具体描述
作者布瑞恩•戈德西结合自己的亲身经历，讲述了数据科学从项目准备、解决方案构建到项目交付的全部过程，并以案例的形式深入浅出地讲解了在开展数据科学项目的过程中可能遇到的各种问题，循序渐进地教你解决现实世界中以数据为中心的问题。在阅读本书时，你会发现或掌握有价值的统计技术，并探索强大的数据科学软件。更重要的是，你将使用结构化的数据过程来集成这些知识。完成了这个过程，你便为终身学习和实践数据科学奠定了坚实的基础。
全书分为三部分，分别代表数据科学过程的三个主要阶段。第一部分讨论准备工作，强调在项目开始时投入时间和精力去收集信息以避免后期的头疼问题。第二部分讨论把计划付诸于行动，利用从第一部分了解到的知识，以及统计学和软件可以提供的所有工具，为客户构建产品。第三部分讨论项目的完成，包括交付、反馈、修改、支持及干净收尾。
作者简介
作者简介：
布瑞恩•戈德西（Brian Godsey） 在加入以数据为中心的初创企业之前，布瑞恩•戈德西博士在学术界和政府机构有近十年的工作经验，曾经把数学和统计学应用到诸如生物信息、金融和国防等领域。他还在巴尔的摩领导过当地的一家数据创业公司，并伴随着企业从种子基金成长到A轮融资，亲眼目睹产品从原型发展到生产版本，此前他曾在Unoceros和Panopticon实验室两家初创公司任职，帮助它们推出了以数据为中心的产品。
译者简介：
陈斌（Chuck Chen） 现任易宝CTO。1989年获得吉林大学硕士学位；1992年任新加坡航空公司高级系统分析师；1999年投身于硅谷互联网技术发展浪潮，曾任日立美国系统集成总监，Abacus首席架构师和Nokia美国首席工程师；2008年任eBay资深架构师，负责移动应用的架构设计。丰富的海外经历，多年的架构经验，深谙移动互联网对传统行业的影响；2014年再次投身易宝，提出大、平、移、商的战略方针，全力推动移动互联网技术，引领行业变革。
目录信息
本书赞誉
中文版序一
中文版序二
译者序
前言
致谢
关于本书
关于原书封面插图
第一部分 准备和收集数据与知识
第1章 数据科学的逻辑 …… 2
1.1 数据科学与本书 …… 4
1.2 意识的可贵 …… 7
1.3 研发人员与数据科学家 …… 9
1.4 需要成为软件研发者吗 …… 12
1.5 需要明白统计学吗 …… 13
1.6 优先级：知识、技术、观点 …… 14
1.7 最佳实践 …… 17
1.8 阅读本书：我怎么讨论概念 …… 23
小结 …… 24
第2章 通过好的提问设置目标 …… 26
2.1聆听客户 …… 27
2.2提出关于数据的好问题 …… 37
2.3用数据回答问题 …… 42
2.4设定目标 …… 48
2.5计划要有弹性 …… 50
练习 …… 51
小结 …… 51
第3章 周围的数据：虚拟的荒野 …… 52
3.1数据作为研究对象 …… 52
3.2数据可能存在的地方，以及如何与之交互 …… 62
3.3数据侦察 …… 80
3.4案例：microRNA与基因表达 …… 89
练习 …… 94
小结 …… 95
第4章 数据整理：从捕捉到驯化 …… 96
4.1案例研究：最佳田径表演 …… 97
4.2准备整理数据 …… 101
4.3技巧与工具 …… 109
4.4常见的陷阱 …… 112
练习 …… 119
小结 …… 119
第5章 数据评估：动手检查 …… 120
5.1案例：安然的电子邮件数据 …… 121
5.2描述性统计 …… 123
5.3检查数据的假设 …… 130
5.4寻找特定的实体 …… 134
5.5大概的统计分析 …… 140
练习 …… 147
小结 …… 147
第二部分 构建软件和统计产品
第6章 制订计划 …… 150
6.1学到了什么 …… 152
6.2重新考虑期望和目标 …… 158
6.3规划 …… 164
6.4沟通新目标 …… 175
练习 …… 176
小结 …… 177
第7章 统计建模：概念与基础 …… 178
7.1如何看待统计 …… 179
7.2统计学：与数据科学相关的领域 …… 180
7.3数学 …… 184
7.4统计模型与推理 …… 194
7.5其他的统计方法 …… 218
练习 …… 227
小结 …… 227
第8章 软件：统计学在行动 …… 229
8.1电子表格和用户图形界面应用 …… 230
8.2编程 …… 239
8.3选择统计软件工具 …… 264
8.4把统计转换成软件 …… 271
练习 …… 277
小结 …… 278
第9章 辅助软件：更大、更快、更高效 …… 279
9.1数据库 …… 280
9.2高性能计算 …… 287
9.3云服务 …… 290
9.4大数据技术 …… 293
9.5XX即服务 …… 297
练习 …… 298
小结 …… 298
第10章 执行计划：汇总 …… 299
10.1执行计划的诀窍 …… 300
10.2修改计划 …… 308
10.3结果：知道什么时候足够好 …… 310
10.4案例研究：基因活性测定协议 …… 315
练习 …… 328
小结 …… 329
第三部分 整理产品结束项目
第11章 交付产品 …… 332
11.1了解客户 …… 333
11.2交付形式 …… 335
11.3内容 …… 345
11.4案例：分析电子游戏 …… 351
练习 …… 353
小结 …… 353
第12章 交付后：问题与修改 …… 354
12.1产品及其使用问题 …… 354
12.2反馈 …… 364
12.3产品修改 …… 370
练习 …… 377
小结 …… 378
第13章 结束：项目善后 …… 379
13.1项目善后 …… 380
13.2从项目中学习 …… 392
13.3展望未来 …… 396
练习 …… 398
小结 …… 399
练习：案例与答案 …… 400
· · · · · · (收起)
读后感
用户评价
这本书，说实话，刚翻开的时候我还有点将信将疑。封面设计得挺有未来感的，蓝白灰的配色，给人一种冷静又深邃的感觉。但内容嘛，一开始确实有点挑战性。作者似乎没有打算用那种平铺直叙的方式来引导读者进入“数据”的世界。他更像是一个经验丰富的老向导，直接把你扔进一片广袤的数字森林里，让你自己去摸索那些错综复杂的路径。前几章花了不少篇幅去构建一个宏大的概念框架，涉及的领域非常广，从最底层的算法原理到宏观的社会结构变化，都有所涉猎。我印象最深的是他对“信息熵增”在现代社会中的新解读，那段文字写得非常精妙，仿佛一下子点亮了思维的盲区。我记得我当时停下来，反复读了好几遍，才真正体会到那种从微观粒子运动到全球化商业决策之间那种看似不相关的联系是如何被数据这条无形的丝线串联起来的。这本书的叙事节奏是跳跃的，你得时刻保持高度的专注力，否则很容易跟不上作者的思路，尤其是在涉及到一些前沿的交叉学科内容时，比如量子计算对数据安全性的冲击，那一块我感觉自己像是坐在大学的课堂上听一位顶尖教授讲课，信息密度大到需要时不时地合上书本，给自己一点时间消化。总的来说，它不是一本轻松的读物，更像是一次对认知边界的深度拓展训练，适合那些已经对技术有一定了解，并渴望看到更高维度洞察的读者。
这本书的语言风格，用一个词来形容，就是“锋利”。它不像某些技术普及读物那样试图去安抚读者，反而像一把精心磨砺过的手术刀，精准地切开我们对“效率至上”的盲目崇拜。我特别喜欢作者在探讨“自动化决策”时所采用的文学手法，他似乎很擅长利用环境描写来烘托气氛。在描述一个完全由AI驱动的物流中心时，那种井然有序到近乎冷酷的效率感，通过他流畅的文字传达出来，让人不寒而栗。这本书的章节之间逻辑跳跃性很大，有时候前一章还在讨论生物信息学的最新突破，下一章可能就转到了古代的哲学思想中关于“可知与不可知”的界限。这种不拘一格的跨界引用，反而让论证显得更加扎实和立体，有一种深厚的文化底蕴支撑着前沿科技的探讨。我感觉作者对于历史的理解非常深刻，他总能找到古代智慧来映照现代困境。对于那些追求深度思考，不满足于表面现象的读者来说，这本书无疑是一份丰盛的精神大餐，它让你思考的深度和广度都得到了极大的延展。
这本书的阅读体验简直就像经历了一场精彩绝伦的辩论赛，只不过这一次，辩论的双方是“潜能”与“风险”。我读完之后，最大的感受是，作者并不是一个单纯的“数据布道者”，他似乎更像是一个冷静的记录者，将数据带来的巨大能量摆在台面上，同时毫不留情地揭示了其阴暗面的潜力。书中有一个章节专门讨论了“算法偏见”在不同文化背景下的映射和放大效应，那种分析的深度和广度让我感到震惊。它没有止步于指责技术本身，而是深入挖掘了人类社会结构中的不平等是如何被输入数据固化并加速的。文笔上，这本书的特点是那种克制的、带有哲学思辨意味的叙述。它很少使用夸张的形容词，而是通过精妙的案例对比和严谨的逻辑推导来构建说服力。比如，作者对比了两个不同国家在医疗数据共享政策上的差异，从政策制定者的心态到最终对底层患者生活的影响，描述得细致入微，充满了现实的张力。我特别欣赏作者在处理复杂议题时展现出的那种不轻易下结论的姿态，他更倾向于提供证据链，引导我们自己去思辨“我们想要一个什么样的未来”。这本书的结构组织得非常巧妙，看似零散的章节，其实都围绕着一个核心问题——即人类如何与我们自己创造出的这个“数据生命体”共存。
这本书的魅力在于其近乎偏执的细节打磨和罕见的视角切换能力。我注意到，作者在阐述复杂的数据模型时，会时不时地穿插一些非常个人化的小故事或回忆片段，这些小插曲就像是冰冷数据流中的温暖火花，有效地缓解了阅读过程中的枯燥感，同时也让那些庞大的理论变得可亲近。比如，他描述自己童年对一个简单计算器的迷恋，如何演变成了今天对复杂计算系统的研究，这种个人化的叙事，极大地增强了读者与作者之间的情感联结。这本书的结构组织非常具有实验性，它不是线性的时间轴推进，而更像是一个由无数节点构成的网络，每一个节点都可以独立成章，但又相互关联。我个人更喜欢它探讨“数字伦理”的那几个部分，作者没有简单地将伦理问题标签化，而是通过大量的虚拟情景构建，将读者置于两难的境地，迫使我们去直面那些没有标准答案的道德困境。阅读这本书，我感觉自己像是参与了一场高强度的智力马拉松，需要持续地保持精神上的警觉性，但最终的回报是巨大的——一种对我们所处时代本质的更加清晰、也更加审慎的认知。
老实说，这本书的阅读过程充满了“aha moments”，但同时也有不少“天哪，我完全没想过这个”的挫败感。它最吸引我的地方在于，它成功地将那些抽象的、高高在上的技术概念，通过极富画面感的比喻，拉到了普通人可以感知的层面。比如，作者描述大数据平台如何利用用户习惯进行“行为预测雕塑”的那一段，我立刻联想到了自己日常生活中那些不自觉的点击和停留，感觉自己好像被透明化了。这本书的叙事风格非常具有现代感，它大量采用了并列结构和短句，使得阅读起来节奏感极强，读起来有一种飞驰的感觉，生怕错过任何一个闪光的观点。我个人认为，这本书的价值不仅仅在于知识的传授，更在于它提供了一种全新的观察世界的“透镜”。它迫使你跳出日常经验的舒适区，用一种更具结构性和系统性的眼光去看待我们身处的这个信息洪流。书中对于“数字主权”的探讨尤为尖锐，作者没有停留在口号层面，而是具体分析了在不同司法管辖区下，个人数据资产的实际价值和控制权分配的现实困境。这本书读完后，你会发现自己看新闻、刷社交媒体的方式都潜移默化地发生了一些改变，这大概就是一本好书的最高境界了。
半年前工作需要买的，没有读完。
半年前工作需要买的，没有读完。
技术成本比较多
技术成本比较多
讲述数据与架构的故事
