具体描述
数据科学，作为一门正在蓬勃发展的新学科，关注的是如何在大数据时代背景下运用各门与数据相关的技术和理论来服务社会。《数据科学导论/普通高等教育“十二五”规划教材》系统性地讲述了与数据科学相关的各方面知识，着重培养数据工程师所需要的技能与思维。《数据科学导论/普通高等教育“十二五”规划教材》从与数据科学相关的概念出发，通过丰富翔实的案例，从各个方面展示数据科学的运用方式，让读者有一个更为直观的认识，也可以从中感受到运用数据科学处理各个领域问题的方法和流程，并且在其中穿插了数据科学研究方式下新的思维模式的讲解。《数据科学导论/普通高等教育“十二五”规划教材》还从工程概论的流程角度来讲述数据科学的工程体系架构，展望数据科学的未来发展。《数据科学导论/普通高等教育“十二五”规划教材》可作为计算机相关专业的本科生教材，也可供相关专业技术人员阅读参考。
作者简介
目录信息
1.1 序言
1.2 数据
1.2.1 数据的概念
1.2.2 数据的发展史
1.2.3 数据、信息与知识
1.3 大数据
1.3.1 大数据时代的来临
1.3.2 大数据的概念
1.3.3 大数据的特征
1.3.4 大数据对社会所产生的影响
1.3.5 迎接大数据时代的挑战
1.4 数据科学
1.5 本书结构
第2章 数据科学在商业金融领域的应用
2.1 啤酒与尿布
2.1.1 案例详析
2.1.2 大数据挖掘技术
2.1.3 购物篮分析法
2.1.4 对我们的思维模式启示
2.2 比价网站的成功
2.2.1 Farecast案例详析
2.2.2 Decide案例详析
2.2.3 对我们的思维模式启示
2.3 基于大数据的个性化推荐系统
2.3.1 基于亚马逊云的个性化推荐系统
2.3.2 潘多拉（Pandora）——基于基因的推荐系统
2.4.Target的大数据营销
2.4.1 案例详析
2.4.2 给我们的思维模式启示
2.5 社交网络数据之于对冲基金
第3章 数据科学在生物医学领域的应用
3.1 流行病预测
3.1.1 谷歌的流感预测
3.1.2 利用微博来预测流感
3.1.3 给我们的思维模式启示——大数据时代的科学伦理问题
3.2 大数据与智慧医疗
3.2.1 临床操作
3.2.2 付款／定价
3.2.3 研发
3.2.4 新的商业模式
3.2.5 公众健康
3.2.6 给我们的思维模式启示
3.3 疾病监控
3.3.1 大数据服务心脏病患者
3.3.2 “魔毯”病人的监控
3.3.3 大数据监测脑外伤病人恢复
3.4 可穿戴技术、大数据与智慧医疗
3.4.1 什么是可穿戴技术
3.4.2 可穿戴设备简析
3.4.3 可穿戴设备与智慧医疗
3.4.4 给我们的思维模式启示——可穿戴设备的缺陷
第4章 数据科学在智慧城市领域的应用
4.1 概述
4.1.1 什么是智慧城市
4.1.2 产生背景
4.1.3 IT企业相继介入智慧城市领域
4.1.4 国际实践
4.2 韩国的松岛新城
4.3 美国的智慧城市建设
4.3.1 哥伦布市
4.3.2 其他智慧城市建设的举措
4.4 英国的智慧城市建设
4.5 日本的智慧城市建设
4.6 北欧智慧城市——爱沙尼亚
4.7 荷兰阿姆斯特丹的智慧城市计划
4.8 巴西里约热内卢的智慧城市建设
4.9 智慧城市建设中所应用的数据科学技术
4.9.1 数据信息的收集：利用传感网络收集数据信息
4.9.2 数据信息的整合：不同数据信息的整合和统一管理
4.9.3 数据信息分析与应用：大容量、实时性分析技术
第5章 数据科学在影视娱乐领域的应用
5.1 大数据捧红《纸牌屋》
5.1.1 案例详析
5.1.2 大数据如何捧红《纸牌屋》
5.1.3 给我们的思维模式启示
5.2 谷歌预测电影票房
5.2.1 案例详析
5.2.2 谷歌的预测机理
5.2.3 给我们的思维模式启示
5.3 利用数据预测奥斯卡奖项
第6章 数据科学在其他领域的应用实例
6.1 大数据帮助奥巴马赢得大选
6.1.1 案例详析
6.1.2 给我们的思维模式启示
6.2 棱镜门
6.2.1 案例详析
6.2.2 “棱镜”计划
6.2.3 加拿大的“棱镜门”
6.2.4 给我们的思维模式启示
6.3 大数据帮助寻根问祖
6.3.1 案例分析
6.3.2 运作机理
6.4 大数据与社会治安
第7章 数据科学工程概论
7.1 科学研究的第四范式——数据密集型研究方法
7.1.1 范式和范式的演变
7.1.2 科学研究的第四范式
7.2 数据密集型科学研究兴起的社会环境
7.2.1 数据洪流的到来
7.2.2 科学界对海量数据的关注
7.2.3 关联数据运动
7.2.4 政府数据开放运动
7.3 对数据密集型科学研究范式的分析
7.3.1 科学数据和科学研究的问题
7.3.2 相应的解决方案
7.4 数据的收集
7.4.1 客观世界（Matter）中的数据
7.4.2 主观世界（Mind）中的数据
7.4.3 细谈数据
7.5 数据的存储
7.6 数据的管理
7.6.1 NoSQL数据库简介
7.6.2 NoSQL数据库的特点
7.6.3 开源的NoSQL数据库软件
7.7 数据的处理
7.7.1 Hadoop的起源
7.7.2 优点
7.7.3 架构
7.7.4 MapReduce流程
7.8 数据的可视化
7.8.1 Excel
7.8.2 Raphael
7.8.3 Visual.ly
7.8.4 Crossfiltet
7.8.5 PolyMaps
7.8.6 Kartograph
7.8.7 Processing
7.8.8 R
7.8.9 Weka
7.8.10 Gephi
第8章 数据科学的未来展望
8.1 从业前景广阔
8.2 对未来数据科学发展的探讨
8.2.1 提防进入数据误区
8.2.2 数据不是万能的
· · · · · · (收起)
读后感
用户评价
坦率地说，我购买《数据科学导论》时，内心是存着一丝怀疑的，毕竟市面上同名书籍汗牛充栋。然而，这本书给予我的惊喜是持续不断的。最让我印象深刻的是它对贝叶斯统计方法的介绍。许多入门书籍要么一带而过，要么就直接陷入晦涩难懂的贝叶斯推理过程。但此书通过一个非常生动的、与市场营销决策相关的例子，循序渐进地阐释了先验概率、似然函数和后验概率的相互作用，使得原本抽象的概率推断变得具象化、可操作。作者的叙述语气非常自信和权威，但又不失亲和力，仿佛有一位经验丰富的导师在身边亲自指导。这种引导式的叙述，极大地增强了读者克服学习难点的信心。读完后，我感觉自己对于如何选择合适的统计模型来回答商业问题，有了一种全新的、更加坚定的判断力。这本书不仅是知识的传递，更是一种思维方式的塑造，它成功地架起了理论大厦与实际应用之间的桥梁，是近年来我阅读过的最富有洞察力的技术书籍之一。
读完《数据科学导论》的前半部分，我的感觉就像是进行了一场精心策划的马拉松，起跑阶段的铺垫扎实而富有节奏感。这本书的叙述风格相当“硬核”，它没有采用那种温文尔雅的引导方式，而是直接将读者扔进了问题的核心。对于那些已经具备一定编程基础和数学背景的读者来说，这本书简直是如虎添翼，每一个概念的引入都伴随着严谨的推导和公式证明。我特别喜欢作者在介绍R和Python库时的那种务实态度，不是简单地罗列函数用法，而是深入剖析了底层数据结构是如何影响计算效率和结果准确性的。例如，它在讲解主成分分析（PCA）时，不仅展示了如何降维，更详细解释了特征值和特征向量在解释方差贡献度中的关键作用，这对于理解模型的可解释性非常有帮助。唯一的“小瑕疵”可能是，对于完全零基础的读者来说，某些章节的跳跃性略大，可能需要辅以其他更基础的数学或编程书籍来打底。但从专业深度来看，这本书无疑是市场上同类书籍中的佼佼者，它拒绝浮于表面，执着于构建一个坚固的知识框架，让读者能够真正“站得稳”而不是“看得花”。
这本书的排版和装帧设计简直是艺术品级别的享受。我是一个对书籍物理质感要求很高的人，而《数据科学导论》的纸张选择了哑光处理，既能有效减少反光，又不失高级感，即便是长时间在灯光下阅读，眼睛的疲劳感也明显减轻了许多。更值得称赞的是，书中的代码示例采用了清晰的三色高亮显示，变量、关键字和注释区分得一目了然，这极大地提升了代码的可读性，让我不再需要费力去分辨那些复杂的Python或R脚本。而且，每一章末尾设置的“深入思考”环节，不像一般的习题那样索然无味，它们往往提出一些开放性的、与实际应用场景紧密相关的挑战性问题，促使我们不仅要“会用”，更要“会思考”。比如，它会让你对比两种不同正则化方法在特定数据集上的收敛速度差异，这种实践导向的思考过程，远比单纯的知识点记忆要有效得多。对于我这种视觉驱动的学习者而言，这本书的每一个细节都体现出了对用户体验的极致追求，让人愿意沉浸其中，享受学习的过程。
我通常对那些宣称能“一本书搞定一切”的书持保留态度，但《数据科学导论》却在某种程度上做到了这一点，尽管它并非“保姆式教学”。它的魅力在于其“融会贯通”的能力。作者没有将统计学、编程和应用领域割裂开来，而是巧妙地将它们编织成一张网。我在阅读有关时间序列分析的那部分时，惊喜地发现，作者不仅讲解了ARIMA模型的数学原理，还立即引入了如何使用特定库来处理真实金融数据中常见的缺失值和非平稳性问题，并提供了处理这些“脏数据”的实用技巧。这种紧密的理论与实践结合，避免了学术书籍的空洞和纯粹的编程指南的肤浅。特别是，它对“特征工程”这个黑箱领域的阐述，清晰地划分了从特征选择到特征构造的几个关键步骤，并附带了许多基于领域知识的启发式方法，这对于提升模型性能至关重要。这本书的价值在于，它不仅教会你工具的使用，更教你如何像一个真正的数据科学家那样去构建和评估解决方案。
这本《数据科学导论》的封面设计着实抓人眼球，那种深邃的蓝色调配上流动的光影效果，仿佛在诉说着数据世界的无限可能。我拿到书的时候，首先被它扎实的厚度所震撼，随手翻开几页，发现目录结构极其清晰，从基础的统计学概念到机器学习的复杂模型，再到数据可视化的实践技巧，几乎涵盖了数据科学领域的所有核心模块。书中的图表制作精良，配色专业，即便是初学者也能很快抓住重点。尤其欣赏它在案例选择上的独到眼光，没有过多纠缠于那些陈旧的教学案例，而是紧密结合了当前行业热点，比如社交网络分析和推荐系统的工作原理，这让我感觉自己读的不是一本“导论”，而是一份与时俱进的行业手册。作者在讲解算法时，并没有一味地堆砌公式，而是花费了大量篇幅来阐述背后的数学直觉和逻辑推导，这一点对于我这种非科班出身的读者来说至关重要，它真正做到了“引人入门”，让人心甘情愿地深入探索。我对其中关于数据伦理和隐私保护那一章节印象深刻，在这个数据泛滥的时代，强调责任和规范的先行，体现了作者深厚的行业远见。总的来说，这是一本值得放在案头时常翻阅的工具书，其内容的广度和深度远超我对“导论”类书籍的预期。
断断续续看了一个星期吧，作为一本导论，作者对数据科学这一个领域的解释以及案例分析都浅显易懂，第七章还介绍了所能用到的工具，最后一章也对数据科学这一领域进行了辩证地认识。作为初步了解，本书还是比较具有科普作用的。
断断续续看了一个星期吧，作为一本导论，作者对数据科学这一个领域的解释以及案例分析都浅显易懂，第七章还介绍了所能用到的工具，最后一章也对数据科学这一领域进行了辩证地认识。作为初步了解，本书还是比较具有科普作用的。
这本书名字很有噱头， 但是内容较浅， 介绍性的描述了一些数据科学相关的案例， 可以说是数据科学的科普书和“小儿书”， 适合睡前粗读。 但作者们收集这些案例想必也花了些心思， 在国内也算走在了前列。 书的定价也较为合适。
这本书名字很有噱头， 但是内容较浅， 介绍性的描述了一些数据科学相关的案例， 可以说是数据科学的科普书和“小儿书”， 适合睡前粗读。 但作者们收集这些案例想必也花了些心思， 在国内也算走在了前列。 书的定价也较为合适。
断断续续看了一个星期吧，作为一本导论，作者对数据科学这一个领域的解释以及案例分析都浅显易懂，第七章还介绍了所能用到的工具，最后一章也对数据科学这一领域进行了辩证地认识。作为初步了解，本书还是比较具有科普作用的。
