Data science is nog een relatief nieuw begrip waar nog geen eenduidige definitie voor is vastgelegd. Youtuber JOMA geeft in onderstaande video een duidelijke uitleg van wat we onder Data Science kunnen verstaan:

Data Science en Machine Learning hebben veel raakvlakken, vandaar dat ook deze collectie boeken interessant kan zijn voor de volgers van deze site.

Een kleine greep uit de selectie:

• Machine Learning for Hackers
• Introduction to Machine Learning with R
• Thoughtful Machine Learning with Python
• ...en nog meer...

Dat correlatie en causatie absoluut niet hetzelfde zijn weten we natuurlijk al, maar soms is de correlatie zo frappant dat je je bijna gaat afvragen of er toch geen causaal verband is. Onderstaande video geeft hier een aantal voorbeelden van:

Eens in de zoveel tijd komt er een deal langs die je niet kunt laten schieten. Dit is er weer zo een van de Humble Bundle. Betaal zoveel je wilt voor een set boeken waar iedereen met een beetje interesse in Business Intelligence, Big Data of Data Science warm van wordt.

Een kleine greep uit de selectie:

• Modern Big Data Processing with Hadoop
• Apache Spark with Scala
• Learning R for Data Visualization
• ...en nog meer...

Data Science en statistiek zijn nauw met elkaar verbonden. Als je een uitspraak wilt doen op basis van (grote) hoeveelheden data heb je vrijwel altijd een statistische benadering nodig om de uitspraak te onderbouwen of bewijzen.

Statistiek kan echter ook misleidend en niet voor de hand liggend zijn als deze niet goed gebruikt wordt. Kansen die logisch lijken kunnen statistisch gezien heel anders liggen. Een stelling die ons daarbij kan helpen is het 'Theorema van Bayes'

De stelling is hieronder in een video op een begrijpelijke manier uitgelegd door Ian Olasov.

Het is natuurlijk ook mogelijk om R zonder Anaconda te installeren. Een voordeel is dat de installatie kleiner (en sneller) is en dat je geen last hebt van eventuele bugs die nog in Anaconda zitten. Het onderhouden van afhankelijkheden tussen packages is echter wel een stuk lastiger, maar voor beginnende data science experimenten is dit geen bezwaar.

Anaconda is een complete data science omgeving die het installeren van tools en onderlinge afhankelijkheden kinderspel maakt. Met meer dan 6 miljoen gebruikers en ontwikkelaars wereldwijd is het een van de meest gebruikte en best onderhouden ontwikkel-omgevingen op het gebied van data science. De software is open source waardoor het gratis en 'vrij' te gebruiken is.

In deze blogpost behandelen we de download en installatie. In de volgende delen zullen we aan de slag gaan met relatief simpele data science uitdagingen geschikt voor beginners.