I migliori libri di Big Data, data mining e machine learning per il data scientist

In questo articolo scopriremo quali sono i migliori libri di machine learning,  big data e data mining per il data scientist.

Il data scientist o scienziato dei dati è una figura professionale emergente,  molto richiesta dalle aziende, nata negli ultimi anni a seguito della enorme mole di dati generata dal traffico internet.

Questo nuovo profilo professionale si occupa principalmente di analizzare ed elaborare grandi quantità di dati al fine di ricavarne informazioni ritenute utili a fini aziendali.

Per fare questo il data scientist ha bisogno di conoscenze molto accurate in ambito di data mining, machine learning e big data. Ovviamente per far questo bisogna già conoscere quelle nozioni di informatica, statistica e matematica di base necessarie per poter pensare di intraprendere questo tipo di carriera.

Il data mining, o estrazione di dati, è un metodo costituito da un insieme di tecniche automatiche o semi-automatiche per individuare correlazioni tra più variabili relative ad un singolo target. Con il data mining si estraggono e analizzano dati  al fine di fare emergere gli schemi o pattern sottesi  che emergono solo dopo un’attenta analisi dei dati stessi.Il data mining è utile soprattutto quando al mare magnum dei dati che circolano sul web si applica l’apprendimento automatico o machine learning. Questo settore dell’IA, l’intelligenza artificiale, si occupa di migliorare le prestazioni di un certo algoritmo nell’identificare pattern non chiaramente rilevabili nei dati disponibili.

Il machine learning di solito viene utilizzato dal data scientist in sinergia con il data mining: l’apprendimento automatico costruisce una previsione a partire dallo studio dei dati a disposizione, il data mining invece attua un’analisi esplorativa dei dati per carpirne nuovi e sconosciuti legami e proprietà. Su quali dati lavorano machine learning e data mining? Con i famosi big data, ovviamente. Ovvero un insieme così grande di dati da dover essere trattati con specifiche tecniche di analisi ed estrapolazione ad hoc.

In questa nostra selezione dei testi  per i futuri data scientist troverete i migliori libri su machine learning,  big data, data mining.

Cliccando sulle copertine si accede alle schede complete dei libri su Amazon, con tutti i dettagli e le recensioni dei lettori. Le edizioni qui riportate sono quelle più aggiornate disponibili.

Big Data: i migliori libri per il Data Scientist

---

Big Data. La guida completa per il Data Scientist

---

Si è da poco affacciata ed è assai richiesta dal mercato del lavoro la figura professionale del Data Scientist. Lo scienziato dei dati ricopre oggi un ruolo fondamentale nelle aziende in quanto capace di estrapolare dell’enorme mole di informazioni che circolano in rete un insieme di dati utili ad identificare le scelte migliori che i vertici decisionali all’interno della azienda stessa sono chiamati a prendere. Il Data Scientist, infatti, si occupa di filtrare, incrociare e ricavare informazioni utili dalla enorme massa di dati prodotti dal traffico della rete Internet su un certo argomento. Si tratta di lavorare, quindi, con i così detti Big Data. Questo libro si avvale di un team di esperti e docenti universitari che offrono i loro contributi su ognuna delle diverse aree di competenza del Data Scientist. Vengono quindi trattati nel testo elementi di statistica e matematica, calcolo delle probabilità, digital processing, data mining, database management, data analysis, data conditioning, web semantic, management team analyst, business intelligence, open source intelligence, privacy e sicurezza dei dati e dei sistemi, tecniche di presentazione e comunicazione aziendale.

---

Big Data Analytics. Analizzare e interpretare dati con il machine learning

---

I Big Data sono una realtà e la professionalità del data scientist è tanto ambita quanto rara sul mercato del lavoro. All’interno delle aziende, infatti, gli investimenti si concentrano sempre più sull’analisi dei dati, con lo scopo di prendere decisioni efficaci e migliorare prodotti, servizi e vendite. Questo manuale presenta in modo semplice e concreto i Big Data a chi non ha particolare esperienza ma vuole passare velocemente dalla teoria alla pratica. Per questo viene introdotto KNIME, uno strumento open source e gratuito dotato di un’interfaccia grafica che ne semplifica l’utilizzo e permette anche a chi non scrive codice di sfruttare i principali algoritmi di machine learning. Dopo aver definito cosa sono – e non sono – i Big Data, attraverso esempi pratici e tutorial viene spiegato come costruire cluster per organizzare dati e come creare modelli di predizione. Infine vengono introdotti argomenti più avanzati come il riconoscimento e l’analisi del linguaggio umano, e l’estensione delle funzionalità di KNIME con R e Python. Una guida per manager, professionisti e studenti, ma più in generale per chiunque voglia iniziare a lavorare con i Big Data apprezzandone le opportunità e comprendendone le criticità.

---

Big data. Architettura, tecnologie e metodi per l’utilizzo di grandi basi di dati

---

Ogni giorno nel mondo vengono creati miliardi di dati digitali. Questa mole di informazione proviene dal notevole incremento di dispositivi che automatizzano numerose operazioni – record delle transazioni di acquisto e segnali GPS dei cellulari, per esempio – e dal Web: foto, video, post, articoli e contenuti digitali generati e diffusi dagli utenti tramite i social media. L’elaborazione di questi “big data” richiede elevate capacità di calcolo, tecnologie e risorse che vanno ben al di là dei sistemi convenzionali di gestione e immagazzinamento dei dati. Il testo esplora il mondo dei “grandi dati” e ne offre una descrizione e classificazione, presentando le opportunità che possono derivare dal loro utilizzo. Descrive le soluzioni software e hardware dedicate, riservando ampio spazio alle implementazioni Open Source e alle principali offerte cloud. Si propone dunque come una guida approfondita agli strumenti e alle tecnologie che permettono l’analisi e la gestione di grandi quantità di dati. Il volume è dedicato a chi, in università e in azienda (database administrator, IT manager, professionisti di Business Intelligence) intende approfondire le tematiche relative ai big data. È, inoltre, un valido supporto per il management aziendale per comprendere come ottenere informazioni utilizzabili nei processi decisionali.

---

Big data marketing. Creare valore nella platform economy con dati, intelligenza artificiale e IoT

---

Il big data marketing non è solo l’applicazione al marketing tradizionale di strumenti di analisi innovativi, bensì un modo nuovo e diverso di fare marketing e business. Oggi è fondamentale spostare l’attenzione su come i big data stanno trasformando i processi di marketing e su come la conoscenza di questi cambiamenti può aiutare a migliorare le attività di marketing e di business più in generale. Questo volume è un’introduzione critica alle pratiche di big data marketing, anche nella vasta area delle big data analytics. La descrizione delle nuove tecnologie e dei nuovi approcci (dall’lnternet of Things all’intelligenza artificiale, dal data mining al machine learning) è sviluppata sia su un piano teorico sia sulla base di specifici casi aziendali, ed è posta costantemente in relazione con i cambiamenti strategici in atto, nell’intento di supportare i manager nel decision making quotidiano in azienda. L’obiettivo è non solo offrire un quadro di ciò che è possibile fare con i big data ma, soprattutto, spingere il lettore a riflettere sul tema, e quindi ad affrontare anche il dark side della società e dell’economia dei big data.

---

L’analisi dei big data con Python. Le migliori tecniche per aggregare i dati

---

Il linguaggio di programmazione Python è molto utilizzato come strumento software per l’analisi dei Big Data in ambito aziendale e non solo. Questo testo, scritto da specialisti, mostra diversi tool e tecniche per gestire i dati provenienti da varie fonti e database allo scopo di renderli fruibili per successive analisi statistiche e computazionali. I capitoli sono brevi, centrati su ogni singola tecnica operativa e sempre conclusi con esercizi e codici di esempio. Oltre a Python vengono quindi descritti una serie di tool e strumenti specifici, perlopiù open source, che supportano il lavoro di sviluppo del software. Imparerete a: utilizzare Python per leggere e trasformare i dati in diversi formati; utilizzare strumenti avanzati come Jupiter, Spark, Parquet, Pandas e Hadoop; generare statistiche e metriche di base utilizzando i dati su disco; svolgere elaborazioni distribuite su cluster; convertire dati da varie fonti in formati di archiviazione o query; preparare i dati per analisi statistiche, visualizzazioni e machine learning; presentare i dati sotto forma di grafici efficaci.

---

Recent Trends in Big Data Analytics for Internet of Things – Handbook of Research for Big Data: Concepts and Techniques – Big Data and Global Trade Law

---

 

---

Scienza ed ingegneria dei dati – un percorso di apprendimento in italiano – (Vol. 1-2)

---

Questa opera segue il curriculum 2021 della Association for Computing Machinery per specialisti in Scienze dei Dati, con l’obiettivo di costituire un “Bignami” della Scienza ed Ingegneria dei Dati e facilitare il percorso di formazione personale a partire da competenze specialistiche in Informatica o Matematica o Statistica per un lettore di lingua madre italiana. Ha bibliografia con link a materiale di qualità ma liberamente utilizzabile per la propria formazione e esercizi pratici contestuali .Primo di una serie di testi, copre aspetti aspetti metodologici, l’acquisizione dei dati , la gestione e pulizia, l’analisi e la visualizzazione. Descrive la metodologia CRISP DM, le fasi lavorative, i criteri di successo, i linguaggie gli ambienti utilizzabili, le librerie applicative. Poichè questo testo utilizza Orange per gli aspetti applicativi, ne viene descritta l’installazione ed i widget. Nell’acquisizione vengono descritte le fonti dei dati, le tecniche di accelerazione, i metodi di discretizzazione, gli standard di sicurezza, i tipi e le rappresentazione dei dati, le tecniche per gestire corpus di testi come bag-of-words, word-count, TF-IDF, n-grams, analisi lessicale, analisi sintattica, analisi semantica, filtraggio stop word, stemming, le tecniche per rappresentare ed elaborare le immagini, le tecniche di campionamento, di filtraggio, di web scraping. Vengono portati esempi in Orange. Vengono analizzate le dimensioni della qualità dei dati, gli algoritmi per l’identificazione dell’entità, della scoperta della verità, la pulizia basata su regole, la gestione dei valori mancanti e ripetuti, la codifica dei valori categoriali , la pulizia dei valori anomali e degli errori, la gestione delle inconsistenze, lo scaling, l’integrazione dei dati da varie fonti e la classifica delle fonti aperte, gli scenari applicativi e l’uso di databases, datawarehouses, data lakes e mediators, la mappatura degli schemi di dati e il ruolo di RDF, OWL e SPARQL, le trasformazioni. Vengono portati esempi in Orange. Nella visualizzazione vengono fatti cenni storici, descritte le caratteristiche di una visualizzazione efficace, i tipi di messaggi veicolabili, la Grammatica dei Grafici, l’uso di un grafico e di una dashboard, i software e le librerie utilizzabili, il ruolo e l’uso del colore. Vengono quindi analizzati 55 tipi di grafici riportando significato, uso, esempi e dimensioni visive anche con un vocabolario dei grafici e tabelle riassuntive. Vengono portati esempi in Orange e viene spiegato l’eventuale uso di Python con Orange. Viene discussa l’inferenza basata sulla visualizzazione, definita l’analisi esplorativa e confermativa e riportate le tecniche. Il testo è corredato di materiale di supporto ed è possibile scaricare gli esempi in Orange e i dati di prova.

---

Data mining e machine learning, i migliori manuali da studiare

---

Machine learning con Python. Costruire algoritmi per generare conoscenza

---

Elaborare il magma di dati oggi disponibile è una sfida affascinante e imprescindibile per il mondo contemporaneo dove la conoscenza e l’informazione sono il primo valore. Il machine learning è la risposta: grazie ai suoi algoritmi è possibile creare macchine in grado apprendere in maniera automatica e rispondere alle domande chiave per il successo. Questo libro accompagna nel mondo del machine learning e mostra come Python sia il linguaggio di programmazione ideale per costruire algoritmi sofisticati in grado di interrogare i dati nel modo migliore e recuperare preziosi insight. Viene spiegato l’utilizzo di librerie Python dedicate – tra cui scikit-learn, Theano e Keras – applicate in ambiti come la selezione e la compressione dei dati, l’analisi del linguaggio naturale, l’elaborazione di previsioni, il riconoscimento delle immagini. L’approccio didattico è pragmatico: tutti i concetti sono accompagnati da esempi pratici di codice. La lettura è consigliata a chi ha già alle spalle qualche studio teorico nel campo del machine learning oltre a una buona conoscenza di programmazione in Python.

---

Data Mining: Principali tecniche statistiche

---

Questa breve opera non può e non vuol essere un manuale completo ed esauriente di quello che si chiama Data Mining. L’intenzione è di offrire al principiante una maniera di comprendere che cosa sia il cosiddetto Data Mining e parallelamente i rudimenti dell’argomento. Vale la pena di notare che oggidì vengono automaticamente raccolte grandi masse di dati: si entra nel tempo dei Big Data ed allora il Data Mining assume un’importanza crescente e viene usato sempre di più nel mondo produttivo. Si è cercato di fare comprendere la logica dei diversi metodi: coloro che vorranno operare nel settore potranno così approfondire le tecniche ed ogni formalismo su altri testi meno introduttivi. Dopo una breve panoramica, vengono approfondite le tecniche statistiche di data mining, le applicazioni nel campo del marketing e infine il web mining con l’approfondimento di un case study. L’accento viene posto sull’aspetto statistico del Data Mining e sul senso statistico dei metodi e delle tecniche di questo campo di studio.

---

Appunti sparsi di Machine Learning: Un vademecum per comprendere uno degli argomenti più affascinanti dei nostri giorni

---

Confrontandomi quotidianamente con tematiche tecnologiche legate all’analisi e alla comprensione dei dati, è sorta in me quasi una necessità impellente di provare a raccogliere e organizzare appunti di varia natura sul tema del machine learning che mai come in questi anni sembra essere decollato come “strumento” in grado di aumentare ulteriormente la competitività aziendale.

---

Algoritmo di estrazione dati per prevedere il lupus eritematoso sistemico (SLE)

---

L’estrazione dei dati viene utilizzata dai medici per identificare trattamenti efficaci e buone pratiche, e i pazienti ricevono servizi sanitari migliori e più convenienti. Le enormi quantità di informazioni generate dalle transazioni sanitarie sono troppo avanzate e voluminose, che sono complesse per essere elaborate e analizzate in modo tradizionale. L’obiettivo principale del libro si concentra sullo sviluppo di un algoritmo di cluster BasedClassification (OCBC) ottimale, un moderno algoritmo di data mining per prevedere la malattia sistemica del lupus eritematoso. L’accuratezza dell’algoritmo è dimostrata dalla costruzione dello strumento di previsione del Lupus-Eritematoso Sistemico per predire la malattia nella fase iniziale della Classificazione basata su Cluster utilizzando un algoritmo ottimale (OCBC). Gli algoritmi ID3, C4.5, J48 sono selezionati come algoritmi di base per confrontare l’accuratezza, la specificità, la sensibilità, la precisione, il richiamo e la misura F, le statistiche Kappa, ecc. con l’algoritmo OCBC proposto. Sono stati condotti molti tipi di ricerche per confrontare l’accuratezza dell’algoritmo OCBC sullo stesso set di dati e il risultato mostra che l’OCBC supera l’ID3 J48 e gli algoritmi. La precisione dell’OCBC migliora ulteriormente dopo il clustering il set di dati.

---

Data scientist, una nuova professione

---

Data scientist. Tra competitività e innovazione

---

Di fronte all’affermarsi della Algorithm Economy e dei Big Data, per le organizzazioni diventa sempre più necessaria una figura professionale capace di dialogare e collaborare con COBOT e macchine intelligenti: il Data Scientist. Rispondendo a questa esigenza, il volume fornisce indicazioni pratiche sia a coloro che vogliono intraprendere e sviluppare ai massimi livelli la carriera di Data Scientist sia alle aziende che desiderano accogliere questa figura per migliorare capacità decisionale e competitività. Vengono approfonditi i seguenti aspetti: background elettivo del Data Scientist; skill e competenze; ruoli e attività; sviluppo di carriera; evoluzione della professione; strumenti a disposizione; nuove frontiere che la tecnologia impone all’attenzione dei decisori.

La Data Science, ovvero la Scienza dei dati, è nata nel 1974 ad opera dell’informatico danese Peter Naur intendendo con essa quella disciplina che si occupa di gestire i dati a disposizione, per come essi già sono senza però tentare di ricavarne della informazioni utili. Solo dopo con l’arrivo dei big data l’attenzione viene focalizzata sui dati che acquisiscono una rilevanza maggiore: si capisce di fatti quanto valore  ai fini del mercato questa enorme quantità di dati possa assumere e si studiano le tecniche adatte a riuscire a ricavare da essi quante più informazioni possibili.