Много цифр: Анализ больших данных при помощи Excel
Покупка
Издательство:
Альпина Паблишер
Автор:
Форман Джон
Перевод:
Соколова А.
Год издания: 2016
Кол-во страниц: 461
Дополнительно
Вид издания:
Практическое пособие
Уровень образования:
ВО - Бакалавриат
ISBN: 978-5-9614-5032-3
Артикул: 781041.01.99
Доступ онлайн
В корзину
Казалось бы, термин «большие данные» понятен и доступен только специалистам. Но автор этой книги доказывает, что анализ данных можно организовать и в простом, понятном, очень эффективном и знакомом многим Excel. Причем не важно, сколько велик ваш массив данных. Техники, предложенные в этой книге, будут полезны и владельцу небольшого интернет-магазина, и аналитику крупной торговой компании. Вы перестанете бояться больших данных, научитесь видеть в них нужную вам информацию и сможете проанализировать предпочтения ваших клиентов и предложить им новые продукты, оптимизировать денежные потоки и складские запасы, другими словами, повысите эффективность работы вашей организации. Книга будет интересна маркетологам, бизнес-аналитикам и руководителям разных уровней, которым важно владеть статистикой для прогнозирования и планирования будущей деятельности компаний.
- Полная коллекция по информатике и вычислительной технике
- Аналитика данных
- Интермедиатор. Бизнес-информатика (сводная)
- Интермедиатор. Информационные системы и технологии (сводная)
- Интермедиатор. ИТ-технологии для профессионалов (сводная)
- Интермедиатор. Статистика (сводная)
- Информационные технологии в экономике и управлении
Тематика:
ББК:
- 3297: Вычислительная техника
- 6505: Управление экономикой. Экономическая статистика. Учет. Экономический анализ
УДК:
- 004: Информационные технологии. Вычислительная техника...
- 330: Экономические науки в целом. Политическая экономия
ОКСО:
- ВО - Бакалавриат
- 38.03.01: Экономика
- 38.03.02: Менеджмент
- 38.03.05: Бизнес-информатика
- 38.03.06: Торговое дело
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
Editor’s choice — выбор главного редактора Разговоры о Big Data идут уже давно, есть и книги на эту тему. Но в общем и целом все они были о том, что Big Data — «круто», этим занимаются ведущие компании мира, а вот и кейсы от этих компаний. Теперь же у нас есть книга, которая показывает, как работать с Big Data практически, причем без сложных программ, на обычном Excel. Изучив ряд несложных приемов, руководители малого и среднего бизнеса смогут находить в массивах своих данных неочевидные зависимости, которые позволят получить серьезное конкурентное преимущество. Знания — это сила, а знания, полученные из больших данных, — большая сила. Сергей Турко, главный редактор издательства «Альпина Паблишер»
Data Smart John W. Foreman Using Data Science to Transform Information into Insight
Много цифр Джон Форман Перевод с английского Москва 2016 Анализ больших данных при помощи Excel
УДК 330.47 ББК 65.051.03 Ф79 Переводчик А. Соколова Редактор Л. Мамедова Форман Дж. Ф79 Много цифр: Анализ больших данных при помощи Excel / Джон Форман ; Пер. с англ. А. Соколовой. — М. : Альпина Паблишер, 2016. — 461 с. ISBN 978-5-9614-5032-3 Казалось бы, термин «большие данные» понятен и доступен только специалистам. Но автор этой книги доказывает, что анализ данных можно организовать и в простом, понятном, очень эффективном и знакомом многим Excel. Причем не важно, сколько велик ваш массив данных. Техники, предложенные в этой книге, будут полезны и владельцу небольшого интернет-магазина, и аналитику крупной торговой компании. Вы перестанете бояться больших данных, научитесь видеть в них нужную вам информацию и сможете проанализировать предпочтения ваших клиентов и предложить им новые продукты, оптимизировать денежные потоки и складские запасы, другими словами, повысите эффективность работы вашей организации. Книга будет интересна маркетологам, бизнес-аналитикам и руководителям разных уровней, которым важно владеть статистикой для прогнозирования и планирования будущей деятельности компаний. УДК 330.47 ББК 65.051.03 Все права защищены. Никакая часть этой книги не может быть воспроизведена в какой бы то ни было форме и какими бы то ни было средствами, включая размещение в сети Интернет и в корпоративных сетях, а также запись в память ЭВМ для частного или публичного использования без письменного разрешения владельца авторских прав. По вопросу организации доступа к электронной библиотеке издательства обращайтесь по адресу mylib@alpina.ru © John Wiley & Sons, Inc., Indianapolis, Indiana, 2014 All Rights Reserved. This translation published under license with the original publisher John Wiley & Sons, Inc. © Издание на русском языке, перевод, оформление. ООО «Альпина Паблишер», 2016 © Фотография на обложке. Jason Travis / Courtesy of John W. Foreman ISBN 978-5-9614-5032-3 (рус.) ISBN 978-1-118-66146-8 (англ.)
Содержание Введение ........................................................................................................................................ 11 1 Все, что вы жаждали знать об электронных таблицах, но боялись спросить ..................................................................................................... 21 Немного данных для примера ..................................................................................... 22 Быстрый просмотр с помощью кнопок управления ............................................... 23 Быстрое копирование формул и данных .................................................................. 24 Форматирование ячеек ................................................................................................ 25 Специальная вставка .................................................................................................... 27 Вставка диаграмм ......................................................................................................... 28 Расположение меню поиска и замены ...................................................................... 29 Формулы поиска и вывода величины ........................................................................ 30 Использование VLOOKUP/ВПР для объединения данных ...................................... 32 Фильтрация и сортировка ........................................................................................... 33 Использование сводных таблиц ................................................................................. 37 Использование формул массива ................................................................................ 40 Решение задач с помощью «Поиска решения» ........................................................ 41 OpenSolver: хотелось бы обойтись без него, но это невозможно ......................... 46 Подытожим .................................................................................................................... 47 2 Кластерный анализ, часть I: использование метода k-средних для сегментирования вашей клиентской базы ................................................... 49 Девочки танцуют с девочками, парни чешут в затылке .......................................... 51 Реальная жизнь: кластеризация методом k-средних в электронном маркетинге .......................................................................................... 56 Оптовая Винная Империя Джоуи Бэг О'Донатса ........................................................ 56 Исходный набор данных ............................................................................................ 57 Определяем предмет измерений ............................................................................... 58
Много цифр 6 Начнем с четырех кластеров ...................................................................................... 61 Евклидово расстояние: измерение расстояний напрямик ......................................... 62 Расстояния и принадлежность к кластеру для всех! .................................................. 65 Поиск решений для кластерных центров ................................................................... 67 Смысл полученных результатов ................................................................................. 70 Рейтинг сделок кластерным методом ........................................................................ 71 Силуэт: хороший способ позволить разным значениям k посостязаться .................. 75 Как насчет пяти кластеров?........................................................................................ 82 Поиск решения для пяти кластеров ........................................................................... 83 Рейтинг сделок для всех пяти кластеров .................................................................... 84 Вычисление силуэта кластеризации по пяти средним ............................................... 87 K-медианная кластеризация и асимметрическое измерение расстояний ........... 89 Использование k-медианной кластеризации ............................................................. 89 Переходим к соответствующему измерению расстояний .......................................... 90 А теперь все то же самое, но в Excel .......................................................................... 92 Рейтинг сделок для 5-медианных кластеров .............................................................. 94 Подытожим .................................................................................................................... 98 3 Наивный байесовский классификатор и неописуемая легкость бытия идиотом .............................................................101 Называя продукт Mandrill, ждите помех вместе с сигналами ..............................101 Самое быстрое в мире введение в теорию вероятности .....................................104 Суммируем условную вероятность ..........................................................................104 Совместная вероятность, цепное правило и независимость ...................................105 Что же с зависимыми событиями? ...........................................................................106 Правило Байеса .......................................................................................................107 Использование правила Байеса для создания моделирования ..........................108 Высококлассные вероятности часто считаются равными ........................................110 Еще немного деталей классификатора ....................................................................111 Да начнется Excel-вечеринка! ...................................................................................113 Убираем лишнюю пунктуацию .................................................................................113 Разное о пробелах ...................................................................................................114 Подсчет жетонов и вычисление вероятностей.........................................................118 У нас есть модель! Воспользуемся ею .....................................................................121 Подытожим ..................................................................................................................127 4 Оптимизационное моделирование: этот «свежевыжатый апельсиновый сок» не смешает себя сам ................129 Зачем ученым, работающим с данными, нужна оптимизация? ..........................130 Начнем с простого компромисса .............................................................................131 Представим проблему в виде политопа ...................................................................132
Содержание 7 Решение путем сдвигания линии уровня функции ...................................................134 Симплекс-метод: все по углам .................................................................................135 Работа в Excel ...........................................................................................................137 Монстр в конце главы ..............................................................................................147 Свежий, из сада — прямо в стакан… с небольшой остановкой на модель смешивания .................................................148 Вы используете модель для смешивания .................................................................149 Начнем с характеристик ...........................................................................................150 Возвращаемся к консистенции ................................................................................151 Вводим данные в Excel .............................................................................................152 Постановка задачи «Поиску решения» .....................................................................155 Снижаем стандарты .................................................................................................158 Удаление дохлых белок: правило минимакс ............................................................161 «Если… то» и ограничение «Большого М» ................................................................164 Еще больше переменных: добьем до 11 ..................................................................167 Моделируем риски .....................................................................................................175 Нормальное распределение данных ........................................................................176 Подытожим ..................................................................................................................184 5 Кластерный анализ, часть II: сетевые графы и определение сообществ ....187 Что такое сетевой граф? ............................................................................................188 Визуализируем простой граф ...................................................................................189 Краткое введение в Gephi ..........................................................................................192 Установка Gephi и подготовка файлов .....................................................................192 Визуализация графа .................................................................................................194 Степень вершины .....................................................................................................197 Приятная картинка ...................................................................................................200 Прикосновение к данным графа ..............................................................................200 Строим граф из данных об оптовой торговле вином ........................................... 202 Создание матрицы близости косинусов ...................................................................204 Построение графа N-соседства ...............................................................................207 Числовое значение ребра: очки и штрафные в модулярности графа ................212 Кто же такие «очки» и «штрафные»? ........................................................................212 Подготовка к итоговому подсчету ............................................................................216 Переходим к кластеризации! ....................................................................................219 Деление 1 .................................................................................................................219 Деление 2: электролатино! .......................................................................................225 И… деление 3: возмездие .........................................................................................227 Кодируем и анализируем группы .............................................................................228 Туда и обратно: история Gephi .................................................................................233 Подытожим ..................................................................................................................238
Много цифр 8 6 Бабушка контролируемого искусственного интеллекта — регрессия .....241 Погоди, ты что — беременна? ...................................................................................241 Не обольщайтесь! .......................................................................................................242 Определение беременных покупателей РитейлМарта с помощью линейной регрессии ..............................................................................243 Набор отличительных признаков .............................................................................244 Сборка обучающих данных ......................................................................................245 Создание фиктивных переменных ............................................................................247 Мы сделаем свою собственную линейную регрессию! ...........................................250 Статистика линейной регрессии: R-квадрат, критерии Фишера и Стьюдента .........259 Делаем прогнозы на основании новых данных и измеряем результат ....................270 Предсказание беременных покупателей РитейлМарта с помощью логистической регрессии .....................................................................281 Первое, что нам нужно — это функция связи ...........................................................281 Присоединение логистической функции и реоптимизация .....................................282 Создание настоящей логистической регрессии .......................................................286 Выбор модели: сравнение работы линейной и логистической регрессий ...............287 Дополнительная информация ..................................................................................291 Подытожим ..................................................................................................................292 7 Комплексные модели: огромная куча ужасной пиццы .................................293 Используем данные из главы 6 .................................................................................294 Бэггинг: перемешать, обучить, повторить ...............................................................296 Одноуровневое дерево решений — неудачное название «неумного» определителя ........................................................296 А мне не кажется, что это глупо! ..............................................................................297 Нужно еще сильнее! ...................................................................................................300 Обучим же ее! ..........................................................................................................300 Оценка бэггинговой модели .....................................................................................310 Бустинг: если сразу не получилось, бустингуйте и пробуйте снова ..................................................................................315 Обучаем модель: каждому признаку — шанс ...........................................................315 Оценка модели бустинга ..........................................................................................324 Подытожим ..................................................................................................................327 8 Прогнозирование: дышите ровно, выиграть невозможно ...........................329 Торговля мечами начата ............................................................................................330 Знакомство с временной последовательностью данных .....................................331 Медленный старт с простым экспоненциальным сглаживанием ........................333 Настраиваем прогноз простого экспоненциального сглаживания ...........................335
Содержание 9 Возможно, у вас есть тренд ......................................................................................341 Экспоненциальное сглаживание Холта с корректировкой тренда .....................344 Настройка холтовского сглаживания с коррекцией тренда в электронной таблице ...346 Мультипликативное экспоненциальное сглаживание Холта–Винтерса .............360 Установка исходных значений уровня, тренда и сезонности ...................................362 Приступим к прогнозу ..............................................................................................367 И наконец… оптимизация! ........................................................................................372 Пожалуйста, скажите, что это все!!! .........................................................................373 Создаем интервал прогнозирования вокруг прогноза .............................................374 И диаграмма с областями для пущего эффекта .......................................................378 Подытожим ..................................................................................................................381 9 Определение выбросов: выделяющиеся не значит важные .......................383 Выбросы тоже (плохие?) люди! ................................................................................384 Захватывающее дело Хадлум против Хадлум ........................................................384 Границы Тьюки .........................................................................................................386 Применение границ Тьюки в таблице ......................................................................386 Ограничения этого нехитрого метода ......................................................................388 Ни в чем не ужасен, плох во всем ............................................................................390 Подготовка данных к отображению на графе ..........................................................391 Создаем граф ...........................................................................................................394 Вычисляем k ближайших соседей ............................................................................397 Определение выбросов на графе, метод 1: полустепень захода ..............................398 Определение выбросов на графе, метод 2: нюансы k-расстояния ..........................401 Определение выбросов на графе, метод 3: факторы локальных выбросов — это то, что надо ........................................................................................................403 Подытожим ..................................................................................................................409 10 Переходим от таблиц к программированию .....................................................411 Налаживаем контакт с R ............................................................................................412 Пошевелим пальцами ..............................................................................................413 Чтение данных в R ....................................................................................................421 Настоящая научная работа с данными ...................................................................423 Сферическое k-среднее винных данных в нескольких линиях .................................423 Построение моделей ИИ для данных о беременных ................................................430 Прогнозирование в R ...............................................................................................439 Определение выбросов ............................................................................................443 Подытожим ..................................................................................................................448 Заключение .................................................................................................................................451 Благодарности ............................................................................................................................459
Моей жене Лидии. То, что ты делаешь каждый день — круто! Если бы не ты, я бы лишился волос (и ума) миллиард лет назад
Введение Что я здесь делаю? Наверняка где-нибудь в прессе, финансовой литературе и журналах или на конференции вы слышали что-то об обработке данных, их представлении и анализе — том, что составляет «науку о данных». Эта наука может предсказать результаты выборов, рассказать о ваших покупательских привычках больше, чем вы осмелились бы поведать маме, и определить, на сколько лет сокращают вашу жизнь сырные буррито с чили. В последнее время вокруг науки о данных наблюдается некоторый ажиотаж, который начинает оказывать давление на многие виды бизнеса. Не занимаясь анализом данных, вы рискуете потерпеть неудачу в конкурентной борьбе. Обязательно появится кто-нибудь, разработавший очередной новый продукт под названием «Что-то-про-графы-и-большие-данные», — и уничтожит ваш бизнес. Сделайте глубокий вдох. Не все так мрачно! Вас, несомненно, спасет то, что большинство тех, кто считает себя «доками» в науке о данных, делают все ровно наоборот. Они начинают с покупки программ и нанимают консультантов. Они тратят все свои деньги еще до того, как поймут, чего же они на самом деле хотят. Заказав программные инструменты, они считают, что сделали главное и можно расслабиться. Прочитав эту книгу, вы будете на голову выше этих «специалистов». Вы будете иметь точное представление о том, что такое техники анализа данных и как они используются. И когда придет время планировать, нанимать и покупать, вы уже будете знать, как применить возможности науки о данных с пользой именно для вашей конкретной компании. Цель этой книги — введение в практическую науку о данных в комфортном режиме беседы. Надеюсь, что по окончании чтения священный ужас перед этим таинственным «зверем» — данными — сменится энтузиазмом и мыслями о том, как с их помощью поднять свой бизнес на новый уровень.
Много цифр 12 Рабочее определение науки о данных В некоторой степени наука о данных — синоним таких терминов, как бизнес-аналитика; исследование операций; бизнес-интеллект; промышленный шпионаж; анализ, моделирование и раскрытие данных (также называемое обнаружением знаний в базах данных, или ОЗБД). Иными словами, нынешняя наука о данных — просто новый виток того, чем люди занимаются уже довольно долго. После расцвета вышеозначенных и других дисциплин произошел скачок в технологиях. Совершенствование аппаратной и программной платформ сделали легким и недорогим сбор и анализ больших объемов данных во всех областях — будь то продажи и маркетинг, запросы HTTP с вашего сайта или информация для поддержки клиентов. Малый бизнес и некоммерческие организации могут теперь привлекать аналитиков, содержание которых раньше могли себе позволить только большие корпорации. Конечно, из-за того, что наука о данных используется как всеобъемлющее ученое словечко для обозначения аналитики сегодня, она чаще всего ассоциируется с техниками добычи данных (data mining), такими как искусственный интеллект, кластерный анализ и определение выбросов. Благодаря подешевевшей аппаратной поддержке, обеспечившей резкий рост количества переменных бизнес-данных, эти вычислительные техники стали опорой бизнеса в последние годы, хотя раньше они были слишком громоздкими для использования на производстве. В этой книге я собираюсь дать широкий обзор всех разделов науки о данных. Вот определение, которое я буду использовать: Наука о данных — это трансформация данных методами математики и статистики в рабочие аналитические выводы, решения и продукты. Я определяю это понятие с точки зрения бизнеса. В нем упоминается применимый и полноценный готовый продукт, получаемый из данных. Почему? Потому что я занимаюсь этим не в исследовательских целях и не из любви к искусству. Я изучаю данные для того, чтобы помочь моей компании работать лучше и постоянно повышать свою эффективность; поскольку вы держите в руках мою книгу, подозреваю, что наши намерения схожи. Используя это определение, я собираюсь описать вам основные техники анализа данных, такие как оптимизация, прогнозирование и моделирование, а также затронуть наболевшие темы — искусственный интеллект, сетевые графы, кластерный анализ и определение выбросов.
Введение 13 Одни из этих техник довоенные в буквальном смысле слова. Другие внедрены в течение последних 5 лет. Но вы увидите, что возраст не имеет никакого отношения к сложности или полезности. Все эти техники — независимо от степени популярности — одинаково полезны для бизнеса при правильном выборе. Вот почему вам нужно понимать, какая техника для решения какой проблемы подходит, как эти техники работают и как их моделировать. Довольно много людей имеют представление о сути одной или двух описанных мною техник — этим их знания и ограничиваются. Если бы у меня в ящике для инструментов был только молоток, наверное, я бы пытался решать все проблемы ударом посильнее. Совсем как мой двухлетний сын. Но поскольку мне не два года, я предпочитаю иметь еще какие-то инструменты в своем распоряжении. Но подождите, а как же большие данные? Наверняка вы слышали термин «большие данные» даже чаще, чем «наука о данных». О них ли эта книга? Ответ зависит от того, что понимать под большими данными. Если вы определяете большие данные как подсчет сводной статистики неструктурированного мусора, хранящегося в горизонтально масштабируемом NoSQL-массиве, то нет, это книга не о больших данных. Если вы определяете большие данные как превращение переменных данных в решения и аналитические выводы с помощью ультрасовременных методов анализа (независимо от того, где хранится информация), тогда да, моя книга о больших данных. В этой книге не рассматриваются системы управления базами данных, такие как MongoDB и Hbase. В ней не рассказывается о пакетах для разработчиков, таких как Mahout, Numpy, различных R-библиотеках и т. д. Для этого существуют другие книги. Я сделал так намеренно. Эта книга игнорирует инструменты, хранилища и код. Вместо этого она, по возможности, фокусируется на методах. Многие думают, что если смешать хранение и извлечение данных с щепоткой очистки и агрегации, получится коктейль «Все, что нужно знать о больших данных». Они ошибаются. Эта книга поможет вам беспрепятственно пробиться сквозь завесу многозначительной болтовни, которой нас окружают продавцы программного обеспечения для работы с большими данными и блогеры, и покажет вам, на что на самом деле способны ваши данные. Что примечательно, для большинства этих техник объем ваших данных может быть любым — крошечным или
Много цифр 14 огромным. Вы не обязаны иметь петабайт данных и энную сумму с пятью нулями на предсказание интересов вашей огромной клиентской базы. Иметь массив данных — это, конечно, замечательно, однако есть бизнесы, прекрасно обходящие ся и без этого «сокровища», более того — никому не хочется их генерировать. Например, мяснику, торгующему в моем родном квартале. Но это не значит, что его бизнесу помешало бы небольшое кластерное разделение «бекон/колбаса». Если сравнивать книги с видами спорта, моя книга сравнима с гимнастикой. Никаких тренажеров и упражнений на выносливость. Поняв, как реализовывать техники с помощью базовых инструментов, вы обнаружите, что свободно можете применять их во многих технологиях, с легкостью моделировать их, правильно выбирать программные продукты у консультантов, формулировать задачи программистам и т. д. Кто я? Давайте прервемся ненадолго, и я расскажу вам о себе. Научный подход к изучению данных, который я проповедую, возник не вчера — к нему меня вел долгий путь. Много лет назад я был консультантом по менеджменту. Я работал над аналитическими проблемами таких организаций, как ФБР, министерство обороны США, компания Coca-Cola, группы отелей Intercontinental и Royal Carribbean. Из всего этого опыта я вынес одно: наука о данных должна стать прерогативой не только ученых. Я работал с менеджерами, которые покупали симуляции, когда им были нужны модели оптимизации. Я работал с аналитиками, которые понимали только графики Ганта *, так что абсолютно все приходилось представлять в виде этих графиков. Как консультанту, мне было нетрудно расположить к себе покупателя, имея в арсенале любые старые бумаги и миленькую презентацию в PowerPoint, потому что они не могли отличить искусственный интеллект от бизнес-анализа, а бизнес-анализ — от ВS. Цель этой книги — расширение аудитории, способной понять и применить техники научного анализа данных. Я не пытаюсь обратить вас, уважаемые читатели, в специалистов по научной обработке данных против вашей воли. Я просто хочу, чтобы вы научились применять науку о данных настолько, насколько сможете, в той области, в которой вы уже хорошо разбираетесь. Это заставляет задать вопрос: кто же вы? * Популярный тип столбчатых диаграмм (гистограмм), который используется для иллюстрации плана, графика работ по какому-либо проекту. Является одним из методов планирования проектов. — Прим. ред.
Введение 15 Кто вы? Не пугайтесь, я не использовал научный анализ данных, чтобы шпионить за вами. Я понятия не имею, кто вы, но заранее благодарен вам за то, что раскошелились на эту книгу. Вот несколько архетипов (или личностей — для вас, маркетологи!), которые пришли мне на ум, когда я писал эту книгу. Возможно, вы: • заместитель начальника по маркетингу и хотите использовать свои бизнеспеременные стратегическим образом, для оценки продукта и сегмента рынка, но не понимаете подходов, рекомендуемых разработчиками приложений и переоцененными консультантами; • аналитик, предсказывающий спрос, который знает, что история заказов фирмы содержит больше информации о клиентах, чем даже план на следующий квартал; • руководитель розничного интернет-магазина, желающий угадать по данным о предыдущих заказах, когда клиент скорее всего «созреет» для очередной покупки; • бизнес-аналитик, который в состоянии просчитать растущие денежные потоки и затраты на снабжение, но не знает, как перебросить мостик экономии на издержках; • онлайн-маркетолог, который хочет чего-то большего для своей компании от бесплатных текстовых сервисов, таких как электронные письма или социальные сети. Пока же судьба разосланных сообщений незавидна — их открывают и тут же выбрасывают в корзину. Иными словами, вы — читатель, который получает практическую пользу от дополнительной информации о научной обработке данных, но пока не нашел «свой конек» во всем многообразии техник. Цель этой книги — стряхнуть мишуру (код, инструменты и просто слухи) с науки о данных и обучить необходимым техникам на практических примерах, понятных любому, прошедшему курс линейной алгебры или вычислительной математики в институте. Если вы, конечно, их успешно сдали. Если нет — читайте медленно и не стесняйтесь пользоваться Википедией.
Доступ онлайн
В корзину