Try Full Access for 7 Days
Unlock listening & more!
ข้อสำคัญ
1. วิทยาศาสตร์ข้อมูลคือการสกัดข้อมูลเชิงลึกที่นำไปปฏิบัติได้จากข้อมูลเพื่อแก้ไขปัญหาทางธุรกิจ
การตัดสินใจโดยอาศัยข้อมูล (Data-driven decision-making หรือ DDD) หมายถึงการตัดสินใจที่อิงจากการวิเคราะห์ข้อมูล แทนที่จะใช้เพียงแค่สัญชาตญาณเท่านั้น
คุณค่าทางธุรกิจของวิทยาศาสตร์ข้อมูล การตัดสินใจโดยอาศัยข้อมูลช่วยเพิ่มประสิทธิภาพทางธุรกิจอย่างมีนัยสำคัญ โดยงานวิจัยหนึ่งพบว่าบริษัทที่นำ DDD มาใช้จะมีผลผลิตเพิ่มขึ้น 4-6% ตัวอย่างการประยุกต์ใช้ที่สำคัญ ได้แก่
- การวิเคราะห์ลูกค้า: ทำนายการเลิกใช้บริการ, การกำหนดเป้าหมายการตลาด, การแนะนำสินค้าส่วนบุคคล
- การเพิ่มประสิทธิภาพการดำเนินงาน: การจัดการห่วงโซ่อุปทาน, การบำรุงรักษาเชิงคาดการณ์, การตรวจจับการทุจริต
- การสร้างแบบจำลองทางการเงิน: การให้คะแนนเครดิต, การซื้อขายด้วยอัลกอริทึม, การประเมินความเสี่ยง
หลักการสำคัญ วิทยาศาสตร์ข้อมูลที่มีประสิทธิภาพต้องประกอบด้วย
- การกำหนดปัญหาทางธุรกิจและเป้าหมายอย่างชัดเจน
- การเก็บรวบรวมและเตรียมข้อมูลที่เกี่ยวข้อง
- การใช้เทคนิควิเคราะห์ที่เหมาะสม
- การแปลผลลัพธ์เป็นข้อมูลเชิงลึกที่นำไปปฏิบัติได้
- การวัดผลกระทบและปรับปรุงอย่างต่อเนื่อง
2. การเกิด overfitting เป็นความท้าทายสำคัญในการทำเหมืองข้อมูลที่ต้องจัดการอย่างระมัดระวัง
หากคุณวิเคราะห์ข้อมูลอย่างละเอียดเกินไป คุณอาจพบสิ่งใดสิ่งหนึ่ง — แต่สิ่งนั้นอาจไม่สามารถนำไปใช้กับข้อมูลอื่นได้ทั่วไป
ความเข้าใจเรื่อง overfitting Overfitting เกิดขึ้นเมื่อโมเดลเรียนรู้เสียงรบกวนในข้อมูลฝึกสอนได้ดีเกินไป จับเอาความผันผวนแบบสุ่มแทนที่จะเป็นรูปแบบที่แท้จริง ส่งผลให้โมเดลไม่สามารถทำนายข้อมูลใหม่ได้ดี
เทคนิคป้องกัน overfitting:
- การตรวจสอบข้าม (Cross-validation): ใช้ชุดข้อมูลฝึกและทดสอบแยกกัน
- การทำ regularization: เพิ่มโทษสำหรับความซับซ้อนของโมเดล
- การหยุดฝึกก่อนเวลา (Early stopping): หยุดการฝึกเมื่อเริ่มเกิด overfitting
- วิธีการรวมโมเดล (Ensemble methods): รวมผลจากหลายโมเดล
- การเลือกคุณลักษณะ (Feature selection): ใช้เฉพาะตัวแปรที่เกี่ยวข้องมากที่สุด
การแสดงภาพ overfitting กราฟแสดงประสิทธิภาพของโมเดลบนข้อมูลฝึกและทดสอบเมื่อความซับซ้อนของโมเดลเพิ่มขึ้น โมเดลที่เหมาะสมจะต้องสมดุลระหว่างการ underfitting และ overfitting
3. การประเมินโมเดลต้องพิจารณาต้นทุน ผลประโยชน์ และบริบททางธุรกิจเฉพาะ
ทักษะสำคัญในวิทยาศาสตร์ข้อมูลคือความสามารถในการแยกปัญหาการวิเคราะห์ข้อมูลออกเป็นส่วนย่อย ๆ ที่แต่ละส่วนสอดคล้องกับงานที่มีเครื่องมือรองรับอยู่แล้ว
ตัวชี้วัดการประเมินผล ตัวชี้วัดที่ใช้บ่อยได้แก่
- การจำแนกประเภท: ความแม่นยำ, ความแม่นยำเชิงบวก, การเรียกคืน, F1-score, AUC-ROC
- การถดถอย: ค่าเฉลี่ยกำลังสองของความคลาดเคลื่อน, R-squared, ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์
- การจัดอันดับ: nDCG, MAP, MRR
การประเมินผลที่สอดคล้องกับธุรกิจ ควรพิจารณา
- ต้นทุนของผลบวกเท็จและผลลบเท็จ
- ข้อจำกัดด้านการดำเนินงาน เช่น ทรัพยากรคอมพิวเตอร์และความหน่วงเวลา
- ผลกระทบทางกฎหมายและจริยธรรม
- ความต้องการความเข้าใจของผู้มีส่วนได้ส่วนเสีย
กรอบการประเมินค่าคาดหวัง รวมความน่าจะเป็นกับต้นทุน/ผลประโยชน์เพื่อประเมินผลกระทบทางธุรกิจโดยรวม:
ค่าคาดหวัง = ผลรวม (ความน่าจะเป็นของผลลัพธ์ × มูลค่าของผลลัพธ์)
4. ข้อความและข้อมูลที่ไม่มีโครงสร้างต้องใช้เทคนิคการเตรียมข้อมูลเฉพาะ
ข้อความมักถูกเรียกว่าเป็นข้อมูล “ไม่มีโครงสร้าง” เพราะข้อความไม่มีโครงสร้างแบบตารางที่เราคุ้นเคย เช่น ตารางที่มีฟิลด์และความหมายคงที่
ขั้นตอนการเตรียมข้อความ:
- การตัดคำ (Tokenization): แยกข้อความเป็นคำหรือโทเค็น
- การทำให้เป็นตัวพิมพ์เล็ก (Lowercasing): ปรับให้ตัวอักษรเป็นตัวพิมพ์เล็กทั้งหมด
- การลบเครื่องหมายวรรคตอนและอักขระพิเศษ
- การลบคำหยุด (Stop words): คำทั่วไปเช่น “the”, “and”
- การทำสเต็มมิง/เลมมาติไซเซชัน: ลดคำให้เป็นรูปแบบฐาน
การแทนข้อความ:
- Bag-of-words: มองข้อความเป็นชุดคำที่ไม่มีลำดับ
- TF-IDF: ให้ค่าน้ำหนักคำตามความถี่และความเฉพาะเจาะจง
- Word embeddings: การแทนคำด้วยเวกเตอร์หนาแน่น เช่น Word2Vec
- N-grams: จับกลุ่มคำหลายคำ
เทคนิคขั้นสูง:
- การรู้จำเอนทิตีชื่อ (Named entity recognition): ระบุชื่อคน องค์กร สถานที่
- การทำโมเดลหัวข้อ (Topic modeling): ค้นหาหัวข้อแฝงในเอกสาร
- การวิเคราะห์อารมณ์ (Sentiment analysis): ประเมินความรู้สึกเชิงบวกหรือลบ
5. การวัดความคล้ายคลึงและระยะทางเป็นพื้นฐานของงานเหมืองข้อมูลหลายประเภท
เมื่อวัตถุถูกแทนด้วยข้อมูล เราสามารถพูดถึงความคล้ายคลึงหรือระยะทางระหว่างวัตถุได้อย่างแม่นยำมากขึ้น
มาตรวัดระยะทางที่ใช้บ่อย:
- ระยะทางยูคลิด (Euclidean distance): ระยะทางตรงในพื้นที่หลายมิติ
- ระยะทางแมนฮัตตัน (Manhattan distance): ผลรวมของความแตกต่างสัมบูรณ์
- ความคล้ายคลึงแบบโคไซน์ (Cosine similarity): มุมระหว่างเวกเตอร์ (นิยมใช้กับข้อความ)
- ความคล้ายคลึงแบบแจ็คการ์ด (Jaccard similarity): การทับซ้อนระหว่างชุดข้อมูล
- ระยะทางแก้ไข (Edit distance): จำนวนการเปลี่ยนแปลงที่ต้องทำเพื่อเปลี่ยนสตริงหนึ่งเป็นอีกสตริงหนึ่ง
การประยุกต์ใช้ความคล้ายคลึง:
- การจัดกลุ่ม (Clustering): รวมวัตถุที่คล้ายกันเข้าด้วยกัน
- วิธีเพื่อนบ้านใกล้ที่สุด (Nearest neighbor): การจำแนกหรือถดถอยโดยอิงจากตัวอย่างที่คล้ายกัน
- ระบบแนะนำ (Recommender systems): ค้นหาผู้ใช้หรือสินค้าที่คล้ายกัน
- การตรวจจับความผิดปกติ (Anomaly detection): ระบุจุดที่แตกต่างจากกลุ่ม
การเลือกมาตรวัดระยะทาง ควรพิจารณา
- ประเภทข้อมูล (เช่น ตัวเลข หมวดหมู่ ข้อความ)
- ขนาดและการกระจายของคุณลักษณะ
- ประสิทธิภาพในการคำนวณ
- ความหมายของความคล้ายคลึงในโดเมนเฉพาะ
6. การแสดงภาพประสิทธิภาพของโมเดลเป็นสิ่งสำคัญสำหรับการประเมินและสื่อสาร
ผู้มีส่วนได้ส่วนเสียที่ไม่ใช่ทีมวิทยาศาสตร์ข้อมูลอาจไม่มีความอดทนกับรายละเอียดมากนัก และมักต้องการภาพรวมที่เข้าใจง่ายของประสิทธิภาพโมเดล
เทคนิคการแสดงภาพที่สำคัญ:
- กราฟ ROC: อัตราการตรวจจับจริงเทียบกับอัตราการตรวจจับผิด
- กราฟ Precision-Recall: ความแม่นยำเทียบกับการเรียกคืนที่เกณฑ์ต่าง ๆ
- กราฟ Lift: ประสิทธิภาพโมเดลเทียบกับฐานสุ่ม
- เมทริกซ์ความสับสน (Confusion matrix): การแจกแจงผลการทำนายถูกผิด
- กราฟเส้นการเรียนรู้ (Learning curves): ประสิทธิภาพเทียบกับขนาดชุดข้อมูลฝึก
- กราฟความสำคัญของคุณลักษณะ: ผลกระทบสัมพัทธ์ของตัวแปรต่าง ๆ
ประโยชน์ของการแสดงภาพ:
- สื่อสารกับผู้ที่ไม่เชี่ยวชาญได้อย่างเข้าใจง่าย
- เปรียบเทียบโมเดลหลายตัวในกราฟเดียวกัน
- หาจุดทำงานที่เหมาะสมที่สุด
- วิเคราะห์จุดอ่อนและอคติของโมเดล
แนวทางปฏิบัติที่ดี:
- เลือกการแสดงภาพที่เหมาะสมกับงานและผู้ชม
- ใช้สีและป้ายกำกับที่สอดคล้องกัน
- อธิบายและตีความอย่างชัดเจน
- แสดงผลการทำงานของฐานเปรียบเทียบเพื่อให้เห็นบริบท
7. การใช้เหตุผลเชิงความน่าจะเป็นและวิธีเบย์เป็นเครื่องมือทรงพลังในวิทยาศาสตร์ข้อมูล
กฎของเบย์แยกความน่าจะเป็นภายหลังออกเป็นสามปริมาณที่เห็นทางด้านขวา
เหตุผลเชิงเบย์ ผสมผสานความเชื่อเดิมกับหลักฐานใหม่เพื่อปรับปรุงความน่าจะเป็น:
P(H|E) = P(E|H) × P(H) / P(E)
- P(H|E): ความน่าจะเป็นภายหลังของสมมติฐานเมื่อมีหลักฐาน
- P(E|H): ความน่าจะเป็นของหลักฐานเมื่อสมมติฐานเป็นจริง
- P(H): ความน่าจะเป็นก่อนมีหลักฐาน
- P(E): ความน่าจะเป็นของหลักฐาน
การประยุกต์ใช้:
- การจำแนกแบบ Naive Bayes
- เครือข่ายเบย์สำหรับเหตุผลเชิงสาเหตุ
- การทดสอบ A/B และการทดลอง
- การตรวจจับความผิดปกติ
- การประมวลผลภาษาธรรมชาติ
ข้อดีของวิธีเบย์:
- รวมความรู้เดิมเข้าไปได้
- จัดการกับความไม่แน่นอนได้อย่างชัดเจน
- ปรับปรุงความเชื่ออย่างต่อเนื่องเมื่อมีข้อมูลใหม่
- ให้การทำนายเชิงความน่าจะเป็น
8. การเตรียมข้อมูลและการสร้างคุณลักษณะเป็นสิ่งจำเป็นสำหรับการสร้างแบบจำลองที่มีประสิทธิภาพ
คุณภาพของโซลูชันเหมืองข้อมูลมักขึ้นอยู่กับการที่นักวิเคราะห์กำหนดปัญหาและสร้างตัวแปรได้ดีเพียงใด
ขั้นตอนการเตรียมข้อมูล:
- การทำความสะอาดข้อมูล: จัดการกับค่าที่ขาดหาย, ค่าผิดปกติ, ข้อผิดพลาด
- การรวมข้อมูล: รวมข้อมูลจากแหล่งต่าง ๆ
- การแปลงข้อมูล: การปรับขนาด, การทำ normalization, การเข้ารหัสตัวแปรหมวดหมู่
- การลดข้อมูล: การเลือกคุณลักษณะ, การลดมิติ
เทคนิคการสร้างคุณลักษณะ:
- การสร้างตัวแปรปฏิสัมพันธ์
- การแบ่งกลุ่มตัวแปรต่อเนื่อง (Binning)
- การสกัดคุณลักษณะเชิงเวลา เช่น วันในสัปดาห์, ฤดูกาล
- การแปลงเฉพาะโดเมน เช่น การคำนวณผลตอบแทนแบบลอการิทึมในด้านการเงิน
ความสำคัญของความรู้เฉพาะด้าน การสร้างคุณลักษณะที่มีประสิทธิภาพมักต้องการ
- ความเข้าใจปัญหาทางธุรกิจ
- ความคุ้นเคยกับกระบวนการสร้างข้อมูล
- ข้อมูลเชิงลึกจากผู้เชี่ยวชาญ
- การทดลองและตรวจสอบซ้ำอย่างต่อเนื่อง
9. งานเหมืองข้อมูลพื้นฐานประกอบด้วยการจำแนกประเภท การถดถอย การจัดกลุ่ม และการตรวจจับความผิดปกติ
แม้ว่าจะมีอัลกอริทึมเหมืองข้อมูลจำนวนมากที่พัฒนาขึ้นตลอดหลายปี แต่มีเพียงไม่กี่ประเภทของงานที่แตกต่างกันอย่างแท้จริงที่อัลกอริทึมเหล่านี้แก้ไข
งานเหมืองข้อมูลหลัก:
- การจำแนกประเภท: ทำนายป้ายกำกับเชิงหมวดหมู่ เช่น การตรวจจับสแปม
- การถดถอย: ทำนายค่าต่อเนื่อง เช่น การประเมินราคาบ้าน
- การจัดกลุ่ม: รวมกลุ่มตัวอย่างที่คล้ายกัน เช่น การแบ่งกลุ่มลูกค้า
- การตรวจจับความผิดปกติ: ระบุรูปแบบที่ผิดปกติ เช่น การตรวจจับการทุจริต
- การค้นหากฎสัมพันธ์: ค้นหาความสัมพันธ์ระหว่างตัวแปร
อัลกอริทึมที่ใช้บ่อยในแต่ละงาน:
- การจำแนกประเภท: ต้นไม้ตัดสินใจ, โลจิสติกรีเกรสชัน, เครื่องเวกเตอร์สนับสนุน
- การถดถอย: การถดถอยเชิงเส้น, ป่าแบบสุ่ม, การเพิ่มประสิทธิภาพแบบ gradient boosting
- การจัดกลุ่ม: K-means, การจัดกลุ่มแบบลำดับชั้น, DBSCAN
- การตรวจจับความผิดปกติ: Isolation forests, autoencoders, one-class SVM
- กฎสัมพันธ์: อัลกอริทึม Apriori, FP-growth
การเลือกงานที่เหมาะสม ควรพิจารณา
- ลักษณะของตัวแปรเป้าหมาย (ถ้ามี)
- วัตถุประสงค์และข้อจำกัดทางธุรกิจ
- ข้อมูลที่มีและลักษณะของข้อมูล
- ความต้องการความเข้าใจของผู้ใช้
10. กระบวนการเหมืองข้อมูลเป็นแบบวนซ้ำและต้องอาศัยความเข้าใจทางธุรกิจ
การทำเหมืองข้อมูลเกี่ยวข้องกับการแลกเปลี่ยนระหว่างความซับซ้อนของโมเดลและความเป็นไปได้ของการเกิด overfitting
กรอบงาน CRISP-DM:
- ความเข้าใจทางธุรกิจ: กำหนดวัตถุประสงค์และข้อกำหนด
- ความเข้าใจข้อมูล: รวบรวมและสำรวจข้อมูลเบื้องต้น
- การเตรียมข้อมูล: ทำความสะอาด รวม และจัดรูปแบบข้อมูล
- การสร้างแบบจำลอง: เลือกและใช้เทคนิคการสร้างแบบจำลอง
- การประเมินผล: ประเมินประสิทธิภาพโมเดลเทียบกับเป้าหมายธุรกิจ
- การนำไปใช้: รวมโมเดลเข้ากับกระบวนการทางธุรกิจ
ลักษณะวนซ้ำของกระบวนการ โครงการเหมืองข้อมูลมักต้อง
- ทำซ้ำหลายรอบในกระบวนการ
- ปรับปรุงการกำหนดปัญหาตามผลลัพธ์เบื้องต้น
- รวบรวมข้อมูลหรือคุณลักษณะเพิ่มเติม
- ทดลองใช้วิธีการสร้างแบบจำลองอื่น ๆ
- ปรับเกณฑ์การประเมินผล
ความสำคัญของบริบททางธุรกิจ:
- ให้ความสอดคล้องกับลำดับความสำคัญเชิงกลยุทธ์
- แปลงผลลัพธ์ทางเทคนิคเป็นผลกระทบทางธุรกิจ
- บริหารความคาดหวังของผู้มีส่วนได้ส่วนเสีย
- รับรองการใช้ข้อมูลและโมเดลอย่างมีจริยธรรมและรับผิดชอบ
อัปเดตล่าสุด:
FAQ
What's Data Science for Business about?
- Comprehensive Overview: Data Science for Business by Foster Provost provides a detailed introduction to data science principles and their application in business contexts. It focuses on understanding data mining concepts rather than just algorithms.
- Target Audience: The book is aimed at business professionals, developers, and aspiring data scientists who want to leverage data for decision-making, bridging the gap between technical and business teams.
- Practical Examples: It includes real-world examples, such as customer churn and targeted marketing, to demonstrate how data science can solve practical business problems.
Why should I read Data Science for Business?
- Essential for Modern Business: The book emphasizes that in today's world, data is integral to business, and understanding data science is crucial for informed decision-making.
- Accessible to All Levels: Complex topics are made accessible, making it suitable for readers with varying expertise levels, particularly beneficial for business managers working with data scientists.
- Foundational Knowledge: It provides foundational concepts essential for anyone looking to understand or work in data-driven environments.
What are the key takeaways of Data Science for Business?
- Data-Analytic Thinking: The book stresses the importance of thinking analytically about data to improve decision-making, introducing a structured approach to problem-solving using data.
- Understanding Overfitting: A significant takeaway is the concept of overfitting, where models perform well on training data but poorly on unseen data, highlighting the importance of generalization.
- Model Evaluation Techniques: It discusses methods for evaluating models, such as cross-validation, to ensure they perform well on new data, crucial for building reliable data-driven solutions.
What is overfitting, and why is it important in Data Science for Business?
- Definition of Overfitting: Overfitting occurs when a model learns the training data too well, capturing noise and outliers rather than the underlying pattern, leading to poor performance on unseen data.
- Generalization vs. Memorization: A good model should generalize well to new data rather than simply memorizing the training set, which is key to making accurate predictions in real-world applications.
- Avoiding Overfitting: Techniques such as cross-validation, pruning in tree models, and regularization in regression models are discussed to avoid overfitting, maintaining a balance between model complexity and performance.
How does Data Science for Business define data-analytic thinking?
- Structured Approach: Data-analytic thinking is described as a structured way of approaching business problems using data, involving identifying relevant data, applying appropriate methods, and interpreting results.
- Framework for Decision-Making: The book provides frameworks that help readers systematically analyze problems and make data-driven decisions, aligning business strategies with data insights.
- Integration of Creativity and Domain Knowledge: Effective data-analytic thinking combines analytical skills with creativity and domain knowledge, leading to better problem-solving outcomes.
What is the CRISP-DM process in Data Science for Business?
- Structured Framework: CRISP-DM stands for Cross-Industry Standard Process for Data Mining, a structured framework for data mining projects consisting of six phases: business understanding, data understanding, data preparation, modeling, evaluation, and deployment.
- Iterative Nature: The process is iterative, allowing insights gained in one phase to lead to revisiting previous phases, enabling continuous improvement and refinement of data science projects.
- Applicability Across Industries: CRISP-DM is designed to be applicable across various industries, providing a common language and methodology for professionals working in different sectors.
What is the expected value framework in Data Science for Business?
- Decision-Making Tool: The expected value framework helps in evaluating the potential benefits and costs associated with different decisions, allowing businesses to quantify expected outcomes based on historical data.
- Components of Expected Value: It consists of probabilities of different outcomes and their associated values, calculated from data, aiding in making informed decisions that maximize profit or minimize costs.
- Application in Business Problems: The framework can be applied to various business scenarios, such as targeted marketing and customer retention strategies, identifying the most profitable actions based on data analysis.
How does Data Science for Business address overfitting in data models?
- Overfitting Explanation: Overfitting occurs when a model captures noise in the training data rather than the underlying pattern, leading to poor performance on unseen data.
- Model Evaluation Techniques: Techniques like cross-validation are emphasized to assess model performance and mitigate overfitting, ensuring models generalize well.
- Complexity Control: Methods for controlling model complexity, such as regularization and feature selection, are discussed to build models that balance fit and complexity, reducing the risk of overfitting.
What is the significance of similarity in data science as discussed in Data Science for Business?
- Foundation of Many Techniques: Similarity underlies various data science methods, including clustering and classification, helping in grouping and predicting data points effectively.
- Applications in Business: Similarity is used in practical applications like customer segmentation and recommendation systems, allowing businesses to target marketing efforts and improve customer engagement.
- Mathematical Representation: Similarity can be quantified using distance metrics, such as Euclidean distance, allowing for systematic analysis and comparison of data points.
What are the different types of models discussed in Data Science for Business?
- Predictive Models: The book covers predictive modeling techniques, including classification trees, logistic regression, and nearest-neighbor methods, each suitable for different data types and business problems.
- Clustering Models: Clustering techniques group similar data points, helping businesses understand customer segments and behaviors, revealing insights for marketing strategies and product development.
- Text Mining Models: Text mining techniques, such as bag-of-words and TFIDF, are essential for analyzing unstructured data, enabling businesses to extract valuable information from textual data sources.
What is the bag-of-words representation in text mining according to Data Science for Business?
- Basic Concept: The bag-of-words representation treats each document as a collection of individual words, ignoring grammar and word order, simplifying text data for analysis.
- Term Frequency: Each word is represented by its frequency of occurrence, allowing for the identification of important terms, further enhanced by techniques like TFIDF to weigh terms based on rarity.
- Applications: Widely used in text classification, sentiment analysis, and information retrieval, it provides a straightforward way to convert text into numerical data for machine learning algorithms.
What role does domain knowledge play in data science according to Data Science for Business?
- Enhancing Model Validity: Domain knowledge is crucial for validating models and ensuring they make sense in the business context, helping data scientists interpret results and refine analyses.
- Guiding Feature Selection: Understanding the domain allows data scientists to select relevant features likely to impact the target variable, improving model performance and relevance.
- Facilitating Communication: Domain knowledge aids communication between data scientists and business stakeholders, ensuring a shared understanding of the problem and data, leading to effective collaboration.
รีวิว
หนังสือเล่มนี้ชื่อว่า Data Science for Business ได้รับคำชื่นชมอย่างกว้างขวางจากผู้อ่านหลายท่าน โดยเฉพาะในเรื่องของการนำเสนอที่เน้นการใช้งานจริงและการอธิบายแนวคิดทางด้านวิทยาศาสตร์ข้อมูลอย่างชัดเจน เหมาะสำหรับทั้งผู้เริ่มต้นและผู้ที่มีประสบการณ์ในสายงานนี้แล้ว หลายคนเห็นว่าหนังสือเล่มนี้ช่วยเชื่อมโยงความรู้ทางเทคนิคกับมุมมองทางธุรกิจได้อย่างลงตัว แม้ว่าจะมีบางส่วนที่อาจรู้สึกว่าข้อมูลแน่นและท้าทายต่อการทำความเข้าใจ แต่โดยรวมแล้วถือเป็นหนังสือแนะนำที่ครบถ้วนสำหรับการทำความเข้าใจวิทยาศาสตร์ข้อมูลในบริบทของธุรกิจ อย่างไรก็ตาม มีบางเสียงวิจารณ์ว่าบางบทอาจดูตื้นเขินหรือใช้ถ้อยคำมากเกินไปในบางช่วง แต่ก็ไม่ลดทอนคุณค่าของเนื้อหาโดยรวมแต่อย่างใด
Similar Books
Against the Gods
The Remarkable Story of Risk
Playing to Win
How Strategy Really Works
Hidden Potential
The Science of Achieving Greater Things
Big Data
A Revolution That Will Transform How We Live, Work, and Think
Data Smart
Using Data Science to Transform Information into Insight
The Israel Lobby and U.S. Foreign Policy
Superforecasting
The Art and Science of Prediction
Storytelling with Data
A Data Visualization Guide for Business Professionals
Firestarters
How Innovators, Instigators, and Initiators Can Inspire You to Ignite Your Own Life
Thinking In Systems
A Primer
