數據科學原理（影印版 英文版） pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[美] 思南·約茨德米爾 著

圖書標籤:

• 數據科學
• 統計學
• 機器學習
• 數據分析
• 算法
• 英文教材
• 影印版
• 高等教育
• 計算機科學
• 理論基礎

齣版社： 東南大學齣版社

ISBN：9787564173647

版次：1

商品編碼：12253804

包裝：平裝

開本：16開

齣版時間：2017-10-01

用紙：膠版紙

頁數：369

正文語種：英文

內容簡介

　　《數據科學原理（影印版 英文版）》旨在幫助你將數學、編程和商業分析這三者融會貫通。有瞭《數據科學原理（影印版 英文版）》，在麵對復雜的問題時，無論是抽象和原始的數據統計，還是可實施的理念，你都會充滿自信。
　　我們采用瞭一種獨特的方法來建立起數學和計算機科學之間的橋梁，你會在這次令人興奮的學習之旅中成長為一名數據科學傢。從清洗和準備數據開始，然後到給齣有效的數據挖掘策略和技術，你會經曆數據科學的整個流程，建立起數據科學的各個組成部分是如何相互協作的宏觀概念，學習基本的數學和統計學知識以及一些目前由數據科學傢和分析師用到的僞代碼。除此之外，你還將掌握機器學習，瞭解一些有用的統計模型，這些模型能夠幫助你控製和處理*密集的數據集，學會如何創建齣能股錶達數據意圖的可視化方法。

目錄

Preface
Chapter 1： How to Sound Like a Data Scientist
What is data science?
Basic terminology
Why data science?
Example - Sigma Technologies
The data science Venn diagram
The math
Example - spawner-recruit models
Computer programming
Why Python?
Python practices
Example of basic Python
Domain knowledge
Some more terminology
Data science case studies
Case study - automating government paper pushing
Fire all humans， right?
Case study - marketing dollars
Case study - what's in a job description?
Summary

Chapter 2： Types of Data
Flavors of data
Why look at these distinctions?
Structured versus unstructured data
Example of data preprocessing
Word/phrase counts
Presence of certain special characters
Relative length of text
Picking out topics
Quantitative versus qualitative data
Example - coffee shop data
Example - world alcohol consumption data
Digging deeper
The road thus far
The four levels of data
The nominal level
Mathematical operations allowed
Measures of center
What data is like at the nominal level
The ordinal level
Examples
Mathematical operations allowed
Measures of center
Quick recap and check
The interval level
Example
Mathematical operations allowed
Measures of center
Measures of variation
The ratio level
Examples
Measures of center
Problems with the ratio level
Data is in the eye of the beholder
Summary

Chapter 3： The Five Steps of Data Science
Introduction to Data Science
Overview of the five steps
Ask an interesting question
Obtain the data
Explore the data
Model the data
Communicate and visualize the results
Explore the data
Basic questions for data exploration
Dataset 1 - Yelp
Dataframes
Series
Exploration tips for qualitative data
Dataset 2 - titanic
Summary

Chapter 4： Basic Mathematics
Mathematics as a discipline
Basic symbols and terminology
Vectors and matrices
Quick exercises
Answers
Arithmetic symbols
Summation
Proportional
Dot product
Graphs
Logarithms/exponents
Set theory
Linear algebra
Matrix multiplication
How to multiply matrices
Summary

Chapter 5： Impossible or Improbable - A Gentle Introduction to Probability
Basic definitions
Probability
Bayesian versus Frequentist
Frequentist approach
The law of large numbers
Compound events
Conditional probability
The rules of probability
The addition rule
Mutual exclusivity
The multiplication rule
Independence
Complementary events
A bit deeper
Summary

Chapter 6： Advanced Probability
Collectively exhaustive events
Bayesian ideas revisited
Bayes theorem
More applications of Bayes theorem
Example - Titanic
Example - medical studies
Random variables
Discrete random variables
Types of discrete random variables
Summary

Chapter 7： Basic Statistics
What are statistics?
How do we obtain and sample data?
Obtaining data
Observational
Experimental
Sampling data
Probability sampling
Random sampling
Unequal probability sampling
How do we measure statistics?
Measures of center
Measures of variation
Definition
Example - employee salaries
Measures of relative standing
The insightful part - correlations in data
The Empirical rule
Summary

Chapter 8： Advanced Statistics
Point estimates
Sampling distributions
Confidence intervals
Hypothesis tests
Conducting a hypothesis test
One sample t-tests
Example of a one sample t-tests
Assumptions of the one sample t-tests
Type I and type II errors
Hypothesis test for categorical variables
Chi-square goodness of fit test
Chi-square test for association/independence
Summary

Chapter 9： Communicating Data
Why does communication matter?
Identifying effective and ineffective visualizations
Scatter plots
Line graphs
Bar charts
Histograms
Box plots
When graphs and statistics lie
Correlation versus causation
Simpson's paradox
If correlation doesn't imply causation， then what does?
Verbal communication
It's about telling a story
On the more formal side of things
The whylhowlwhat strategy of presenting
Summary

Chapter 10： How to Tell If Your Toaster Is Learning - Machine Learning Essentials
What is machine learning?
Machine learning isn't perfect
How does machine learning work?
Types of machine learning
Supervised learning
It's not only about predictions
Types of supervised learning
Data is in the eyes of the beholder
Unsupervised learning
Reinforcement learning
Overview of the types of machine learning
How does statistical modeling fit into all of this?
Linear regression
Adding more predictors
Regression metrics
Logistic regression
Probability， odds， and log odds
The math of logistic regression
Dummy variables
Summary

Chapter 11： Predictions Don't Grow on Trees - or Do They?
Na'fve Bayes classification
Decision trees
How does a computer build a regression tree?
How does a computer fit a classification tree?
Unsupervised learning
When to use unsupervised learning
K-means clustering
Illustrative example - data points
Illustrative example - beer！
Choosing an optimal number for K and cluster validation
The Silhouette Coefficient
Feature extraction and principal component analysis
Summary

Chapter 12： Beyond the Essentials
The bias variance tradeoff
Error due to bias
Error due to variance
Two extreme cases of bias/variance tradeoff
Underfitting
Overfitting
How bias/variance play into error functions
K folds cross-validation
Grid searching
Visualizing training error versus cross-validation error
Ensembling techniques
Random forests
Comparing Random forests with decision trees
Neural networks
Basic structure
Summary

Chapter 13： Case Studies
Case study 1 - predicting stock prices based on social media
Text sentiment analysis
Exploratory data analysis
Regression route
Classification route
Going beyond with this example
Case study 2 - why do some people cheat on their spouses?
Case study 3 - using tensorflow
Tensorflow and neural networks
Summary
Index

《數據科學原理》（影印版 英文原版）導讀 這本《數據科學原理》（影印版 英文原版）並非一本簡單的技術手冊，而是一次深入探索數據科學核心思想與實踐的旅程。它以其前瞻性的視角、嚴謹的學術態度以及豐富的案例，為讀者構建起理解和運用數據科學的堅實框架。本書精選自英文原版，保留瞭原汁原味的學術精髓和前沿理念，緻力於幫助讀者掌握駕馭海量數據、解鎖數據價值的必備知識和技能。 本書定位與核心價值： 本書的核心在於“原理”。它不拘泥於某一種特定工具或語言的教學，而是著力於闡述數據科學領域 foundational principles——那些驅動著數據收集、處理、分析、建模、評估及最終應用的底層邏輯和方法論。這種對原理的聚焦，使得本書具有極強的普適性和生命力，能夠讓讀者在技術日新月異的浪潮中，依然能夠抓住核心，靈活遷移和學習新的技術。 對於正在進入數據科學領域的新手而言，本書提供瞭清晰的入門路徑，幫助他們理解數據科學的整體圖景，避免在零散的技術碎片中迷失方嚮。對於已有一定基礎的從業者，本書則提供瞭深入反思和係統梳理的機會，幫助他們查漏補缺，提升對數據科學本質的理解，從而在復雜問題中做齣更優決策。 內容深度與廣度： 本書的內容覆蓋瞭數據科學的整個生命周期，從數據産生伊始，到最終的洞察輸齣，無一不包。 數據理解與獲取： 書中會引導讀者深入理解不同類型數據的來源、特性以及潛在的質量問題。它不僅僅是教你如何“下載”數據，而是教你如何“理解”數據，如何從數據的錶象下挖掘其內在的含義和潛在的偏差。這包括對結構化、半結構化和非結構化數據的深入剖析，以及在數據采集過程中需要考慮的倫理、隱私和法律問題。讀者將學會如何識彆數據噪聲、缺失值，以及如何設計有效的數據采集策略。 數據清洗與預處理： 這是數據科學中最耗時但又至關重要的環節。本書會詳細講解各種數據清洗和預處理技術，例如異常值檢測與處理、缺失值填充、數據類型轉換、特徵編碼（如獨熱編碼、標簽編碼）、數據標準化與歸一化等。書中還會探討不同預處理方法對後續模型性能的影響，引導讀者在實踐中做齣明智的選擇。 探索性數據分析 (EDA)： EDA 是理解數據、發現模式、形成假設的關鍵步驟。本書將帶領讀者掌握各種統計和可視化技術，用於深入探索數據的分布、變量之間的關係、趨勢和模式。從直方圖、散點圖、箱綫圖到更復雜的降維可視化技術（如 PCA、t-SNE），讀者將學會如何通過可視化直觀地理解數據，並從中提取有價值的見解，為後續建模提供依據。 特徵工程： 特徵工程是提升模型性能的藝術與科學。本書會深入講解如何基於對業務的理解和數據本身的特性，創造齣更具信息量、更能捕捉問題本質的新特徵。這包括組閤特徵、多項式特徵、交互特徵、以及如何利用領域知識進行特徵構建。本書會強調特徵工程的迭代性和實驗性，鼓勵讀者不斷嘗試和優化。 模型選擇與構建： 書中會係統介紹數據科學中常用的各種建模技術，涵蓋監督學習、無監督學習、半監督學習等。從經典的綫性模型、邏輯迴歸、決策樹、支持嚮量機 (SVM) 到更現代的集成方法（如隨機森林、梯度提升），以及深度學習的基礎模型，本書會對其背後的數學原理、適用場景、優缺點進行深入剖析。它會引導讀者理解不同模型的假設和工作機製，幫助他們根據具體問題選擇最閤適的模型。 模型評估與調優： 構建模型隻是第一步，如何科學地評估模型性能並進行優化至關重要。本書會詳細介紹各種評估指標，如準確率、精確率、召迴率、F1分數、ROC麯綫、AUC值、均方誤差 (MSE)、R²值等，並解釋它們在不同場景下的適用性。同時，書中還會深入講解模型調優技術，如交叉驗證、網格搜索、隨機搜索以及正則化等，幫助讀者避免過擬閤和欠擬閤，構建齣泛化能力強的模型。 模型部署與應用： 理論上的模型再完美，如果不能落地應用也缺乏價值。本書也會觸及模型部署的實踐考量，包括如何將訓練好的模型集成到生産環境，如何進行模型監控與維護，以及如何考慮性能、可擴展性和實時性等問題。雖然本書不會深入到具體的 MLOps 工具鏈，但會提供關於模型在實際業務中産生價值的全局視角。 倫理與偏見： 在數據科學日益深入人心的今天，倫理問題和算法偏見不容忽視。本書會專題探討數據科學中的倫理挑戰，包括數據隱私保護、算法的公平性、透明度以及決策的問責製。它會引導讀者思考如何識彆和緩解模型中的偏見，以及如何在實踐中做齣負責任的數據科學決策。 語言風格與閱讀體驗： 影印版英文原版的最大魅力在於其原汁原味的學術錶達。本書的語言嚴謹、精確，但並不晦澀難懂。作者會以清晰的邏輯鏈條，引導讀者一步步理解復雜的概念。書中可能會穿插一些數學公式來嚴謹地定義模型或算法，但這些公式並非為瞭炫技，而是為瞭更精確地闡釋原理。對於非數學專業背景的讀者，書中通常會提供直觀的解釋和類比，幫助他們理解背後的思想。 英文原版的閱讀體驗，還能讓讀者接觸到最前沿的學術錶達方式，理解該領域在國際上的普遍認知和術語體係。這對於希望在數據科學領域進行深度研究或參與國際項目的人士尤為重要。 本書適閤的讀者群體： 計算機科學、統計學、數學等相關專業的學生： 為他們打下堅實的數據科學理論基礎，為未來的專業發展提供有力支撐。 有誌於轉行數據科學領域的專業人士： 提供係統性的知識框架，幫助他們快速掌握核心技能，應對轉型的挑戰。 已經在數據分析、機器學習等領域工作的從業者： 幫助他們深化理解，拓展視野，解決更復雜的問題，提升職業競爭力。 對數據驅動決策感興趣的企業管理者和業務決策者： 讓他們理解數據科學的潛力，更好地與技術團隊溝通，並指導業務發展。 任何對數據科學充滿好奇，希望係統學習這一前沿領域的人士。 結語： 《數據科學原理》（影印版 英文原版）是一本值得反復研讀的寶貴資源。它不僅僅教授“如何做”，更重要的是引導讀者理解“為何這樣做”。通過深入學習本書，您將能夠以一種更加深刻和有洞察力的方式去理解和運用數據，真正釋放數據的巨大能量，在瞬息萬變的數字時代中，把握先機，引領創新。這本實體書籍，承載著知識的重量，也象徵著探索未知的決心。它將成為您數據科學學習道路上不可或缺的良師益友。

評分☆☆☆☆☆

這本《數據科學原理（影印版 英文版）》的齣版，確實為我們這些渴望深入理解數據科學核心概念的讀者提供瞭一扇寶貴的窗口。我從它嶄新的封麵和清晰的排版就能感受到作者在內容組織上的用心。書中的每一個章節都像一塊精心打磨的寶石，循序漸進地展現瞭數據科學的宏大圖景。從基礎的統計學原理，到復雜的機器學習算法，再到實際的數據可視化技術，作者都以一種非常嚴謹且易於理解的方式進行瞭闡述。我特彆欣賞書中對理論知識的深度挖掘，它不僅僅停留在概念的介紹，而是深入到算法的數學基礎，以及各種模型背後的邏輯推導。這對於我這種希望從根本上掌握數據科學的人來說，無疑是極大的幫助。雖然是影印版，但紙張的質量和印刷的清晰度都相當不錯，閱讀體驗很流暢，沒有絲毫的摺扣。這本書的齣現，讓我對如何係統性地學習和實踐數據科學有瞭更清晰的規劃，相信它會成為我書架上不可或缺的參考書。

評分☆☆☆☆☆

當我翻開《數據科學原理（影印版 英文版）》時，我立刻被其嚴謹的學術風格和深厚的理論功底所吸引。這本書並非一本簡單的入門指南，而是對數據科學各個分支領域進行係統性、深入性探討的力作。它不僅僅是告訴“怎麼做”，更深入地解釋瞭“為什麼這麼做”。書中對統計學基礎的鋪墊非常紮實，例如概率論、假設檢驗等內容，為後續的機器學習算法打下瞭堅實的基礎。我特彆喜歡其中關於因果推斷的章節，它幫助我理解瞭如何從相關性中區分因果性，這在很多復雜的分析場景中至關重要。雖然書中涉及的數學公式和統計概念可能對初學者構成一定的挑戰，但其清晰的邏輯結構和詳實的推導過程，讓我在剋服睏難的同時，也獲得瞭巨大的知識提升。這本書更像是數據科學領域的“百科全書”，能夠滿足不同層次讀者的學習需求。

評分☆☆☆☆☆

初次拿到這本書，我就被它厚實的體積和密集的文字所震撼，但隨之而來的是一種強烈的求知欲。我一直對數據科學的魅力充滿好奇，但市麵上很多書籍要麼過於淺顯，要麼過於理論化，難以找到一個平衡點。《數據科學原理（影印版 英文版）》恰恰填補瞭這個空白。書中大量生動的案例分析，將抽象的數學模型和算法轉化為瞭直觀的應用場景。例如，在講解迴歸分析時，作者並沒有簡單羅列公式，而是通過一個具體的商業問題，一步步引導讀者如何選擇閤適的模型，如何評估模型的效果，以及如何從模型結果中提取有價值的商業洞察。這種“問題驅動”的學習方式，極大地激發瞭我的學習興趣，也讓我體會到數據科學在解決實際問題中的強大力量。更重要的是，書中對於模型評估指標的詳盡解釋，以及對過擬閤、欠擬閤等常見問題的深刻剖析，都讓我受益匪淺。

評分☆☆☆☆☆

我一直覺得，要真正掌握一門學科，就必須從其最根本的原理齣發。《數據科學原理（影印版 英文版）》正是這樣一本緻力於揭示數據科學“底層邏輯”的書籍。它不像市麵上那些充斥著代碼和工具的“速成”書籍，而是專注於講解數據科學的核心概念、算法原理以及背後的數學理論。這本書讓我對數據的本質有瞭更深刻的認識，對各種機器學習模型的內在機製有瞭更清晰的理解。例如，在解釋神經網絡時，作者不僅介紹瞭多層感知機的結構，還深入探討瞭反嚮傳播算法的原理，以及激活函數的作用。這種深入剖析的態度，讓我能夠更靈活地運用這些工具，而不是僅僅停留在“調用API”的層麵。這本書的英文版本，讓我能夠直接接觸到原汁原味的研究成果，對於我深入理解數據科學的未來發展趨勢也大有裨益。

評分☆☆☆☆☆

作為一名在數據領域摸爬滾打多年的從業者，我深知理論與實踐相結閤的重要性。《數據科學原理（影印版 英文版）》這本書，恰恰是連接這兩者的絕佳橋梁。它所涵蓋的內容廣度令人驚嘆，從數據采集、清洗、探索性分析，到模型構建、評估、部署，幾乎囊括瞭數據科學項目的全流程。我尤其對書中關於特徵工程和模型選擇的章節印象深刻。作者用非常專業的語言，但又不失通俗易懂的方式，闡述瞭如何從原始數據中提取有意義的特徵，以及如何根據具體業務需求選擇最適閤的模型。書中提供的各種模型（如決策樹、支持嚮量機、神經網絡等）的優缺點比較，以及適用場景分析，都為我日常工作中進行模型選型提供瞭寶貴的參考。這本書的英文原版，也讓我有機會直接接觸到最前沿的數據科學術語和錶達方式，對於提升我的專業英文水平也有很大幫助。