Немного отвлеку вас от майских праздников.
У меня для вас 3 новости: две хорошие и одна плохая.
Начнем традиционно с плохой: олды помнят, что еще года 2 тому назад я выкладывал в канал для скачивания хорошие книги по теме профайлинга и детекции лжи, а потом, после прозрачных намеков нескольких издательств перестал это делать. Но все же большинство из них можно скачать по #книги. Так вот, плохая новость в том, что больше я выкладывать сюда книги на русском языке не буду.
Первая хорошая новость в том, что на моем сайте появился раздел «библиотека», где классические книги по профайлингу вы можете скачать бесплатно. Библиотека разделена на разделы «Все книги Филатова» за 500 руб., «Классика профайлинга» и «Профайлинг для продвинутых» - бесплатно, а вот если вы причисляете себя к ценителям и эстетам – то за это не грех и немного заплатить. Библиотека будет постоянно пополняться новинками литературы, которую я сам читаю и рекомендую посмотреть вам.
Ну и вторая хорошая новость: буквально на днях вышло четвертое переиздание учебника «Modern Psychometrics: the science of psychological assessment», одним из авторов которого является тот самый Михал Косински, о котором я тут много раз писал. Книга сжато содержит все тонкости психометрики и точно станет знАковой. В частности Косински неплохо описывает главы про использование в психометрике цифрового следа и технологий искусственного интеллекта. Поэтому книга будет интересна всем, кто серьезно занимается бизнес-психометрикой. Просмотрев книгу, я понял, что мы в нашем ProfileCenter реализовали практически все, что там описано. И даже гораздо больше. И это радует.
#рецензии, #библиотека, #Косински, #мэтры, #bigdata, #datascience, #психометрика, #книги, #профайлинг, #аналитика, #скачать, #Филатов, #профайлинг_филатов, #ProProfiling
У меня для вас 3 новости: две хорошие и одна плохая.
Начнем традиционно с плохой: олды помнят, что еще года 2 тому назад я выкладывал в канал для скачивания хорошие книги по теме профайлинга и детекции лжи, а потом, после прозрачных намеков нескольких издательств перестал это делать. Но все же большинство из них можно скачать по #книги. Так вот, плохая новость в том, что больше я выкладывать сюда книги на русском языке не буду.
Первая хорошая новость в том, что на моем сайте появился раздел «библиотека», где классические книги по профайлингу вы можете скачать бесплатно. Библиотека разделена на разделы «Все книги Филатова» за 500 руб., «Классика профайлинга» и «Профайлинг для продвинутых» - бесплатно, а вот если вы причисляете себя к ценителям и эстетам – то за это не грех и немного заплатить. Библиотека будет постоянно пополняться новинками литературы, которую я сам читаю и рекомендую посмотреть вам.
Ну и вторая хорошая новость: буквально на днях вышло четвертое переиздание учебника «Modern Psychometrics: the science of psychological assessment», одним из авторов которого является тот самый Михал Косински, о котором я тут много раз писал. Книга сжато содержит все тонкости психометрики и точно станет знАковой. В частности Косински неплохо описывает главы про использование в психометрике цифрового следа и технологий искусственного интеллекта. Поэтому книга будет интересна всем, кто серьезно занимается бизнес-психометрикой. Просмотрев книгу, я понял, что мы в нашем ProfileCenter реализовали практически все, что там описано. И даже гораздо больше. И это радует.
#рецензии, #библиотека, #Косински, #мэтры, #bigdata, #datascience, #психометрика, #книги, #профайлинг, #аналитика, #скачать, #Филатов, #профайлинг_филатов, #ProProfiling
Proprofiling
Библиотека профайлера
Книги по профайлингу
May 6, 2021
Modern Psychometrics_Kosinski.pdf
5.3 MB
«Modern Psychometrics: the science of psychological assessment», М.Косински и соавторы.
#рецензии, #библиотека, #Косински, #мэтры, #bigdata, #datascience, #психометрика, #книги, #профайлинг, #аналитика, #скачать, #Филатов, #профайлинг_филатов, #ProProfiling
#рецензии, #библиотека, #Косински, #мэтры, #bigdata, #datascience, #психометрика, #книги, #профайлинг, #аналитика, #скачать, #Филатов, #профайлинг_филатов, #ProProfiling
May 6, 2021
Прогностика и предиктивная аналитика, часть 1.
Судя по статистике, многим что называется "зашли" мои подборки по современной литературе по профайлингу. Например, в подборка по эмоциям была сохранена 455 раз: больше было только у картинок психотипов в профайлинге.
Люди спрашивают, читал ли я все это: отвечаю, да читал. Что-то пристально и на несколько раз, что-то слегка. Поэтому и могу рекомендовать. При этом напомню, что это новые книги, а не книги рубежа тысячелетия или даже раньше.
Тема сегодняшней подборки - предиктивная аналитика и прогностика: важнейшая и моя любимая ветвь профайлинга.
К сожалению этой теме уделяется не так много времени как должно, - но именно она самая интенсивно развивающаяся, по которой принято писать не книги, а статьи. Хорошей литературы на русском языке на эту тему немного.
Напоминаю, что на все эти книги у вас скидка 10%.
Подборка книг по эмоциям здесь.
Подборка книг по нейробиологии, часть 1.
Подборка книг по нейробиологии, часть 2.
Итак: предиктивная аналитика и прогностика, часть 1.
1. Эрик Сигель. Просчитать будущее. Кто кликнет, купит, соврёт или умрёт. Издание
Несмотря на то, что это книга 2014 года и в теме предиктивной аналитике уже все улетело в космос, книга позволит вам оценить возможности доказательной прогностики середины 10х годов. Это все-таки классика.
2. Филип Тэтлок и Дэн Гарднер. Думай медленно - предсказывай точно.
Тэтлок и Гарднер - мэтры прогностики. Собственно, его книги особенно полезно прочитать вместе с работами Канемана, о котором мы еще поговорим.
3. Дэвис Уильям. Индустрия счастья. Как Big Data и новые технологии помогают добавить эмоцию в товары и услуги.
Строго говоря книга не только о прогностике, а содержит в себе и сравнительно много информации о поведении человека.
4. Джон Урри. Как выглядит будущее?
Содержательная и весьма многосторонняя книга, показывающая помимо прочего обхор подходов к прогнозированию.
5. Нассим Талеб. Черный лебедь. Под знаком непредсказуемости.
Вообще рекомендую почитать все книги Талеба: кое что там конечно лишнее и не относится к профайлингу вообще, но большинство идей вполне в тему.
6. Алан Гринспен. Карта и территория. Риск, человеческая природа и проблемы прогнозирования.
Хорошая книга по поведенческой экономике и оценке рисков. Довольно много полезных моментов, хотя надо вчитываться.
7. Анналин Ын, Кеннет Су. Теоретический минимум по Big Data. Всё что нужно знать о больших данных.
Хороший ликбез по оценке BigData для начинающих без большой математике и терминологической нагруженности.
8. Дэвид Хэнд. Темные данные. Практическое руководство по принятию правильных решений в мире недостающих данных.
Отличная книга по аналитике. Классика. Просто, понятно, практично, содержательно.
9. Нейт Сильвер. Сигнал и шум. Почему одни прогнозы сбываются, а другие – нет.
Книга полезная, но нужно вчитываться и вычитывать эту пользу, скрытую за довольно толстым слоем воды.
10. Даниэль Канеман, Касс Р. Санстейн, Оливье Сибони. Шум. Несовершенство человеческих суждений.
Книга для обязательного чтения от безусловных мэтров на стыке прогностики и когнитивных искажений. Сложновато, но очень полезно.
Посмотреть весь список можно здесь
#книги, #рекомендации, #новинки, #мэтры, #будущее, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #Proprofiling
Судя по статистике, многим что называется "зашли" мои подборки по современной литературе по профайлингу. Например, в подборка по эмоциям была сохранена 455 раз: больше было только у картинок психотипов в профайлинге.
Люди спрашивают, читал ли я все это: отвечаю, да читал. Что-то пристально и на несколько раз, что-то слегка. Поэтому и могу рекомендовать. При этом напомню, что это новые книги, а не книги рубежа тысячелетия или даже раньше.
Тема сегодняшней подборки - предиктивная аналитика и прогностика: важнейшая и моя любимая ветвь профайлинга.
К сожалению этой теме уделяется не так много времени как должно, - но именно она самая интенсивно развивающаяся, по которой принято писать не книги, а статьи. Хорошей литературы на русском языке на эту тему немного.
Напоминаю, что на все эти книги у вас скидка 10%.
Подборка книг по эмоциям здесь.
Подборка книг по нейробиологии, часть 1.
Подборка книг по нейробиологии, часть 2.
Итак: предиктивная аналитика и прогностика, часть 1.
1. Эрик Сигель. Просчитать будущее. Кто кликнет, купит, соврёт или умрёт. Издание
Несмотря на то, что это книга 2014 года и в теме предиктивной аналитике уже все улетело в космос, книга позволит вам оценить возможности доказательной прогностики середины 10х годов. Это все-таки классика.
2. Филип Тэтлок и Дэн Гарднер. Думай медленно - предсказывай точно.
Тэтлок и Гарднер - мэтры прогностики. Собственно, его книги особенно полезно прочитать вместе с работами Канемана, о котором мы еще поговорим.
3. Дэвис Уильям. Индустрия счастья. Как Big Data и новые технологии помогают добавить эмоцию в товары и услуги.
Строго говоря книга не только о прогностике, а содержит в себе и сравнительно много информации о поведении человека.
4. Джон Урри. Как выглядит будущее?
Содержательная и весьма многосторонняя книга, показывающая помимо прочего обхор подходов к прогнозированию.
5. Нассим Талеб. Черный лебедь. Под знаком непредсказуемости.
Вообще рекомендую почитать все книги Талеба: кое что там конечно лишнее и не относится к профайлингу вообще, но большинство идей вполне в тему.
6. Алан Гринспен. Карта и территория. Риск, человеческая природа и проблемы прогнозирования.
Хорошая книга по поведенческой экономике и оценке рисков. Довольно много полезных моментов, хотя надо вчитываться.
7. Анналин Ын, Кеннет Су. Теоретический минимум по Big Data. Всё что нужно знать о больших данных.
Хороший ликбез по оценке BigData для начинающих без большой математике и терминологической нагруженности.
8. Дэвид Хэнд. Темные данные. Практическое руководство по принятию правильных решений в мире недостающих данных.
Отличная книга по аналитике. Классика. Просто, понятно, практично, содержательно.
9. Нейт Сильвер. Сигнал и шум. Почему одни прогнозы сбываются, а другие – нет.
Книга полезная, но нужно вчитываться и вычитывать эту пользу, скрытую за довольно толстым слоем воды.
10. Даниэль Канеман, Касс Р. Санстейн, Оливье Сибони. Шум. Несовершенство человеческих суждений.
Книга для обязательного чтения от безусловных мэтров на стыке прогностики и когнитивных искажений. Сложновато, но очень полезно.
Посмотреть весь список можно здесь
#книги, #рекомендации, #новинки, #мэтры, #будущее, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #Proprofiling
April 29, 2022
Опубликован большой альманах «Искусственный Интеллект» индекс 2021 года.
Я в последние 5 лет смотрю его довольно пристально, тем более, что в позапрошлом году там было упоминание о нас и о нашей победе в «Новаторе Москвы» в номинации «IT и ИИ».
О искусственном интеллекте в профайлинге я здесь писал довольно много, посмотрите по хештегам. И не только хорошего. Но тем не менее факт есть факт: будущее профайлинга во многом связано именно с ИИ. Его значение будет только увеличиваться, в то время как значение других направлений профайлинга так интенсивно развиваться не будут.
Всем, кто интересуется этой темой будет интересно взглянуть отчет. В том числе и в связи с разговорами о том, что наши IT-специалисты уезжают за рубеж. По своему опыту и кругу общения скажу: да, уезжают. Не все конечно, но чувствительно. А между прочим в РФ всего 400 компаний, занимающихся ИИ. Это капля в море по сравнению с Китаем или США и даже с Бразилией. Тоже самое относительно публикаций по ИИ и патентам.
В общем – расти и развиваться есть куда.
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
Я в последние 5 лет смотрю его довольно пристально, тем более, что в позапрошлом году там было упоминание о нас и о нашей победе в «Новаторе Москвы» в номинации «IT и ИИ».
О искусственном интеллекте в профайлинге я здесь писал довольно много, посмотрите по хештегам. И не только хорошего. Но тем не менее факт есть факт: будущее профайлинга во многом связано именно с ИИ. Его значение будет только увеличиваться, в то время как значение других направлений профайлинга так интенсивно развиваться не будут.
Всем, кто интересуется этой темой будет интересно взглянуть отчет. В том числе и в связи с разговорами о том, что наши IT-специалисты уезжают за рубеж. По своему опыту и кругу общения скажу: да, уезжают. Не все конечно, но чувствительно. А между прочим в РФ всего 400 компаний, занимающихся ИИ. Это капля в море по сравнению с Китаем или США и даже с Бразилией. Тоже самое относительно публикаций по ИИ и патентам.
В общем – расти и развиваться есть куда.
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
aireport.ru
Альманах по Искусственному Интеллекту
Альманах по Искусственному Интеллекту. Главная тема первого номера Стратегия - в отчете проводится анализ ситуации в мире, обзор стратегий основных стран в области ИИ и обсуждается возможная стратегия России в области ИИ.
May 3, 2022
Индекс-ИИ-2021.pdf
8.8 MB
А вот и сам Альманах.
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
#ИИ, #технологии, #BigData, #развитие, #ITгиганты, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #ProProfiling
May 3, 2022
Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.
После 50-ти лайков этого поста опубликую вторую часть 😉
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
После 50-ти лайков этого поста опубликую вторую часть 😉
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
May 4, 2022
May 4, 2022
Темные данные в профайлинге. Часть 2.
Начало здесь.
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Начало здесь.
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Telegram
Профайлинг, нейротехнологии и детекции лжи
Темные данные в профайлинге. Часть 1.
Темные данные – это определение, данное информации, которая не является полной, достоверной и точно относящейся к конкретной интересующей вас теме.
Понятие темных данных возникло из аналогии с другим физическим термином…
Темные данные – это определение, данное информации, которая не является полной, достоверной и точно относящейся к конкретной интересующей вас теме.
Понятие темных данных возникло из аналогии с другим физическим термином…
May 6, 2022
May 6, 2022
Прогностика и предиктивная аналитика, часть 2.
Собственно, что почитать на ближайшие праздники и выходные?
Тема сегодняшней подборки - предиктивная аналитика и прогностика: важнейшая и моя любимая ветвь профайлинга.
Я люблю тему прогностики и трендов потому, что такая литература всегда заставляет задать себе вопрос: "а верной ли мы дорогой идем, товарищи? и не повернули ли мы назад?" Как вы понимаете, эти вопросы прямо сейчас актуальны как никогда.
Напоминаю, что на все эти книги у вас скидка 10%.
Подборка книг по эмоциям здесь.
Подборка книг по нейробиологии, часть 1.
Подборка книг по нейробиологии, часть 2.
Подборка книг по предиктивной аналитике и прогностике, часть 1.
Итак: предиктивная аналитика и прогностика, часть 2.
1. Фактологичность. Десять причин наших заблуждений о мире – и почему все не так плохо, как кажется. Анна Рослинг Рённлунд, Ула Рослинг, Ханс Рослинг.
Книга с аннотациями Билла Гейтса и Барака Обамы посвящена тома, как анализировать шумные данные в самых разнообразных ситуациях. Непростая, но содержательная.
2. Почему. Руководство по поиску причин и принятию решений. Саманта Клейнберг.
Содержательная, но для многих непростая книга по определению причинно-следственных и других связей между событиями.
3. Как не ошибаться. Сила математического мышления. Джордан Элленберг
Отличная объемная книга, в которой основной акцент сделан на статистику и теорию вероятности, работу в ситуации неопределенности.
4. Теория игр. Искусство стратегического мышления в бизнесе и жизни. Барри Дж. Нейлбафф, Авинаш Диксит.
Классическая, хоть и довольно древняя (2008) книга о теории вероятностей и игр при принятии решений. Содержательно, объемно и нескучно. В сравнении с другими - просто)).
5. Неизбежно. 12 технологических трендов, которые определяют наше будущее. Кевин Келли.
Большинство книг о трендах содержат довольно много воды и весьма дискуссионные. Эта - одна из лучших по теме. Не бе вопросов, но ОК.
6. 2030. Как современные тренды влияют друг на друга и на наше будущее. Мауро Гильен.
Книга издана в доковидную эпоху и не учитывает этого тренда. Но во всем остальном - сильна и системна.
7. Мегатренды. Как предсказывать грядущие тенденции и видеть то, что упускают другие. Рохит Бхаргава.
Книга на стыке прогностики, креативного мышления и трендологии. Хорошая и содержательная.
8. Будущее быстрее, чем вы думаете. Как технологии меняют бизнес, промышленность и нашу жизнь. Стивен Котлер, Питер Диамандис.
Книга про тренды в бизнесе, промышленности и социальных технологиях. Заставляет задуматься.. Рекомендую ообенно руководителям.
9. Вероятности и неприятности. Математика повседневной жизни. Сергей Самойленко.
Хорошая и совсем недавно вышедшая книга по математическому мышлению и статистике. Но для большинства покажется сложной.
10. Игра случая. Математика и мифология совпадения. Джозеф Мазур.
Самая простая, легенькая и тоненькая из всего этого списка)). Если вы вообще не в теме - то лучше не найти.
Посмотреть весь список можно здесь
#книги, #рекомендации, #новинки, #мэтры, #будущее, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #Proprofiling
Собственно, что почитать на ближайшие праздники и выходные?
Тема сегодняшней подборки - предиктивная аналитика и прогностика: важнейшая и моя любимая ветвь профайлинга.
Я люблю тему прогностики и трендов потому, что такая литература всегда заставляет задать себе вопрос: "а верной ли мы дорогой идем, товарищи? и не повернули ли мы назад?" Как вы понимаете, эти вопросы прямо сейчас актуальны как никогда.
Напоминаю, что на все эти книги у вас скидка 10%.
Подборка книг по эмоциям здесь.
Подборка книг по нейробиологии, часть 1.
Подборка книг по нейробиологии, часть 2.
Подборка книг по предиктивной аналитике и прогностике, часть 1.
Итак: предиктивная аналитика и прогностика, часть 2.
1. Фактологичность. Десять причин наших заблуждений о мире – и почему все не так плохо, как кажется. Анна Рослинг Рённлунд, Ула Рослинг, Ханс Рослинг.
Книга с аннотациями Билла Гейтса и Барака Обамы посвящена тома, как анализировать шумные данные в самых разнообразных ситуациях. Непростая, но содержательная.
2. Почему. Руководство по поиску причин и принятию решений. Саманта Клейнберг.
Содержательная, но для многих непростая книга по определению причинно-следственных и других связей между событиями.
3. Как не ошибаться. Сила математического мышления. Джордан Элленберг
Отличная объемная книга, в которой основной акцент сделан на статистику и теорию вероятности, работу в ситуации неопределенности.
4. Теория игр. Искусство стратегического мышления в бизнесе и жизни. Барри Дж. Нейлбафф, Авинаш Диксит.
Классическая, хоть и довольно древняя (2008) книга о теории вероятностей и игр при принятии решений. Содержательно, объемно и нескучно. В сравнении с другими - просто)).
5. Неизбежно. 12 технологических трендов, которые определяют наше будущее. Кевин Келли.
Большинство книг о трендах содержат довольно много воды и весьма дискуссионные. Эта - одна из лучших по теме. Не бе вопросов, но ОК.
6. 2030. Как современные тренды влияют друг на друга и на наше будущее. Мауро Гильен.
Книга издана в доковидную эпоху и не учитывает этого тренда. Но во всем остальном - сильна и системна.
7. Мегатренды. Как предсказывать грядущие тенденции и видеть то, что упускают другие. Рохит Бхаргава.
Книга на стыке прогностики, креативного мышления и трендологии. Хорошая и содержательная.
8. Будущее быстрее, чем вы думаете. Как технологии меняют бизнес, промышленность и нашу жизнь. Стивен Котлер, Питер Диамандис.
Книга про тренды в бизнесе, промышленности и социальных технологиях. Заставляет задуматься.. Рекомендую ообенно руководителям.
9. Вероятности и неприятности. Математика повседневной жизни. Сергей Самойленко.
Хорошая и совсем недавно вышедшая книга по математическому мышлению и статистике. Но для большинства покажется сложной.
10. Игра случая. Математика и мифология совпадения. Джозеф Мазур.
Самая простая, легенькая и тоненькая из всего этого списка)). Если вы вообще не в теме - то лучше не найти.
Посмотреть весь список можно здесь
#книги, #рекомендации, #новинки, #мэтры, #будущее, #прогностика, #аналитика, #BigData, #профайлинг_филатов, #Proprofiling
May 6, 2022
ТИП 8. Неверно определяемые данные.
Различные определения, даже профессиональные могут быть противоречивыми или со временем меняться.
Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Различные определения, даже профессиональные могут быть противоречивыми или со временем меняться.
Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
November 28, 2024
Темные данные в профайлинге. Часть 2.
Продолжение, начало здесь
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
Продолжение, начало здесь
ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.
Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.
ТИП 10. Ошибки измерения и неопределенность.
Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.
ТИП 11. Искажения обратной связи и уловки.
Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.
ТИП 12. Информационная асимметрия.
Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.
ТИП 13. Намеренно затемненные данные.
Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.
ТИП 14. Фальшивые и синтетические данные.
Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.
ТИП 15. Экстраполяция за пределы ваших данных.
Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.
#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling
December 4, 2024