人人可懂的數據科學 ( 簡體 字) |
| 作者：（愛爾蘭）約翰·D. 凱萊赫（John D. Kelleher），（愛爾蘭）布倫丹·蒂爾尼（Brendan Tierney）著 | 類別：1. -> 程式設計 -> 綜合 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 51988
詢問書籍請說出此書號！【缺書】
NT售價： 295 元 |
| 出版日：10/1/2019 |
| 頁數：210 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111637264 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：數據科學的目標是通過將決策建立在從大數據集中提取洞察力的基礎上來改進決策。作為一個活動領域，數據科學由一系列原理、問題定義、算法和過程組成，用于從大型數據集中提取有用但不顯眼的模式。數據科學與數據挖掘和機器學習領域密切相關，但它涉及的范圍更廣。如今，數據科學推動了現代社會幾乎所有領域決策的發展。數據科學可能影響人們日常生活的方方面面，如確定在線廣告的呈現，向用戶推薦電影、書籍、朋友，過濾垃圾郵件，用戶續訂手機合約時向他們提供合適的優惠套餐，降低醫保成本，規劃轄區內交通信號燈的布局及通行時間，藥品設計，警力部署規劃等。
大數據和社交媒體的出現、計算能力的加速、計算機內存成本的大幅降低以及更強大的數據分析和建模方法的發展推動了當代社會對數據科學需求的增長，其中典型的技術有深度學習。這些因素共同作用意味著組織收集、存儲和處理數據將比以前簡單。與此同時，這些技術創新和數據科學的廣泛應用意味著與數據使用和個人隱私相關的道德挑戰從未如此迫切。本書的目的是提供數據科學的介紹，涵蓋該領域的基本要素，并提供對該領域深刻的原則性見解。
本書第1章介紹了數據科學領域，簡要回顧了數據科學的發展演化歷史，還探討了如今數據科學為什么那么重要，以及推動采用數據科學的一些因素。在這一章的最后，回顧并揭穿了與數據科學相關的一些神話。第2章介紹了與數據相關的基本概念，描述了數據科學項目的標準流程：業務理解、數據理解、數據準備、建模、評估和部署。第3章重點介紹了數據基礎設施以及大數據和多源數據集成帶來的挑戰。數據基礎設施的一個可能具有挑戰性的典型方面是，數據庫和數據倉庫中的數據通常駐留在與用于數據分析的服務器不同的服務器上。因此，當處理大型數據集時，可能要花費大量時間在數據庫或數據倉庫所依賴的服務器與進行數據分析和機器學習處理的服務器之間移動數據。第3章首先描述組織中典型的數據科學基礎設施，以及在數據科學基礎設施中移動大型數據集的挑戰的一些新興解決方案，其中包括使用數據庫內置機器學習算法，使用Hadoop進行數據存儲和處理，以及混合數據庫系統的開發，這些系統無縫地結合了傳統的數據庫軟件和類似Hadoop的解決方案。這一章的最后強調了將整個組織的數據整合到適合機器學習的統一表示中的一些挑戰。第4章介紹了機器學習領域，并解釋了一些最流行的機器學習算法和模型，包括神經網絡、深度學習和決策樹模型。第5章聚焦于通過審視一系列標準業務問題，描述了機器學習解決方案如何解決這些問題來將機器學習專業知識與現實問題聯系起來。第6章回顧了數據科學的道德含義、數據監管的最新發展，以及在數據科學過程中保護個人隱私的一些新的計算方法。最后，第7章描述了數據科學在不久的將來會產生重大影響的一些領域，并列出了確定數據科學項目是否會成功的一些重要原則。 |
內容簡介：本書從數據科學發展演化史，數據科學定義，數據、數據集，數據科學生態系統，機器學習，數據科學標準任務，隱私與倫理，發展趨勢等角度，對數據科學展開了精彩的闡述。
本書精準界定了數據科學的術語、任務、生命周期，并介紹了主流的數據科學生態技術，及決策樹、回歸分析、神經網絡、深度學習等常見機器學習算法。同時也涵蓋隱私、數據倫理等方面的話題，介紹了數據科學可能引發的隱私泄露、人為歧視、不公平，以及歐盟、美國等國家或地區針對數據因素保護、數據倫理的立法。
數據科學是什么？
數據科學是如何發展演化的？
數據科學項目的標準流程是什么？
數據基礎設施面臨的挑戰有哪些？
數據科學與機器學習有什么關系？
在數據科學過程中如何進行數據監管和保護個人隱私？
數據科學項目成功的重要原則是什么？
數據科學的未來影響是什么？
如今，數據科學推動了現代社會幾乎所有領域決策的發展，正在影響著人們日常生活的方方面面。本書旨在闡述理解數據科學所需的基本思想和概念，幫助你理解什么是數據科學，它是如何工作的，以及它能（和不能）做什么。 |
目錄：譯者序
前言
致謝
作者簡介
第1章 什么是數據科學 …… 1
1.1 數據科學簡史 …… 5
1.1.1 數據收集簡史 …… 5
1.1.2 數據分析簡史 …… 9
1.1.3 數據科學的產生與發展 …… 14
1.2 數據科學用于何處 …… 20
1.2.1 銷售和營銷中的數據科學 …… 21
1.2.2 數據科學在政府中的應用 …… 22
1.2.3 數據科學在競技體育中的應用 …… 23
1.3 為什么是現在 …… 25
1.4 關于數據科學的神話 …… 28
第2章 什么是數據，什么是數據集 …… 31
2.1 關于數據的觀點 …… 38
2.2 數據可以積累，而智慧不能 …… 43
2.3 CRISP-DM …… 45
第3章 數據科學生態系統 …… 54
3.1 將算法遷移至數據 …… 61
3.1.1 傳統數據庫與現代的傳統數據庫 …… 64
3.1.2 大數據架構 …… 67
3.1.3 混合數據庫世界 …… 69
3.2 數據準備和集成 …… 72
第4章 機器學習 …… 77
4.1 有監督學習與無監督學習 …… 78
4.2 學習預測模型 …… 83
4.2.1 相關性不等同于因果，但它有時非常有用 …… 84
4.2.2 線性回歸 …… 90
4.2.3 神經網絡與深度學習 …… 96
4.2.4 決策樹 …… 108
4.3 數據科學中的偏差 …… 114
4.4 評估模型：泛化而不是記憶 …… 116
4.5 摘要 …… 119
第5章 標準的數據科學任務 …… 121
5.1 誰是我們的目標客戶（聚類） …… 122
5.2 這是欺詐嗎（異常值檢測） …… 128
5.3 你要配份炸薯條嗎（關聯規則挖掘） …… 131
5.4 流失還是不流失，這是一個問題（分類） …… 136
5.5 它價值幾何（回歸） …… 141
第6章 隱私與道德 …… 143
6.1 商業利益與個人隱私 …… 145
6.1.1 數據科學的道德啟示：畫像與歧視 …… 148
6.1.2 數據科學的道德含義：創建一個全景監獄 …… 154
6.2 隱私保護 …… 157
6.2.1 保護隱私的計算方法 …… 159
6.2.2 規范數據使用和保護隱私的法律框架 …… 161
6.3 通往道德的數據科學之路 …… 164
第7章 未來趨勢與成功準則 …… 172
7.1 醫療數據科學 …… 172
7.2 智慧城市 …… 174
7.3 數據科學項目準則：為什么會成功或失敗 …… 177
7.4 終極思考 …… 185
術語表 …… 188
延伸閱讀 …… 201
參考文獻 …… 203 |
| 序： |
