作者介绍

关于封面图

前

第1章简介：什么是数据科学

1.1大数据和数据科学的喧嚣

1.2冲出迷雾

1.3为什么是现在

1.4数据科学的现状和历史

1.5数据科学的知识结构

1.6思维实验：元定义

1.7什么是数据科学家

1.7.1学术界对数据科学家的定义

1.7.2工业界对数据科学家的定义

第2章统计推断、探索性数据分析和数据科学工作流程

2.1大数据时代的统计学思考

2.1.1统计推断

2.1.2总体和样本

2.1.3大数据的总体和样本

2.1.4大数据意味着大胆的假设

2.1.5建模

2.2探索性数据分析

2.2.1探索性数据分析的哲学

2.2.2练习：探索性数据分析

2.3数据科学的工作流程

2.4思维实验：如何模拟混沌

2.5案例学习：RealDirect

2.5.1RealDirect是如何赚钱的

2.5.2练一练：RealDirect公司的数据策略

第3章算法

3.1机器学习算法

3.2三大基本算法

3.2.1线性回归模型

3.2.2足近邻模型(k-NN

3.2.3I(均值算法

3.3练习：机器学习算法基

3.4总结

3.5思维实验：关于统计学家的自动化

第4章垃圾邮件过滤器、朴素贝叶斯与数据清理

4.1思维实验：从实例中学习

4.1.1线性回归为何不适用

4.1.2l(近邻效果如何

4.2朴素贝叶斯模型

4.2.1贝叶斯法则

4.2.2个别单词的过滤器

4.2.3直通朴素贝叶斯

4.3拉普拉斯平滑法

4.4对比朴素贝叶斯和k近邻

4.5Bash代码示例"

4.6网页抓取：APl和其他工具

4.7Jake的练习题：文章分类问题中的朴素贝叶斯模型

第5章逻辑回归

5.1思维实验

5.2分类器

5.2.1运行时间

5.2.2你自己

5.2.3模型的可解释性

5.2.4可扩展性

……

第6章时间戳数据与金融建模

第7章从数据到结论

第8章构建面向大量用户的推荐引擎

第9章数据可视化与欺诈侦测

第10章社交网络与数据新闻学

第11章因果关系研究

第12章流行病学

第13章从竞赛中学到的：数据泄漏和模型评价

第14章数据工程：Mapreduce pregel、Hadoop

第15章听听学生学们怎么说

第16章下一代数据科学家、自大狂和职业道德