Ilmu Data adalah bidang studi yang menangani sejumlah besar data menggunakan metode, proses, algoritme, dan sistem ilmiah untuk menemukan pola yang tidak terlihat, memperoleh informasi yang bermakna, membuat keputusan bisnis di perusahaan, dan juga digunakan di lembaga non-bisnis. Institusi non-bisnis termasuk industri untuk Perawatan Kesehatan, Permainan, Pengenalan Gambar, Sistem Rekomendasi, Logistik, Deteksi Penipuan (lembaga perbankan dan keuangan), Pencarian Internet, Pengenalan ucapan, Periklanan Bertarget, Perencanaan Rute Maskapai, dan Augmented Reality. Ilmu Data adalah bagian dari Kecerdasan Buatan. Data yang digunakan untuk analisis dapat berasal dari berbagai sumber dan disajikan dalam berbagai format. Beberapa sumber data dapat dibakukan; lain mungkin tidak standar.
Dengan kata lain, metodologi yang berbeda digunakan untuk mengumpulkan data (jamak datum). Kemudian, pengetahuan (kesimpulan yang berharga) diekstraksi dari data yang dikumpulkan. Dalam prosesnya, setelah data terkumpul, dilakukan penelitian terhadapnya (data) untuk mendapatkan data baru (hasil) dari mana masalah dipecahkan.
Ilmu Data sebagai disiplin (utama) ada di tingkat Sarjana dan Magister di universitas. Namun, hanya sedikit universitas di dunia yang menawarkan Ilmu Data di Gelar Sarjana atau Magister. Di tingkat Gelar Sarjana, siswa lulus dengan gelar di bidang Ilmu Data. Ini seperti gelar tujuan umum. Di tingkat Magister, siswa lulus dengan Gelar Pasca Sarjana dalam Ilmu Data, yang berspesialisasi dalam Analisis Data, Rekayasa Data, atau sebagai Ilmuwan Data.
Mungkin mengejutkan pembaca dan mungkin sayangnya, bahwa Pembelajaran Mesin, Pemodelan, Statistik, Pemrograman, dan Basis Data adalah pengetahuan prasyarat untuk mempelajari Ilmu Data di tingkat Sarjana terlepas dari kenyataan bahwa mereka adalah program universitas yang dihormati dengan hak mereka sendiri, belajar di disiplin ilmu lain di tingkat Sarjana atau tingkat Master. Meskipun demikian, ketika seorang siswa pergi ke universitas untuk belajar Ilmu Data di tingkat sarjana, semua mata kuliah ini akan tetap dipelajari, bersamaan atau sebelum mata kuliah yang tepat, untuk Ilmu Data.
Data Science untuk S1 atau spesialisasinya seperti Data Analytics, Data Engineering, atau sebagai Data Scientist masih terus dikembangkan; meskipun mereka mencapai tahap yang diterapkan di industri setelah dipelajari (di universitas). Ilmu Data adalah disiplin yang relatif sangat baru, secara keseluruhan.
Ingatlah bahwa Anda harus terlebih dahulu menjadi seorang generalis sebelum menjadi seorang spesialis. Perbedaan antara program spesialis belum jelas. Perbedaan antara program generalis dan spesialis belum jelas.
Karena Ilmu Data adalah disiplin yang relatif baru, buku-buku yang ditentukan dalam dokumen ini didasarkan pada cakupan konten dan bukan pedagogi (seberapa baik buku tersebut mengajarkan). Dan itu untuk program Sarjana (generalis). Ada kursus generalis yang berbeda.
Daftar
Untuk perincian lebih lanjut dan kemungkinan pembelian dengan kartu kredit, hyperlink untuk masing-masing buku diberikan. Tidak satu pun buku mencakup semua kursus generalis.
Matematika Esensial untuk Ilmu Data: Kalkulus, Statistik, Teori Probabilitas, dan Aljabar Linear
Ditulis oleh: Hadrien Jean
- Penerbit: Hadrien Jean
- Tanggal Penerbitan: Setelah 30 September 2020
- Bahasa: Inggris
- Jumlah Halaman: lebih dari 400
Isi buku ini dapat dilihat sebagai kursus matematika untuk Ilmu Data. Meskipun tidak disarankan untuk belajar Ilmu Data sendiri, lulusan SMA yang ingin belajar Ilmu Data sendiri harus mulai dengan buku ini.
Konten: Kalkulus; Statistik dan Probabilitas; Aljabar linier; Skalar dan Vektor; Matriks dan Tensor; Rentang, Ketergantungan Linear, dan Transformasi Ruang; Sistem Persamaan Linear; Vektor Eigen dan Nilai Eigen; Dekomposisi Nilai Singular.
https://www.essentialmathfordatascience.com/
Panduan Akal Sehat untuk Struktur Data dan Algoritma: Tingkatkan Keterampilan Pemrograman Inti Anda / Edisi ke-2
Ditulis oleh: Jay Wengrow
- Penerbit: Rak Buku Pragmatis
- Tanggal Publikasi: 15 September 2020
- Bahasa: Inggris
- Dimensi: 7,5 x 1,25 x 9,25 inci
- Jumlah Halaman: 508
Buku ini membahas tentang algoritma dan struktur data yang digunakan dalam Ilmu Data. Dengan asumsi seseorang belajar Ilmu Data secara otodidak setelah lulus SMA, maka ini adalah buku berikutnya yang harus dibaca setelah membaca buku matematika sebelumnya. Contoh program diberikan dalam JavaScript, Python, dan Ruby.
Konten: Mengapa Struktur Data Penting; Mengapa Algoritma Penting; Oh Ya! Notasi O Besar; Mempercepat Kode Anda dengan Big O; Mengoptimalkan Kode dengan dan Tanpa Big O; Mengoptimalkan untuk Skenario Optimis; O Besar dalam Kode Sehari-hari; Pencarian Cepat dengan Tabel Hash; Membuat Kode Elegan dengan Tumpukan dan Antrean; Rekursif Rekursif dengan Rekursi; Belajar Menulis Secara Rekursif; Pemrograman Dinamis; Algoritma Rekursif untuk Kecepatan; Struktur Data Berbasis Node; Mempercepat Semua Hal dengan Pohon Pencarian Biner; Menjaga Prioritas Anda Tetap Lurus dengan Tumpukan; Tidak Sakit untuk Mencoba; Menghubungkan Semuanya dengan Grafik; Menghadapi Kendala Ruang; Teknik untuk Optimasi Kode
Ilmu Data yang Lebih Cerdas: Berhasil dengan Data Tingkat Perusahaan dan Proyek AI / 1 st Mengedit
Ditulis oleh: Neal Fishman, Cole Stryker, dan Grady Booch
- Penerbit: Wiley
- Tanggal Publikasi: 14 April 2020
- Bahasa: Inggris
- Jumlah Halaman: 286
Konten: Mendaki Tangga AI; Membingkai Bagian I: Pertimbangan untuk Organisasi yang Menggunakan AI; Membingkai Bagian II: Pertimbangan untuk Bekerja dengan Data dan AI; Melihat Kembali Analisis: Lebih Dari Satu Palu; Pandangan ke Depan pada Analytics: Tidak Semuanya Bisa Menjadi Paku; Mengatasi Disiplin Operasional pada Tangga AI; Memaksimalkan Penggunaan Data Anda: Didorong oleh Nilai; Menilai Data dengan Analisis Statistik dan Mengaktifkan Akses yang Bermakna; Membangun untuk Jangka Panjang; Akhir Perjalanan: IA untuk AI.
Pembelajaran Mesin: Perspektif Probabilistik (Seri Komputasi Adaptif dan Pembelajaran Mesin) Edisi Ilustrasi
Ditulis oleh: Kevin P. Murphy
- Penerbit: The MIT Press
- Tanggal Diterbitkan: 24 Agustus 2012
- Bahasa: Inggris
- Dimensi: 8,25 x 1,79 x 9,27 inci
- Jumlah Halaman: 1104
Buku ini bagus untuk pemula. Sekali lagi, seperti semua buku lainnya yang ditentukan dalam dokumen ini, buku ini tidak mencakup semua yang diperlukan untuk program generalis yang, sayangnya, masih belum selesai (program spesialis juga masih belum selesai). Pemula tipikal di sini adalah lulusan sekolah menengah dengan gelar matematika dan ilmu komputer.
Isi: Pendahuluan (Pembelajaran mesin: apa dan mengapa?, Pembelajaran tanpa pengawasan, Beberapa konsep dasar dalam pembelajaran mesin); Kemungkinan; Model generatif untuk data diskrit; model Gaussian; statistik Bayesian; Statistik yang sering; Regresi linier; Regresi logistik; Model linier umum dan keluarga eksponensial; Model grafis terarah (jaring Bayes); Model campuran dan algoritma EM; Model linier laten; Model linier jarang; Kernel; proses Gaussian; Model fungsi dasar adaptif; Markov dan model Markov tersembunyi; Model ruang negara; Model grafis tidak terarah (bidang acak Markov); Inferensi tepat untuk model grafis; inferensi variasi; Inferensi yang lebih bervariasi; inferensi Monte Carlo; inferensi rantai Markov Monte Carlo (MCMC); Kekelompokan; Pembelajaran struktur model grafis; Model variabel laten untuk data diskrit; Pembelajaran mendalam.
Ilmu Data untuk Bisnis: Yang Perlu Anda Ketahui Tentang Penambangan Data dan Pemikiran Analisis Data / Edisi Pertama
Ditulis oleh: Tom Fawcett dan Foster Provost
- Penerbit: O'Reilly Media
- Tanggal Diterbitkan: 17 September 2013
- Bahasa: Inggris
- Dimensi: 7x0,9x9,19 inci
- Jumlah Halaman: 413
Konten: Pemikiran Data-Analitik; Masalah Bisnis dan Solusi Ilmu Data; Pengantar Pemodelan Prediktif: Dari Korelasi ke Segmentasi yang Diawasi; Menyesuaikan Model ke Data; Overfitting dan Penghindarannya; Kemiripan, Tetangga, dan Kluster; Pemikiran Analitis Keputusan I: Apa Model yang Baik?; Memvisualisasikan Performa Model; Bukti dan Probabilitas; Mewakili dan Menambang Teks; Pemikiran Analitis Keputusan II: Menuju Rekayasa Analitis; Tugas dan Teknik Ilmu Data Lainnya; Ilmu Data dan Strategi Bisnis; Kesimpulan.
https://www.amazon.com/Data-Science-Business-Data-Analytic-Thinking/dp/B08VL5K5ZX
Statistik Praktis untuk Ilmuwan Data: 50+ Konsep Penting Menggunakan R dan Python / Edisi ke-2
Ditulis oleh: Peter Bruce, Andrew Bruce, dan Peter Gedeck
- Penerbit: O'Reilly Media
- Tanggal Penerbitan: 2 Juni 2020
- Bahasa: Inggris
- Dimensi: 7x0,9x9,1 inci
- Jumlah Halaman: 368
Konten: Analisis Data Eksplorasi, Distribusi Data dan Sampling, Eksperimen Statistik dan Pengujian Signifikansi, Regresi dan Prediksi, Klasifikasi, Pembelajaran Mesin Statistik, Pembelajaran Tanpa Pengawasan.
Buku Mengapa: Ilmu Baru Sebab dan Akibat
Ditulis oleh: Judea Pearl, Dana Mackenzie
- Penerbit: Buku Dasar
- Tanggal Publikasi: 15 Mei 2018
- Bahasa: Inggris
- Dimensi: 6,3 x 1,4 x 9,4 inci
- Jumlah Halaman: 432
Sementara banyak buku Ilmu Data menggunakan industri bisnis murni sebagai ilustrasi, buku ini menggunakan industri medis dan disiplin ilmu lain sebagai ilustrasi.
Isi: Pendahuluan: Mind over Data; Tangga Penyebab; Dari Buccaneers ke Guinea Pigs: The Genesis of Causal Inference; Dari Bukti ke Penyebab: Pendeta Bayes Bertemu Mr. Holmes; Membingungkan dan Membingungkan: Atau, Membunuh Variabel yang Mengintai; Debat Penuh Asap: Membersihkan Udara; Banyak Paradoks!; Melampaui Penyesuaian: Penaklukan Intervensi Gunung; Kontrafaktual: Dunia Penambangan Yang Bisa Terjadi; Mediasi: Pencarian Mekanisme; Data Besar, Kecerdasan Buatan, dan Pertanyaan Besar.
Bangun Karir di Ilmu Data
Ditulis oleh: Emily Robinson dan Jacqueline Nolis
- Penerbit: Manning
- Tanggal Publikasi: 24 Maret 2020
- Bahasa: Inggris
- Dimensi: 7,38 x 0,8 x 9,25 inci
- Jumlah Halaman: 354
Konten: Memulai Ilmu Data; Menemukan Pekerjaan Ilmu Data Anda; Menetap dalam Ilmu Data; Tumbuh dalam peran Ilmu Data Anda.
https://www.manning.com/books/build-a-career-in-data-science
Ilmu Data untuk Dummies / Edisi ke-2
Ditulis oleh: Lillian Pierson
- Penerbit: Untuk Dummies
- Tanggal Diterbitkan: 6 Maret 2017
- Bahasa Inggris
- Dimensi: 7,3 x 1 x 9 inci
- Jumlah Halaman: 384
Buku ini mengasumsikan bahwa pembaca sudah memiliki pengetahuan matematika dan pemrograman yang dibutuhkan sebelumnya.
Konten: Mengerti Ilmu Data; Menjelajahi Jalur Pipa dan Infrastruktur Rekayasa Data; Menerapkan Wawasan Berbasis Data ke Bisnis dan Industri; Pembelajaran Mesin: Belajar dari Data dengan Mesin Anda; Matematika, Probabilitas, dan Pemodelan Statistik; Menggunakan Clustering untuk Membagi Data; Pemodelan dengan Mesin Virtual; Membangun Model Yang Mengoperasikan Perangkat Internet-of-Things; Mengikuti Prinsip Desain Visualisasi Data; Menggunakan D3.js untuk Visualisasi Data; Aplikasi Berbasis Web untuk Desain Visualisasi; Menjelajahi Praktik Terbaik dalam Desain Dasbor; Membuat Peta dari Data Spasial; Menggunakan Python untuk Ilmu Data; Menggunakan Open Source R untuk Ilmu Data; Menggunakan SQL dalam Ilmu Data; Melakukan Ilmu Data dengan Excel dan Knime; Ilmu Data dalam Jurnalisme: Memakukan Lima W (dan H); Menggali Ilmu Data Lingkungan; Ilmu Data untuk Mendorong Pertumbuhan dalam E-Commerce; Menggunakan Ilmu Data untuk Menggambarkan dan Memprediksi Kegiatan Kriminal; Sepuluh Sumber Daya Fenomenal untuk Data Terbuka; Sepuluh Alat dan Aplikasi Ilmu Data Gratis.
Penambangan Kumpulan Data Masif / 3 rd Mengedit
Ditulis oleh: Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman
- Penerbit: Cambridge University Press
- Tanggal Publikasi: 13 Februari 2020
- Bahasa Inggris
- Dimensi: 7x1x9.75 inci
- Jumlah Halaman: 565
Buku ini juga mengasumsikan bahwa pembaca sudah memiliki pengetahuan matematika dan pemrograman yang dibutuhkan sebelumnya.
Konten: Penambangan Data; MapReduce dan Stack Perangkat Lunak Baru; Algoritma Menggunakan MapReduce; Menemukan Barang Serupa; Aliran Data Penambangan; Analisis Tautan; Item Sering; Kekelompokan; Beriklan di Web; Sistem Rekomendasi; Menambang Grafik Jejaring Sosial; Pengurangan Dimensi; Pembelajaran Mesin Skala Besar.
Kesimpulan
Perbedaan antara program spesialis belum jelas. Perbedaan antara program generalis dan spesialis juga belum jelas. Namun, setelah membaca daftar buku yang diberikan, pembaca akan berada dalam posisi untuk lebih menghargai peran khusus analis data, teknik data, dan ilmuwan data, dan kemudian melangkah maju.