Мой топ настольных книг по аналитике данных

Время от времени я покупаю себе разные книги для профессионального развития.

Некоторые из них мне понравились, некоторые нет, а некоторые стали настольными. К таким книгам я периодически возвращаюсь, чтобы освежить знания об интересующих меня темах.

Сегодня расскажу о четырёх из них.

1️⃣ Доверительное A/B тестирование - Рон Кохави

Моя настольная книга по A/B тестированию. Впервые я познакомился с ней, когда только изучал A/B тесты и в тот момент она очень помогла мне структурировать все мои знания. Сейчас я часто обращаюсь к ней, когда надо освежить знания в той или иной области: например особенности оценки долгосрочных эффектов или построение экспериментальной платформы.

Единственное, чего книжке не хватает - это практических упражнений. По-началу, когда только осваиваешь основные концепции, именно практика помогает закрепить новые знания.

2️⃣ Статистика для всех - Сара Бослаф

Вторая книга в списке моих настольных книг. Правда в этот раз - по теории вероятности и статистике.

Эта книга понравилась гораздо больше знаменитой «Статистика и котики». В ней очень последовательно, от простого к сложному, изложены все основные понятия, которые требуются аналитику. Все эти понятия дополняются реальными примерами и практическими заданиями.

Поэтому, если вы хотите разобраться с тем, что такое регрессия, почему z-test считается именно так, как он считается, что такое коэффициент вариации, как работать с выбросами и пр. эта книга - самое то.

Единственный минус книги: в ней нет котиков.🥺

3️⃣ Causal Inference на Python - Матеуш Факур

Сложная книжка (как мне кажется) для тех, кто хочет серьёзно разобраться в методах Causal Inference.

Я взялся за неё под конкретную задачу: нужно было оценить влияние программы лояльности на удержание пользователей, но проблема была в том, что в неё вступали не случайные люди - а те, кто и так был активнее.

Классическое смещение выборки. Решили использовать PSM, чтобы подобрать сопоставимые группы и честно оценить эффект.

Этим методом на тот момент я не владел, поэтому решил обратиться к этой книге, чтобы разобраться. Книга помогла разобраться в методе, но далась непросто.

Кроме метода PSM в ней описаны и множество других методов оценки причинно-следственной связи (DiD, Doubly Robust и пр), использование основных библиотек для Causal Inference и пр.

Все это приправлено практикой, которая позволяет руками оценить каждый из методов.

За книгу стоит браться, уже имея некоторый опыт c A/B, ML, Python. Без этого изучение затянется очень надолго.

4️⃣ Грокаем машинное обучение - Луис Серрано

Я вроде не ML-щик, но эту книгу не упомянуть не мог. Она такая же большая, и такая же сложная (как мне кажется) как книга Матеуша Факура.

Однако автор все же старается помочь вам и проводит вас за руку от простого к сложному, объясняя все основные понятия и концепции с множеством примеров и иллюстраций. И конечно в ней есть практика в виде упражнений.

p.s. Возможно вы читали "Грокаем Алгоритмы" от Бхаргава А. Вот эта книжка построена примерно в такой же структуре и стиле подачи материала.

Заключение Хорошая книга - это не то, что читаешь один раз и ставишь на полку. Это то, к чему возвращаешься, когда сталкиваешься с реальной задачей, перечитываешь и открываешь для себя что-то новое. Все четыре книги из этого списка именно такие.

Если у вас есть книги, которые вам понравились - пишите в комменты, всегда интересно пополнить список 📚