kierunków. Pracownicy naukowi, jak również nauczyciele akademiccy stosujący metody biostatystyki i wykładający biostatystykę napotkają wiele ciekawych informacji mogących usystematyzować i pogłębić wiedzę w tym zakresie.
Analityka danych jest uważana za wyjątkowo obiecującą dziedzinę wiedzy. Rozwija się błyskawicznie i znajduje coraz to nowsze zastosowania. Profesjonaliści biegli w eksploracji danych i wydobywaniu z nich pożytecznych informacji mogą liczyć na interesującą pracę i bardzo atrakcyjne warunki zatrudnienia. Jednak aby zostać analitykiem danych, trzeba znać matematykę i statystykę, a także nauczyć się programowania. Umiejętności w zakresie uczenia maszynowego i uczenia głębokiego również są ważne. W przypadku tak specyficznej dziedziny, jaką jest nauka o danych, szczególnie istotne jest zdobycie gruntownych podstaw i dogłębne ich zrozumienie.
W tym przewodniku opisano zagadnienia związane z podstawami nauki o danych. Wyjaśniono niezbędne elementy matematyki i statystyki. Przedstawiono także techniki budowy potrzebnych narzędzi i sposoby działania najistotniejszych algorytmów. Książka została skonstruowana tak, aby poszczególne implementacje były jak najbardziej przejrzyste i zrozumiałe. Zamieszczone tu przykłady napisano w Pythonie: jest to język dość łatwy do nauki, a pracę na danych ułatwia szereg przydatnych bibliotek Pythona. W drugim wydaniu znalazły się nowe tematy, takie jak uczenie głębokie, statystyka i przetwarzanie języka naturalnego, a także działania na ogromnych zbiorach danych. Zagadnienia te często pojawiają się w pracy współczesnego analityka danych.
W książce między innymi:
elementy algebry liniowej, statystyki i rachunku prawdopodobieństwa
zbieranie, oczyszczanie i eksploracja danych
algorytmy modeli analizy danych
podstawy uczenia maszynowego
systemy rekomendacji i przetwarzanie języka naturalnego
analiza sieci społecznościowych i algorytm MapReduce
1.Wprowadzenie, 2.Źródła i zakres informacji, 3.Metody analizy demograficznej, 4.Liczba i rozmieszczenie ludności, 5.Struktura ludności według płci, wieku i stanu cywilnego, 6.Struktura ludności według cech społeczno-zawodowych i wykształcenia, 7.Ruch naturalny ludności, 8.Syntetyczne miary reprodukcji ludności, 9.Ruch wędrówkowy ludności, 10.Prognozy demograficzne, 11.Modele demograficzne i modele uwzględniające czynnik demograficzny
1.Wprowadzenie, 2.Źródła i zakres informacji, 3.Metody analizy demograficznej, 4.Liczba i rozmieszczenie ludności, 5.Struktura ludności według płci, wieku i stanu cywilnego, 6.Struktura ludności według cech społeczno-zawodowych i wykształcenia, 7.Ruch naturalny ludności, 8.Syntetyczne miary reprodukcji ludności, 9.Ruch wędrówkowy ludności, 10.Prognozy demograficzne, 11.Modele demograficzne i modele uwzględniające czynnik demograficzny
1. Wiejskie gospodarstwa domowe - istota i cechy wyróżniające, 2. Czynnik ludzki w wiejskich gospodarstwach domowych i jego zmiany, 3. Ocena sytuacji finansowej wiejskich gospodarstw domowych i jej zmiany, 4. Mieszkania na wsi oraz ich wyposażenie, 5. Poziom zaspokojenia potrzeb żywnościowych w wiejskich gospodarstwach domowych, 6. Poziom zaspokojenia potrzeb zdrowotnych w wiejskich gospodarstwach domowych, 7. Poziom zaspokojenia potrzeb gospodarstw domowych na wsi w zakresie edukacji, 8. Poziom zaspokojenia potrzeb wiejskich gospodarstw domowych w zakresie kultury i wypoczynku, 9. Zakres oczekiwanej i otrzymywanej pomocy wśród wiejskich gospodarstw domowych, 10. Oczekiwania wiejskich gospodarstw domowych wobec poziomu zaspokojenia potrzeb w perspektywie integracji z Unią Europejską
1. Wprowadzenie, 2. Diagnoza w polityce społecznej - przegląd zagadnień, 3. Wybrane metody i techniki diagnozowania w polityce społecznej, 4. Wybrane algorytmy przetwarzania danych
1. Wprowadzenie, 2. Diagnoza w polityce społecznej - przegląd zagadnień, 3. Wybrane metody i techniki diagnozowania w polityce społecznej, 4. Wybrane algorytmy przetwarzania danych
R. I Finansowe aspekty samorządności terytorialnej, R. II Budowa demokracji lokalnych w III Rzeczpospolitej, R. III Wydatki budżetowe samorządu terytorialnego,R. IV Dochody gmin w latach 1991-1998, R. V Dochody samorządu terytorialnego w latach 1999-2003
Ważnym zadaniem inżynierów danych jest kreowanie modeli uczenia maszynowego. Używa się do tego narzędzi do analizy biznesowej, takich jak Power BI. Możliwości Power BI są imponujące, a można je dodatkowo rozbudować. Jedną z ciekawszych metod wzbogacania modelu danych i wizualizacji Power BI jest zastosowanie złożonych algorytmów zaimplementowanych w językach Python i R. W ten sposób można nie tylko tworzyć interesujące wizualizacje danych, ale także pozyskiwać dzięki nim kluczowe dla biznesu informacje.
Dzięki tej książce dowiesz się, jak to zrobić. Zaczniesz od przygotowania środowiska Power BI do używania skryptów w Pythonie i R. Następnie będziesz importować dane z nieobsługiwanych obiektów i przekształcać je za pomocą wyrażeń regularnych i złożonych algorytmów. Nauczysz się wywoływać zewnętrzne interfejsy API i korzystać z zaawansowanych technik w celu przeprowadzenia dogłębnych analiz i wyodrębnienia cennych informacji za pomocą narzędzi statystyki i uczenia maszynowego, a także poprzez zastosowanie optymalizacji liniowej i innych algorytmów. Zapoznasz się również z głównymi cechami statystycznymi zestawów danych i z metodami tworzenia różnych wykresów ułatwiających zrozumienie relacji między zmiennymi.
Najciekawsze zagadnienia:
złożone przekształcanie danych w Power BI za pomocą skryptów Pythona i R
anonimizacja i pseudonimizacja danych
praca z dużymi zestawami danych
wartości odstające i brakujące dla danych wielowymiarowych i szeregów czasowych