僅僅會Python編程是不夠的。想成為一名的數據分析工程師，還需要有、透徹理解問題本質的能力，善於把實際的工作任務拆解成準確的數據問題，並運用相關的知識來解決。本書恰好是從這個角度齣發的，它條分縷析地幫助你認識任務的本質，教你從數據的角度來思考、拆解任務，並終順利地達成目標。

1 概述 / 1
1.1 何為數據工程師 / 1
1.2 數據分析的流程 / 3
1.3 數據分析的工具 / 11
1.4 大數據的思與辨 / 14
2 關於Python / 17
2.1 為什麼是Python / 17
2.2 常用基礎庫 / 19
2.2.1 Numpy / 19
2.2.2 Pandas / 26
2.2.3 Scipy / 37
2.2.4 Matplotlib / 38
3 基礎分析 / 43
3.1 場景分析與建模策略 / 43
3.1.1 統計量 / 43
3.1.2 概率分布 / 48
3.2 實例講解 / 55
3.2.1 誰的成績更優秀 / 55
3.2.2 應該庫存多少水果 / 57
4 數據挖掘 / 60
4.1 場景分析與建模策略 / 60
4.1.1 分類 / 61
4.1.2 聚類 / 76
4.1.3 迴歸 / 86
4.1.4 關聯規則 / 90
4.2 數據挖掘的重要概念 / 93
4.2.1 數據預處理 / 93
4.2.2 評估與驗證 /97
4.2.3 Bagging 與Adaboost / 99
4.2.4 梯度下降與牛頓法 / 102
4.3 實例講解 /105
4.3.1 信用卡欺詐監測 / 105
4.3.2 員工離職預判 /110
5 深度學習/ 114
5.1 場景分析與建模策略 / 115
5.1.1 感知機 / 115
5.1.2 自編碼器 / 119
5.1.3 限製玻爾茲曼機 /123
5.1.4 深度信念神經網絡 / 127
5.1.5 捲積神經網絡 / 129
5.2 人工智能應用概況 / 137
5.2.1 深度學習的曆史 /137
5.2.2 人工智能的傑作 / 140
5.3 實例講解 / 146
5.3.1 學習識彆手寫數字 / 146
5.3.2 讓機器認識一隻貓 / 151
6 大數據分析 / 160
6.1 常用組件介紹 / 160
6.1.1 數據傳輸 / 165
6.1.3 數據計算 / 174
6.1.4 數據展示 / 180
6.2 大數據處理架構 / 188
6.2.1 Lambda 架構 / 189
6.2.2 Kappa 架構 / 192
6.2.3 ELK 架構 / 193
6.3 項目設計 / 194
參考文獻 / 202