编辑推荐
数学、编程、商业分析结合，助您探究数据科学问题。
内容简介
本书可以帮助读者把数学、编程和商业分析联系起来。通过学习这本书，读者有信心探究和解答复杂的数据科学问题，从抽象的原始的统计，发掘出切实可行的观点和想法。本书适合缺乏数学知识的编程人员，或者是拥有数学技能、想投身数据科学领域的人士阅读使用。
章节目录
版权信息
版权声明
内容提要
关于作者
译者简介
中文版审校人
英文版审稿人
前言
本书涵盖的内容
你需要做的准备工作
本书面向的读者
约定
资源与支持
配套资源
提交勘误
与我们联系
关于异步社区和异步图书
第1章 如何听起来像数据科学家
1.1 什么是数据科学
1.1.1 基本的专业术语
1.1.2 为什么是数据科学
1.1.3 案例：西格玛科技公司
1.2 数据科学韦恩图
1.2.1 数学
1.2.2 计算机编程
1.2.3 为什么是Python
1.2.4 领域知识
1.3 更多的专业术语
1.4 数据科学案例
1.4.1 案例：自动审核政府文件
1.4.2 案例：市场营销费用
1.4.3 案例：数据科学家的岗位描述
1.5 总结
第2章 数据的类型
2.1 数据的“味道”
2.2 为什么要进行区分
2.3 结构化数据和非结构化数据
案例：数据预处理
2.4 定量数据和定性数据
2.4.1 案例：咖啡店数据
2.4.2 案例：世界酒精消费量
2.4.3 更深入的研究
2.5 简单小结
2.6 数据的4个尺度
2.6.1 定类尺度
2.6.2 定序尺度
2.6.3 定距尺度
2.6.4 定比尺度
2.7 数据是旁观者的眼睛
2.8 总结
第3章 数据科学的5个步骤
3.1 数据科学简介
3.2 5个步骤概览
3.2.1 提出有意思的问题
3.2.2 获取数据
3.2.3 探索数据
3.2.4 数据建模
3.2.5 可视化和分享结果
3.3 探索数据
3.3.1 数据探索的基本问题
3.3.2 数据集1：Yelp点评数据
3.3.3 数据集2：泰坦尼克
3.4 总结
第4章 基本的数学知识
4.1 数学学科
4.2 基本的数学符号和术语
4.2.1 向量和矩阵
4.2.2 算术符号
4.2.3 图表
4.2.4 指数/对数
4.2.5 集合论
4.3 线性代数
矩阵乘积
4.4 总结
第5章 概率论入门：不可能，还是不太可能
5.1 基本的定义
5.2 概率
5.3 贝叶斯VS频率论
频率论方法
5.4 复合事件
5.5 条件概率
5.6 概率定理
5.6.1 加法定理
5.6.2 互斥性
5.6.3 乘法定理
5.6.4 独立性
5.6.5 互补事件
5.7 再进一步
5.8 总结
第6章 高等概率论
6.1 互补事件
6.2 重温贝叶斯思想
6.2.1 贝叶斯定理
6.2.2 贝叶斯定理的更多应用
6.3 随机变量
6.3.1 离散型随机变量
6.3.2 连续型随机变量
6.4 总结
第7章 统计学入门
7.1 什么是统计学
7.2 如何获取数据
获取数据
7.3 数据抽样
7.3.1 概率抽样
7.3.2 随机抽样
7.3.3 不等概率抽样
7.4 如何描述统计量
7.4.1 测度中心
7.4.2 变异测度
7.4.3 变异系数
7.4.4 相对位置测度
7.5 经验法则
7.6 总结
第8章 高等统计学
8.1 点估计
8.2 抽样分布
8.3 置信区间
8.4 假设检验
8.4.1 实施假设检验
8.4.2 单样本t检验
8.4.3 I型错误和II型错误
8.4.4 分类变量的假设检验
8.5 总结
第9章 交流数据
9.1 为什么交流数据很重要
9.2 识别有效和无效的可视化
9.2.1 散点图
9.2.2 折线图
9.2.3 条形图
9.2.4 直方图
9.2.5 箱形图
9.3 当图表和统计在说谎
9.3.1 相关性VS因果关系
9.3.2 辛普森悖论
9.3.3 如果相关性不等于因果关系，那什么导致了因果关系
9.4 语言交流
9.4.1 关键在于讲故事
9.4.2 正式场合的注意事项
9.5 为什么演示、如何演示和演示策略
9.6 总结
第10章 机器学习精要：你的烤箱在学习吗
10.1 什么是机器学习
10.2 机器学习并不完美
10.3 机器学习如何工作
10.4 机器学习的分类
10.4.1 监督学习
10.4.2 无监督学习
10.4.3 强化学习
10.5 统计模型如何纳入以上分类
10.6 线性回归
10.6.1 增加更多预测因子
10.6.2 回归指标
10.7 Logistic回归
10.8 概率、几率和对数几率
Logistic回归的数学原理
10.9 哑变量
10.10 总结
第11章 树上无预言，真的吗
11.1 朴素贝叶斯分类
11.2 决策树
11.2.1 计算机如何生成回归树
11.2.2 计算机如何拟合分类树
11.3 无监督学习
11.3.1 无监督学习的使用场景
11.3.2 K均值聚类
11.3.3 如何选择最佳的K值，并对簇进行评价
11.4 特征提取和主成分分析
11.5 总结
第12章 超越精要
12.1 偏差-方差权衡
12.1.1 偏差导致的误差
12.1.2 方差导致的误差
12.1.3 两种极端的偏差-方差权衡情况
12.1.4 偏差-方差如何组成误差函数
12.2 K层交叉验证
12.3 网格搜索算法
可视化训练误差和交叉验证误差
12.4 集成技术
12.4.1 随机森林
12.4.2 随机森林VS决策树
12.5 神经网络
神经网络的基本结构
12.6 总结
第13章 案例
13.1 案例1：基于社交媒体预测股票价格
13.1.1 文本情感分析
13.1.2 探索性数据分析
13.1.3 超越案例
13.2 案例2：为什么有些人会对配偶撒谎
13.3 案例3：初试TensorFlow
13.4 总结
深入浅出数据科学是2018年由人民邮电出版社出版,作者 (美) 斯楠·奥兹德米尔 (Sinan Ozdemir) 。
得书感谢您对《深入浅出数据科学》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
