数据科学实战
Rachel Schutt, Cathy O’Neil
冯凌秉, 王群锋 译
出版时间:2015年02月
页数:290
“这本书告诉我们什么是数据科学。”
“本书是进入数据科学领域的入门指南,它会告诉你干这一行哪些技能是必备的!”
“这本书既严谨,又非常通俗易懂。各种概念的讲解都提供了真实案例辅助理解。”
“本书汇集了行业翘楚的大量洞见。它不仅能让你全面把握这个新兴的领域,来自一线的实战经验也能让你迅速站在行业的前沿。”

大数据时代,人们越来越意识到数据在工作和生活中的重要性,数据科学家应运而生。面对媒体天花乱坠的炒作,怎么才能拨云见日,真正掌握这门跨学科利用数据的学问呢?这本脱胎于常春藤名校哥伦比亚大学“数据科学导论”课程的实战手册能够给你一个满意的回答。
本书作者Rachel Schutt曾在谷歌研究院工作多年,现为美国新闻集团数据科学高级副总裁。她在哥伦比亚大学任教期间,广泛邀请了谷歌、微软、eBay及一些创业公司的数据科学家为学生授课,打破了所谓大学里教不出数据科学家的神话。这些讲座涵盖了上述公司及业界使用的最新算法、方法和模型。本书就是在这些一手资料基础上汇编而成的,它不仅可供不具备相关领域知识的初学者真正了解数据科学,而且也是熟悉线性代数、概率论、统计学、机器学习等主题的人士开阔视野、提升实战技能的优秀指南。
本书内容:
· 统计推断、探索性数据分析(EDA)及数据科学工作流程
· 算法
· 垃圾邮件过滤、朴素贝叶斯和数据清理
· 逻辑回归
· 金融建模
· 推荐引擎和因果关系
· 数据可视化
· 社交网络与数据新闻
· 数据工程、MapReduce、Pregel和Hadoop
  1. 前言
  2. 第1章 简介:什么是数据科学
  3. 1.1 大数据和数据科学的喧嚣
  4. 1.2 冲出迷雾
  5. 1.3 为什么是现在
  6. 1.4 数据科学的现状和历史
  7. 1.5 数据科学的知识结构
  8. 1.6 思维实验:元定义
  9. 1.7 什么是数据科学家
  10. 1.7.1 学术界对数据科学家的定义
  11. 1.7.2 工业界对数据科学家的定义
  12. 第2章 统计推断、探索性数据分析和数据科学工作流程
  13. 2.1 大数据时代的统计学思考
  14. 2.1.1 统计推断
  15. 2.1.2 总体和样本
  16. 2.1.3 大数据的总体和样本
  17. 2.1.4 大数据意味着大胆的假设
  18. 2.1.5 建模
  19. 2.2 探索性数据分析
  20. 2.2.1 探索性数据分析的哲学
  21. 2.2.2 练习:探索性数据分析
  22. 2.3 数据科学的工作流程
  23. 2.4 思维实验:如何模拟混沌
  24. 2.5 案例学习:RealDirect
  25. 2.5.1 RealDirect是如何赚钱的
  26. 2.5.2 练一练:RealDirect公司的数据策略
  27. 第3章 算法
  28. 3.1 机器学习算法
  29. 3.2 三大基本算法
  30. 3.2.1 线性回归模型
  31. 3.2.2 k近邻模型(k-NN)
  32. 3.2.3 k均值算法
  33. 3.3 练习:机器学习算法基础
  34. 3.4 总结
  35. 3.5 思维实验:关于统计学家的自动化
  36. 第4章 垃圾邮件过滤器、朴素贝叶斯与数据清理
  37. 4.1 思维实验:从实例中学习
  38. 4.1.1 线性回归为何不适用
  39. 4.1.2 k近邻效果如何
  40. 4.2 朴素贝叶斯模型
  41. 4.2.1 贝叶斯法则
  42. 4.2.2 个别单词的过滤器
  43. 4.2.3 直通朴素贝叶斯
  44. 4.3 拉普拉斯平滑法
  45. 4.4 对比朴素贝叶斯和k近邻
  46. 4.5 Bash代码示例
  47. 4.6 网页抓取:API和其他工具
  48. 4.7 Jake的练习题:文章分类问题中的朴素贝叶斯模型
  49. 第5章 逻辑回归
  50. 5.1 思维实验
  51. 5.2 分类器
  52. 5.2.1 运行时间
  53. 5.2.2 你自己
  54. 5.2.3 模型的可解释性
  55. 5.2.4 可扩展性
  56. 5.3 逻辑回归:一个来自M6D的真实案例研究
  57. 5.3.1 点击模型
  58. 5.3.2 模型背后
  59. 5.3.3 α和β的参数估计
  60. 5.3.4 牛顿法
  61. 5.3.5 随机梯度下降法
  62. 5.3.6 操练
  63. 5.3.7 模型评价
  64. 5.4 练习题
  65. 第6章 时间戳数据与金融建模
  66. 6.1 Kyle Teague与GetGlue公司
  67. 6.2 时间戳
  68. 6.2.1 探索性数据分析(EDA)
  69. 6.2.2 指标和新变量
  70. 6.2.3 下一步怎么做
  71. 6.3 轮到Cathy O’Neill了
  72. 6.4 思维实验
  73. 6.5 金融建模
  74. 6.5.1 样本期内外以及因果关系
  75. 6.5.2 金融数据处理
  76. 6.5.3 对数收益率
  77. 6.5.4 实例:标准普尔指数
  78. 6.5.5 如何衡量波动率
  79. 6.5.6 指数平滑法
  80. 6.5.7 金融模型的反馈
  81. 6.5.8 聊聊回归模型
  82. 6.5.9 先验信息量
  83. 6.5.10 一个小例子
  84. 6.6 练习:GetGlue提供的时间戳数据
  85. 第7章 从数据到结论
  86. 7.1 William Cukierski
  87. 7.1.1 背景介绍:数据科学竞赛
  88. 7.1.2 背景介绍:众包模式
  89. 7.2 Kaggle模式
  90. 7.2.1 Kaggle的参赛者
  91. 7.2.2 Kaggle的客户
  92. 7.3 思维实验:关于作业自动评分系统
  93. 7.4 特征选择
  94. 7.4.1 例子:留住用户
  95. 7.4.2 过滤型
  96. 7.4.3 包装型
  97. 7.4.4 决策树与嵌入型变量选择
  98. 7.4.5 熵
  99. 7.4.6 决策树算法
  100. 7.4.7 如何在决策树模型中处理连续性变量
  101. 7.4.8 随机森林
  102. 7.4.9 用户黏性:模型的预测能力与可解释性
  103. 7.5 David Huffaker:谷歌社会学研究的新方法
  104. 7.5.1 从描述性统计到预测模型
  105. 7.5.2 谷歌的社交研究
  106. 7.5.3 隐私保护
  107. 7.5.4 思维实验:如何消除用户的顾虑
  108. 第8章 构建面向大量用户的推荐引擎
  109. 8.1 一个真实的推荐引擎
  110. 8.1.1 最近邻算法回顾
  111. 8.1.2 最近邻模型的已知问题
  112. 8.1.3 超越近邻模型:基于机器学习的分类模型
  113. 8.1.4 高维度问题
  114. 8.1.5 奇异值分解(SVD)
  115. 8.1.6 关于SVD的重要特性
  116. 8.1.7 主成分分析(PCA)
  117. 8.1.8 交替最小二乘法
  118. 8.1.9 固定矩阵V,更新矩阵U
  119. 8.1.10 关于这些算法的一点思考
  120. 8.2 思维实验:如何过滤模型中的泡沫
  121. 8.3 练习:搭建自己的推荐系统
  122. 第9章 数据可视化与欺诈侦测
  123. 9.1 数据可视化的历史
  124. 9.1.1 Gabriel Tarde
  125. 9.1.2 Mark的思维实验
  126. 9.2 到底什么是数据科学
  127. 9.2.1 Processing
  128. 9.2.2 Franco Moretti
  129. 9.3 一个数据可视化的方案实例
  130. 9.4 Mark的数据可视化项目
  131. 9.4.1 《纽约时报》大厅里的可视化:Moveable Type
  132. 9.4.2 屏幕上的生命:Cascade可视化项目
  133. 9.4.3 Cronkite广场项目
  134. 9.4.4 eBay 与图书网购
  135. 9.4.5 公共剧场里的“莎士比亚机”
  136. 9.4.6 这些展览的目的是什么
  137. 9.5 数据科学和风险
  138. 9.5.1 关于Square公司
  139. 9.5.2 支付风险
  140. 9.5.3 模型效果的评估问题
  141. 9.5.4 建模小贴士
  142. 9.6 数据可视化在Square
  143. 9.7 Ian的思维实验
  144. 9.8 关于数据可视化
  145. 第10章 社交网络与数据新闻学
  146. 10.1 Morning Analytics与社交网络
  147. 10.2 社交网络分析
  148. 10.3 关于社交网络分析的相关术语
  149. 10.3.1 如何衡量向心性
  150. 10.3.2 使用哪种向心性测度
  151. 10.4 思维实验
  152. 10.5 Morningside Analytics
  153. 10.6 从统计学的角度看社交网络分析
  154. 10.6.1 网络的表示方法与特征值向心度
  155. 10.6.2 随机网络的第一个例子:Erdos-Renyi模型217
  156. 10.6.3 随机网络的第二个例子:指数随机网络图模型
  157. 10.7 数据新闻学
  158. 10.7.1 关于数据新闻学的历史回顾
  159. 10.7.2 数据新闻报告的写作:来自专家的建议
  160. 第11章 因果关系研究
  161. 11.1 相关性并不代表因果关系
  162. 11.1.1 对因果关系提问
  163. 11.1.2 干扰因子:一个关于在线约会网站的例子
  164. 11.2 OK Cupid的发现
  165. 11.3 黄金准则:随机化临床实验
  166. 11.4 A/B测试
  167. 11.5 退一步求其次:关于观察性研究
  168. 11.5.1 辛普森悖论
  169. 11.5.2 鲁宾因果关系模型
  170. 11.5.3 因果关系的可视化
  171. 11.5.4 定义:因果关系
  172. 11.6 三个小建议
  173. 第12章 流行病学
  174. 12.1 Madigan的学术背景
  175. 12.2 思维实验
  176. 12.3 统计学在现代
  177. 12.4 医学文献与观察性研究
  178. 12.5 分层法不解决干扰因子的问题
  179. 12.6 就没有更好的办法吗
  180. 12.7 研究性实验(OMOP)
  181. 12.8 最后的思维实验
  182. 第13章 从竞赛中学到的:数据泄漏和模型评价
  183. 13.1 Claudia作为数据科学家的知识结构
  184. 13.1.1 首席数据科学家的生活
  185. 13.1.2 作为一名女数据科学家
  186. 13.2 数据挖掘竞赛
  187. 13.3 如何成为出色的建模者
  188. 13.4 数据泄漏
  189. 13.4.1 市场预测
  190. 13.4.2 亚马逊案例学习:出手阔绰的顾客
  191. 13.4.3 珠宝抽样问题
  192. 13.4.4 IBM客户锁定
  193. 13.4.5 乳腺癌检测
  194. 13.4.6 预测肺炎
  195. 13.5 如何避免数据泄漏
  196. 13.6 模型评价
  197. 13.6.1 准确度重要吗
  198. 13.6.2 概率的重要性,不是非0即1
  199. 13.7 如何选择算法
  200. 13.8 最后一个例子
  201. 13.9 临别感言
  202. 第14章 数据工程:MapReduce、Pregel、Hadoop
  203. 14.1 关于David Crawshaw
  204. 14.2 思维实验
  205. 14.3 MapReduce
  206. 14.4 单词频率问题
  207. 14.5 其他MapReduce案例
  208. 14.6 Pregel
  209. 14.7 关于Josh Wills
  210. 14.8 思维实验
  211. 14.9 给数据科学家的话
  212. 14.9.1 数据丰富和数据匮乏
  213. 14.9.2 设计模型
  214. 14.10 算算Hadoop的经济账
  215. 14.10.1 Hadoop简介
  216. 14.10.2 Cloudera
  217. 14.11 Josh的工作流程
  218. 14.12 如何开始使用Hadoop
  219. 第15章 听听学生们怎么说
  220. 15.1 重在过程
  221. 15.2 不再简单
  222. 15.3 援助之手
  223. 15.4 殊途同归
  224. 15.5 逢山开路,遇水架桥
  225. 15.6 作品展示
  226. 第16章 下一代数据科学家、自大狂和职业道德
  227. 16.1 前面都讲了些什么
  228. 16.2 什么是数据科学(再问一次)
  229. 16.3 谁是下一代的数据科学家
  230. 16.3.1 成为解决问题的人
  231. 16.3.2 培养软技能
  232. 16.3.3 成为提问者
  233. 16.4 做一个有道德感的数据科学家
  234. 16.5 对于职业生涯的建议
书名:数据科学实战
译者:冯凌秉, 王群锋 译
国内出版社:人民邮电出版社
出版时间:2015年02月
页数:290
书号:978-7-115-38349-5
原版书书名:Doing Data Science
原版书出版商:O'Reilly Media
Rachel Schutt
 
美国新闻集团旗下数据科学部门高级副总裁、哥伦比亚大学统计系兼职教授、约翰逊实验室高级研究科学家,同时也是哥伦比亚大学数据科学及工程研究所教育委员会的发起人之一。她曾在谷歌研究院工作数年,负责设计算法原型并通过建模理解用户行为。
 
 
Cathy O’Neil
 
约翰逊实验室高级数据科学家、哈佛大学数学博士、麻省理工学院数学系博士后、巴纳德学院教授,曾发表过大量算术代数几何方面的论文。他曾在著名的全球投资管理公司D.E. Shaw担任对冲基金金融师,后加入专门评估银行和对冲基金风险的软件公司RiskMetrics,个人博客:mathbabe.org。