作者介绍　　 XII 关于封面图　　XIII 前言　　XIV 第1章　简介：什么是数据科学　　1 1.1　大数据和数据科学的喧嚣　　1 1.2　冲出迷雾　　2 1.3　为什么是现在　　3 1.4　数据科学的现状和历史　　5 1.5　数据科学的知识结构　　8 1.6　思维实验：元定义　　10 1.7　什么是数据科学家　　11 1.7.1　学术界对数据科学家的定义　　12 1.7.2　工业界对数据科学家的定义　　12 第2章　统计推断、探索性数据分析和数据科学工作流程　　14 2.1　大数据时代的统计学思考　　14 2.1.1　统计推断　　15 2.1.2　总体和样本　　16 2.1.3　大数据的总体和样本　　17 2.1.4　大数据意味着大胆的假设　　19 2.1.5　建模　　21 2.2　探索性数据分析　　26 2.2.1　探索性数据分析的哲学　　27 2.2.2　练习：探索性数据分析　　29 2.3　数据科学的工作流程　　31 2.4　思维实验：如何模拟混沌　　34 2.5　案例学习：RealDirect　　35 2.5.1　RealDirect是如何赚钱的　　36 2.5.2　练一练：RealDirect公司的数据策略　　36 第3章　算法　　39 3.1　机器学习算法　　40 3.2　三大基本算法　　41 3.2.1　线性回归模型　　42 3.2.2　k 近邻模型（k-NN）　　55 3.2.3　k 均值算法　　64 3.3　练习：机器学习算法基础　　68 3.4　总结　　72 3.5　思维实验：关于统计学家的自动化　　73 第4章　垃圾邮件过滤器、朴素贝叶斯与数据清理　　74 4.1　思维实验：从实例中学习　　74 4.1.1　线性回归为何不适用　　75 4.1.2　k 近邻效果如何　　77 4.2　朴素贝叶斯模型　　78 4.2.1　贝叶斯法则　　79 4.2.2　个别单词的过滤器　　80 4.2.3　直通朴素贝叶斯　　82 4.3　拉普拉斯平滑法　　83 4.4　对比朴素贝叶斯和k 近邻　　85 4.5　Bash代码示例　　85 4.6　网页抓取：API和其他工具　　87 4.7　Jake的练习题：文章分类问题中的朴素贝叶斯模型　　88 第5章　逻辑回归　　92 5.1　思维实验　　93 5.2　分类器　　94 5.2.1　运行时间　　95 5.2.2　你自己　　95 5.2.3　模型的可解释性　　95 5.2.4　可扩展性　　96 5.3　逻辑回归：一个来自M6D 的真实案例研究　　96 5.3.1　点击模型　　96 5.3.2　模型背后　　97 5.3.3　α和β 的参数估计　　99 5.3.4　牛顿法　　101 5.3.5　随机梯度下降法　　101 5.3.6　操练　　101 5.3.7　模型评价　　102 5.4　练习题　　105 第6章　时间戳数据与金融建模　　110 6.1　Kyle Teague与GetGlue公司　　110 6.2　时间戳　　112 6.2.1　探索性数据分析（EDA）　　113 6.2.2　指标和新变量　　117 6.2.3　下一步怎么做　　117 6.3　轮到Cathy O'Neill了　　118 6.4　思维实验　　118 6.5　金融建模　　119 6.5.1　样本期内外以及因果关系　　120 6.5.2　金融数据处理　　121 6.5.3　对数收益率　　123 6.5.4　实例：标准普尔指数　　124 6.5.5　如何衡量波动率　　126 6.5.6　指数平滑法　　128 6.5.7　金融模型的反馈　　128 6.5.8　聊聊回归模型　　130 6.5.9　先验信息量　　130 6.5.10　一个小例子　　131 6.6　练习：GetGlue提供的时间戳数据　　134 第7章　从数据到结论　　136 7.1　William Cukierski　　136 7.1.1　背景介绍：数据科学竞赛　　136 7.1.2　背景介绍：众包模式　　137 7.2　Kaggle模式　　139 7.2.1　Kaggle的参赛者　　140 7.2.2　Kaggle的客户　　141 7.3　思维实验：关于作业自动评分系统　　143 7.4　特征选择　　145 7.4.1　例子：留住用户　　146 7.4.2　过滤型　　149 7.4.3　包装型　　149 7.4.4　决策树与嵌入型变量选择　　151 7.4.5　熵　　153 7.4.6　决策树算法　　155 7.4.7　如何在决策树模型中处理连续性变量　　156 7.4.8　随机森林　　157 7.4.9　用户黏性：模型的预测能力与可解释性　　159 7.5　David Huffaker：谷歌社会学研究的新方法　　160 7.5.1　从描述性统计到预测模型　　161 7.5.2　谷歌的社交研究　　163 7.5.3　隐私保护　　163 7.5.4　思维实验：如何消除用户的顾虑　　164 第8章　构建面向大量用户的推荐引擎　　165 8.1　一个真实的推荐引擎　　166 8.1.1　最近邻算法回顾　　167 8.1.2　最近邻模型的已知问题　　168 8.1.3　超越近邻模型：基于机器学习的分类模型　　169 8.1.4　高维度问题　　171 8.1.5　奇异值分解（SVD）　　172 8.1.6　关于SVD的重要特性　　172 8.1.7　主成分分析（PCA）　　173 8.1.8　交替最小二乘法　　174 8.1.9　固定矩阵V，更新矩阵U　　175 8.1.10　关于这些算法的一点思考　　176 8.2　思维实验：如何过滤模型中的泡沫　　176 8.3　练习：搭建自己的推荐系统　　176 第9章　数据可视化与欺诈侦测　　179 9.1　数据可视化的历史　　179 9.1.1　Gabriel Tarde　　180 9.1.2　Mark 的思维实验　　181 9.2　到底什么是数据科学　　181 9.2.1　Processing　　182 9.2.2　Franco Moretti　　182 9.3　一个数据可视化的方案实例　　183 9.4　Mark 的数据可视化项目　　186 9.4.1　《纽约时报》大厅里的可视化：Moveable Type　　186 9.4.2　屏幕上的生命：Cascade可视化项目　　188 9.4.3　Cronkite广场项目　　189 9.4.4　eBay与图书网购　　190 9.4.5　公共剧场里的“莎士比亚机”　　192 9.4.6　这些展览的目的是什么　　193 9.5　数据科学和风险　　193 9.5.1　关于Square公司　　194 9.5.2　支付风险　　194 9.5.3　模型效果的评估问题　　197 9.5.4　建模小贴士　　200 9.6　数据可视化在Square　　203 9.7　Ian的思维实验　　204 9.8　关于数据可视化　　204 第10章　社交网络与数据新闻学　　207 10.1　Morning Analytics与社交网络　　207 10.2　社交网络分析　　209 10.3　关于社交网络分析的相关术语　　209 10.3.1　如何衡量向心性　　210 10.3.2　使用哪种向心性测度　　211 10.4　思维实验　　212 10.5　Morningside Analytics　　212 10.6　从统计学的角度看社交网络分析　　215 10.6.1　网络的表示方法与特征值向心度　　215 10.6.2　随机网络的第一个例子：Erdos-Renyi模型　　217 10.6.3　随机网络的第二个例子：指数随机网络图模型　　217 10.7　数据新闻学　　220 10.7.1　关于数据新闻学的历史回顾　　220 10.7.2　数据新闻报告的写作：来自专家的建议　　220 第11章　因果关系研究　　222 11.1　相关性并不代表因果关系　　223 11.1.1　对因果关系提问　　223 11.1.2　干扰因子：一个关于在线约会网站的例子　　224 11.2　OK Cupid的发现　　225 11.3　黄金准则：随机化临床实验　　226 11.4　A/B测试　　228 11.5　退一步求其次：关于观察性研究　　229 11.5.1　辛普森悖论　　230 11.5.2　鲁宾因果关系模型　　231 11.5.3　因果关系的可视化　　232 11.5.4　定义：因果关系　　233 11.6　三个小建议　　235 第12章　流行病学　　236 12.1　Madigan的学术背景　　236 12.2　思维实验　　237 12.3　统计学在现代　　238 12.4　医学文献与观察性研究　　238 12.5　分层法不解决干扰因子的问题　　239 12.6　就没有更好的办法吗　　241 12.7　研究性实验（OMOP）　　242 12.8　最后的思维实验　　246 第13章　从竞赛中学到的：数据泄漏和模型评价　　247 13.1　Claudia作为数据科学家的知识结构　　247 13.1.1　首席数据科学家的生活　　248 13.1.2　作为一名女数据科学家　　248 13.2　数据挖掘竞赛　　249 13.3　如何成为出色的建模者　　250 13.4　数据泄漏　　250 13.4.1　市场预测　　251 13.4.2　亚马逊案例学习：出手阔绰的顾客　　251 13.4.3　珠宝抽样问题　　251 13.4.4　IBM 客户锁定　　252 13.4.5　乳腺癌检测　　253 13.4.6　预测肺炎　　253 13.5　如何避免数据泄漏　　254 13.6　模型评价　　255 13.6.1　准确度重要吗　　256 13.6.2　概率的重要性，不是非0 即1　　256 13.7　如何选择算法　　259 13.8　最后一个例子　　259 13.9　临别感言　　260 第14章　数据工程：MapReduce、Pregel、Hadoop　　261 14.1　关于David Crawshaw　　262 14.2　思维实验　　262 14.3　MapReduce　　263 14.4　单词频率问题　　264 14.5　其他MapReduce案例　　267 14.6　Pregel　　268 14.7　关于Josh Wills　　269 14.8　思维实验　　269 14.9　给数据科学家的话　　269 14.9.1　数据丰富和数据匮乏　　270 14.9.2　设计模型　　270 14.10　算算Hadoop的经济账　　270 14.10.1　Hadoop简介　　271 14.10.2　Cloudera　　271 14.11　Josh 的工作流程　　272 14.12　如何开始使用Hadoop　　272 第15章　听听学生们怎么说　　273 15.1　重在过程　　273 15.2　不再简单　　274 15.3　援助之手　　275 15.4　殊途同归　　277 15.5　逢山开路，遇水架桥　　279 15.6　作品展示　　279 第16章　下一代数据科学家、自大狂和职业道德　　281 16.1　前面都讲了些什么　　281 16.2　什么是数据科学（再问一次）　　282 16.3　谁是下一代的数据科学家　　283 16.3.1　成为解决问题的人　　284 16.3.2　培养软技能　　284 16.3.3　成为提问者　　285 16.4　做一个有道德感的数据科学家　　286 16.5　对于职业生涯的建议　　289