数据科学基础（英文版） [Foundations of Data Science] pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 阿夫里姆·布鲁姆（Avrim Blum） 著

图书标签:

• 数据科学
• 机器学习
• 统计学
• Python
• R语言
• 数据分析
• 数据挖掘
• 人工智能
• 大数据
• 算法

出版社： 上海交通大学出版社

ISBN：9787313182449

版次：1

商品编码：12319688

包装：平装

丛书名： 大数据与计算机科学系列

外文名称：Foundations of Data Science

开本：16开

出版时间：2017-09-01

用纸：胶版纸

页数：427

字数：672000

正文语种：英文

内容简介

　　《数据科学基础（英文版）》是“大数据与计算机科学”系列教材之一，由国际著名计算机科学家约翰·霍普克罗夫特教授、阿夫里姆·布鲁姆教授和拉文德兰·坎南教授共同撰写。
　　《数据科学基础（英文版）》包含了高维空间、奇异值分解、随机行走和马尔可夫链、机器学习、大数据问题的算法、聚类随机图等主要内容。全书极大部分的结论都有严格的证明，且从第2章开始，每章后面均附有适量的练习题。
　　《数据科学基础（英文版）》可作为计算机及其相关专业本科生或研究生的教材，也可供专业技术人员参考。

作者简介

　　约翰·霍普克罗夫特，曾获得1986年图灵奖、2005年电气与电子工程师协会哈里古德纪念奖、2007年计算研究协会杰出服务奖、2009年计算机协会Karl V.Kartstrom杰出教育家奖、2010年电气与电子工程师协会约翰冯诺依曼奖章，以及2016年中国友谊奖章，这是中国对外国人的认可。此外，中国科学院还将他任命为爱因斯坦讲席教授。
　　
　　阿夫里姆·布鲁姆，丰田工业大学芝加哥分校教授兼首席学术官，1996年担任COLT'96程序委员会主席，2000年担任FOCS'00程序委员会主席，2007年成为美国计算机协会研究员，2011年获得计算机科学院赫伯特西蒙教学奖。
　　
　　拉文德兰·坎南，印度班加罗尔微软研究院首席研究员，曾任耶鲁大学计算机科学系教授兼应用数学系教授、卡内基梅隆大学教授。1991年获得由美国数学学会和数学规划学会联合授予的离散数学福克森奖，2011年获得计算机协会高德纳奖，2015年当选美国艺术与科学院院士。

目录

1 Introduction

2 High-Dimensional Space
2．1 Introduction
2．2 The Law of Large Numbers
2．3 The Geometry of High Dimensions
2．4 Properties of the Unit Ball
2．4．1 Volume of the Unit Ball
2．4．2 Volume Near the Equator
2．5 Generating Points Uniformly at Random from a Ball
2．6 Gaussians in High Dimension
2．7 Random Projection and Johnson-Lindenstrauss Lemma
2．8 Separating Gaussians
2．9 Fitting a Spherical Gaussian to Data
2．10 Bibliographic Notes
2．11 Exercises

3 Best-Fit Subspaces and Singular Value Decomposition （SVD）
3．1 Introduction
3．2 Preliminaries
3．3 Singular Vectors
3．4 Singular Value Decomposition （SVD）
3．5 Best Rank-k Approximations
3．6 Left Singular Vectors
3．7 Power Method for Singular Value Decomposition
3．8 Singular Vectors and Eigenvectors
3．9 Applications of Singular Value Decomposition
3．9．1 Centering Data
3．9．2 Principal Component Analysis
3．9．3 Clustering a Mixture of Spherical Gaussians
3．9．4 Ranking Documents and Web Pages
3．9．5 An Application of SVD to a Discrete Optimization Problem
3．10 Bibliographic Notes
3．11 Exercises

4 Random Walks and Markov Chains
4．1 Stationary Distribution
4．2 Markov Chain Monte Carlo
4．2．1 Metropolis-Hasting Algorithm
4．2．2 Gibbs Sampling
4．3 Areas and Volumes
4．4 Convergence of Random Walks on Undirected Graphs
4．5 Electrical Networks and Random Walks
4．6 Random Walks on Undirected Graphs with Unit Edge Weights
4．7 Random Walks in Euclidean Space
4．8 The Web as a Markov Chain
4．9 Bibliographic Notes
4．10 Exercises

5 Machine Learning
5．1 Introduction
5．2 Overfitting and Uniform Convergence
5．3 Illustrative Examples and Occam's Razor
5．3．1 Learning Disjunctions
5．3．2 Occam's Razor
5．3．3 Application： Learning Decision Trees
5．4 Regularization： Penalizing Complexity
5．5 Online Learning and the Perceptron Algorithm
……

6 Algorithms for Massive Data Problems： Streaming， Sketching， and Sampling
7 Clustering
8 Random Graphs
9 Topic Models， Non-Negative Matrix Factorization， Hidden Markov Models， and Graphical Models
10 Other Topics
11 Wavelets
12 Appendices

References
Index

前言/序言

　　在构思一套新的计算机科学技术系列教材时，会有很多考虑。其一、计算机科学提供了一个系统建模、问题求解的新模式。计算机专业的本科毕业生应本能地将计算思维用于问题求解，因此，一套计算机科学技术系列教材也应将计算思维系统地贯穿于整套教材的编写。其二、计算技术在推动社会、科技高速发展的同时，其自身也经历着从以计算为中心到以数据和交互为中心的范式转变。计算机专业的本科毕业生若能了解有关数据获取，存储，分析，利用的基本方法、技术、工具，定能在其择业和职业发展中拥有更多的机会，一套面向这一专业需求、围绕数据思维设计的计算机科学技术系列教材就会受到广大师生的欢迎。其三、在一个更加基础的层面，一套新的计算机科学技术系列教材应在重新审视本学科核心理论的基础上，在分析数据科学、人工智能、密码与信息安全、计算经济学、甚至量子计算等交叉学科的基础上，为本专业提供一个理论和数学基础课程设计，以反应计算机学科及其交叉学科对算法、计算复杂性、概率与统计、线性代数、矩阵分析、高等代数、组合数学、博弈论等数学分支的依赖。
　　计算能力的提高不仅在加大计算机科学技术影响力的广度，还在加速其影响力的深度。计算机教育界目前进行的“计算机+X”和“X+计算机”的讨论旨在推动计算机专业建设，并及时反应这一影响的广度和深度。我认为这一切都源于一个广为接受的事实：计算机科学与技术是继科学实验和数学之后，推动人类社会和科技进步的第三股力量。正如科学实验为自然科学提供了研究手段，数学为工程提供了建模方法，概率与统计为经济学提供了工具，计算机科学与技术为自然科学、工程、经济学提供了全新的研究手段、建模方法和工具。从一个高等教育工作者的角度看，这第三股力量驱动着老学科的改造和新专业的诞生。

《数据科学基础》是一本致力于系统性地构建读者在数据科学领域所需核心知识体系的著作。本书并非浅尝辄止的工具手册，而是深入探讨了数据科学得以成立的基石原理与方法论。 全书围绕数据生命周期的各个关键阶段展开，首先从数据获取与理解入手。这部分内容详尽阐述了不同类型数据的来源，例如结构化数据（数据库、CSV文件）、半结构化数据（JSON、XML）以及非结构化数据（文本、图像、音频）。书中详细介绍了数据采集的策略、方法，以及在采集过程中可能遇到的挑战，如数据隐私、数据质量问题等。更重要的是，本书强调了理解数据本身的重要性，包括探索性数据分析（EDA）的技术，如可视化（直方图、散点图、箱线图等）、统计摘要（均值、中位数、方差、标准差）以及特征工程的初步概念，旨在帮助读者在正式建模之前，充分把握数据的分布、模式、异常值和变量间的关系。 接下来的核心部分聚焦于数据预处理与清洗。在真实世界的数据科学项目中，数据往往是“脏”的，充斥着缺失值、异常值、重复项、格式不一致等问题。本书提供了一套全面的方法来应对这些挑战。读者将学习如何识别和处理缺失数据（例如，删除、插值、基于模型的填充），如何检测和处理异常值（例如，统计方法、可视化方法、鲁棒统计量），以及如何进行数据转换（例如，归一化、标准化、编码分类变量）。此外，本书还深入探讨了数据集成，即如何将来自不同来源的数据合并成一个统一的数据集，并强调了数据质量的重要性，为后续的建模奠定坚实的基础。 模型构建是数据科学的灵魂。本书的另一大篇幅 dedicated to 机器学习模型及其原理。并非仅仅罗列算法，而是深入剖析了监督学习、无监督学习和强化学习的基本思想。在监督学习方面，本书详细介绍了线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、梯度提升机（如XGBoost、LightGBM）等经典算法的数学原理、假设条件、优缺点以及适用场景。对于无监督学习，读者将接触到聚类算法（如K-Means、DBSCAN）、降维技术（如主成分分析PCA、t-SNE）以及关联规则挖掘。本书在讲解算法时，注重理论与实践的结合，引导读者理解模型是如何学习和做出预测的，以及如何评估模型的性能（如准确率、精确率、召回率、F1分数、AUC、均方误差等）。 模型评估与选择是确保模型有效性的关键。本书系统地介绍了各种模型评估指标，并针对不同类型的任务（分类、回归、聚类）进行了详细的阐释。读者将学习到如何进行交叉验证，以获得更可靠的模型性能估计，以及如何理解和避免过拟合与欠拟合现象。本书还探讨了模型选择的策略，包括正则化技术（L1、L2正则化）在控制模型复杂度中的作用，以及如何根据业务需求和数据特性选择最合适的模型。 数据可视化作为数据科学的重要组成部分，在本书中占据了显著的篇幅。本书强调，良好的可视化不仅仅是为了美观，更是为了揭示数据中的洞察，沟通模型结果，以及发现潜在问题。读者将学习到如何根据数据的类型和想要传达的信息，选择合适的可视化图表，例如散点图用于展示变量关系，折线图用于展示趋势，柱状图用于比较离散数据，热力图用于展示矩阵数据等。本书还会介绍一些高级的可视化技术，以及如何利用可视化来解释复杂模型。 此外，本书也触及了数据科学的伦理与实践。在数据驱动的时代，理解数据科学的潜在伦理问题至关重要。本书讨论了数据隐私、数据偏见、算法公平性以及数据科学家的责任。同时，它也强调了在实际项目中，良好的沟通能力、问题解决能力以及持续学习的重要性。 总而言之，《数据科学基础》旨在为读者提供一个坚实、全面的知识框架，使其能够独立地理解、处理、分析和解释数据，并构建出有效的模型来解决实际问题。本书的编写风格力求严谨而不失清晰，理论推导与实际应用并重，旨在培养具备扎实功底和批判性思维的数据科学从业者。

评分☆☆☆☆☆

这本书在讲解统计学概念时，我感觉非常接地气。很多统计学书籍往往过于理论化，让人生畏。《Foundations of Data Science》在介绍如假设检验、置信区间等概念时，都通过具体的、易于理解的数据科学场景来解释，让原本枯燥的统计学知识变得生动有趣。我特别喜欢其中关于“A/B测试”的章节，它将统计学的原理与实际的业务决策紧密结合，让我明白如何运用统计学知识来做出更明智的商业决策。这种理论与实践的完美结合，是我一直以来所追求的学习方式。

评分☆☆☆☆☆

在接触到这本书之前，我一直认为机器学习模型就是“黑箱”，输入数据，输出结果，至于中间发生了什么，似乎并不太重要。然而，《Foundations of Data Science》彻底改变了我的看法。它在讲解各种机器学习算法时，非常注重模型的可解释性，并提供了多种方法来理解模型的决策过程。例如，在讨论决策树时，它详细阐述了如何通过树的结构来理解特征的重要性；在讲解线性模型时，它强调了系数的含义以及如何利用它们来推断变量之间的关系。这一点对于那些需要对模型结果负责，并且需要向监管机构或客户解释模型逻辑的专业人士来说，无疑具有极高的价值。

评分☆☆☆☆☆

我一直对自然语言处理（NLP）领域充满好奇，而这本书中关于NLP的章节，让我窥见了其精彩的世界。它从文本数据的预处理，到词向量的表示，再到各种NLP模型的介绍（如情感分析、文本分类），都进行了清晰的讲解。特别是对词嵌入技术的解释，让我对如何让计算机理解人类语言有了更深的认识。书中提供的代码示例，也让我能够动手实践，进一步巩固所学知识。这一点让我对未来深入研究NLP领域充满了信心。

评分☆☆☆☆☆

这本书最大的亮点之一，在我看来，是对“数据伦理”这一块的重视。在当今社会，数据被广泛应用，随之而来的隐私泄露、算法偏见等问题也日益凸显。《Foundations of Data Science》并没有回避这些敏感话题，而是将其作为一个重要组成部分进行阐述，探讨了如何在数据科学实践中保护用户隐私，如何识别和减轻算法中的偏见，以及如何构建更加公平和负责任的数据驱动系统。书中提供了一些实际的案例分析，让我能够更深刻地理解这些伦理问题在现实中的影响，并引发了我对自己在未来工作中如何遵守伦理规范的深刻思考。

评分☆☆☆☆☆

这本书不仅仅是一本技术手册，更是一部数据科学的“思想启蒙录”。作者在讲解技术的同时，始终贯穿着对“数据驱动思维”的强调。它鼓励读者不仅仅停留在技术的层面，而是要从数据的角度去思考问题，去发现规律，去做出决策。书中对“如何提出一个好的数据问题”、“如何衡量一个项目的成功”等方面的探讨，都极具启发性，让我认识到，成为一名优秀的数据科学家，不仅需要掌握技术，更需要具备批判性思维和解决问题的能力。这本书让我对数据科学的理解，从“术”的层面，提升到了“道”的层面。

评分☆☆☆☆☆

作为一名在数据分析领域摸爬滚打了几年的人，我一直觉得在理论基础方面有些欠缺，总是在实践中遇到一些似是而非的问题，而《Foundations of Data Science》这本书，正好填补了我在这方面的空白。它在介绍各个算法时，不仅仅是给出了公式和代码，而是深入浅出地剖析了算法背后的数学原理和逻辑，比如在讲到线性回归时，作者并没有止步于最小二乘法，而是详细阐述了其统计学意义，以及如何从概率分布的角度来理解模型的假设。这一点对于我这种喜欢刨根问底的人来说，简直是福音。我甚至可以想象，当我在实际项目中遇到模型表现不佳的情况时，能够有足够的理论支撑去诊断问题所在，而不是仅仅依靠经验式的调整。

评分☆☆☆☆☆

我一直对数据可视化在数据科学中的作用深感着迷，而这本书在这方面的论述，更是让我耳目一新。它不仅仅列举了各种图表的类型，更重要的是，它深入探讨了如何选择最合适的图表来表达特定的数据洞察，以及如何通过可视化的方式来揭示数据中的隐藏模式和趋势。书中的例子非常丰富，从简单的散点图、折线图，到更复杂的网络图、热力图，每一种都配有清晰的图示和相应的解释，让我能够快速理解其应用场景。更让我惊喜的是，书中还强调了“叙事性可视化”的概念，这让我意识到，数据可视化不仅仅是展示数据，更是一种沟通和讲述故事的方式，这一点对于我未来在工作中向非技术人员解释数据分析结果至关重要。

评分☆☆☆☆☆

作为一名开发者，我一直对如何有效地处理大规模数据以及如何构建可扩展的数据管道感到困惑。《Foundations of Data Science》在这方面提供了宝贵的见解。它不仅介绍了数据存储和管理的基本概念，还探讨了分布式计算框架（如Hadoop和Spark）的应用，以及如何利用它们来处理海量数据。书中对数据架构设计的讨论，也让我受益匪浅，让我能够更好地理解如何设计一个能够支持复杂数据分析需求的系统。这一点对于我未来参与大型数据项目至关重要。

评分☆☆☆☆☆

这本书，我拿在手里时，首先吸引我的是它沉甸甸的分量，那种实实在在的厚度，就如同它承诺的一样，似乎要将数据科学的方方面面都纳入囊中。翻开扉页，首先映入眼帘的是一个非常清晰的目录，每一个章节的标题都直击要害，没有丝毫的模糊和冗余，这让我对即将开始的学习之旅充满了期待。我尤其关注了关于“数据预处理”那一章，因为它往往是数据科学项目中耗时最长、也最容易出错的环节，而这本书在这里的描述，据我初步浏览，显得格外详尽，从缺失值的处理策略，到异常值的识别与修复，再到特征编码的各种方法，都给出了详细的解释和应用场景的对比，这一点让我非常满意。

评分☆☆☆☆☆

我是一名刚刚踏入数据科学领域的新手，对于如何构建一个完整的数据科学项目感到有些迷茫。而这本书，就像一个经验丰富的向导，为我指明了方向。《Foundations of Data Science》不仅仅讲解了各种零散的理论和技术，而是将它们串联起来，形成了一个清晰的项目流程。从问题定义、数据收集，到模型选择、评估和部署，每一步都讲解得非常到位，并且提供了相关的工具和技术建议。特别是关于“模型部署”和“监控”的部分，这往往是被初学者忽略的环节，而这本书却给予了足够的关注，让我了解到，一个成功的数据科学项目，不仅仅是建立一个好的模型，更需要考虑如何将其落地并持续优化。