仅仅会Python编程是不够的。想成为一名的数据分析工程师，还需要有、透彻理解问题本质的能力，善于把实际的工作任务拆解成准确的数据问题，并运用相关的知识来解决。本书恰好是从这个角度出发的，它条分缕析地帮助你认识任务的本质，教你从数据的角度来思考、拆解任务，并终顺利地达成目标。

1 概述 / 1
1.1 何为数据工程师 / 1
1.2 数据分析的流程 / 3
1.3 数据分析的工具 / 11
1.4 大数据的思与辨 / 14
2 关于Python / 17
2.1 为什么是Python / 17
2.2 常用基础库 / 19
2.2.1 Numpy / 19
2.2.2 Pandas / 26
2.2.3 Scipy / 37
2.2.4 Matplotlib / 38
3 基础分析 / 43
3.1 场景分析与建模策略 / 43
3.1.1 统计量 / 43
3.1.2 概率分布 / 48
3.2 实例讲解 / 55
3.2.1 谁的成绩更优秀 / 55
3.2.2 应该库存多少水果 / 57
4 数据挖掘 / 60
4.1 场景分析与建模策略 / 60
4.1.1 分类 / 61
4.1.2 聚类 / 76
4.1.3 回归 / 86
4.1.4 关联规则 / 90
4.2 数据挖掘的重要概念 / 93
4.2.1 数据预处理 / 93
4.2.2 评估与验证 /97
4.2.3 Bagging 与Adaboost / 99
4.2.4 梯度下降与牛顿法 / 102
4.3 实例讲解 /105
4.3.1 信用卡欺诈监测 / 105
4.3.2 员工离职预判 /110
5 深度学习/ 114
5.1 场景分析与建模策略 / 115
5.1.1 感知机 / 115
5.1.2 自编码器 / 119
5.1.3 限制玻尔兹曼机 /123
5.1.4 深度信念神经网络 / 127
5.1.5 卷积神经网络 / 129
5.2 人工智能应用概况 / 137
5.2.1 深度学习的历史 /137
5.2.2 人工智能的杰作 / 140
5.3 实例讲解 / 146
5.3.1 学习识别手写数字 / 146
5.3.2 让机器认识一只猫 / 151
6 大数据分析 / 160
6.1 常用组件介绍 / 160
6.1.1 数据传输 / 165
6.1.3 数据计算 / 174
6.1.4 数据展示 / 180
6.2 大数据处理架构 / 188
6.2.1 Lambda 架构 / 189
6.2.2 Kappa 架构 / 192
6.2.3 ELK 架构 / 193
6.3 项目设计 / 194
参考文献 / 202