本书由算法领域的知名专家Steven Skiena教授撰写，重点介绍了收集、分析和解释数据所需的技能和原理。作者由浅入深地介绍了数据科学的概念、所需的数学基础、数据的整理清洗方法、数据分析方法（统计分析、可视化、数学模型、线性逻辑回归、机器学习算法等）以及学习大数据分析的意义。作者结合应用领域的大量数据分析案例，以解释大数据分析所需技能与原理，帮助者快速理解和掌握大数据分析的理论与方法，也将这些技能的实际应用方式展现得淋漓尽致，具有很强的可操作性。

史蒂文·S. 斯基纳（Steven S.Skiena）博士是石溪大学的杰出教授，研究方向是数据科学、自然语言处理和算法。由于对本科教学工作有杰出贡献，他曾获得IEEE计算机科学与工程本科教学奖。他还撰写了6本书，包括知名的The Algorithm Design Manual、Programming Challenges: The Programming Contest Training Manual。

译者序<br/>前言<br/>第1章　什么是数据科学1<br/>1.1　计算机科学、数据科学和真正的科学1<br/>1.2　从数据中提出有趣的问题3<br/>1.2.1　棒球百科全书3<br/>1.2.2　互联网电影数据库6<br/>1.2.3　Google Ngrams7<br/>1.2.4　纽约出租车记录9<br/>1.3　数据的属性11<br/>1.3.1　结构化与非结构化数据11<br/>1.3.2　定量数据与类别数据11<br/>1.3.3　大数据与小数据12<br/>1.4　分类与回归12<br/>1.5　关于数据科学的电视节目：The Quant Shop13<br/>1.6　关于实战故事15<br/>1.7　实战故事：回答正确的问题16<br/>1.8　章节注释17<br/>1.9　练习17<br/>第2章　数学基础20<br/>2.1　概率20<br/>2.1.1　概率与统计21<br/>2.1.2　复合事件与独立事件22<br/>2.1.3　条件概率23<br/>2.1.4　概率分布23<br/>2.2　描述性统计25<br/>2.2.1　中心性度量25<br/>2.2.2　变异性度量26<br/>2.2.3　解释方差27<br/>2.2.4　描述分布29<br/>2.3　相关性分析29<br/>2.3.1　相关系数：皮尔逊和斯皮尔曼秩30<br/>2.3.2　相关的强弱与显著性31<br/>2.3.3　相关性并不意味着因果关系33<br/>2.3.4　用自相关检测周期性34<br/>2.4　对数35<br/>2.4.1　对数与乘法概率35<br/>2.4.2　对数和比率35<br/>2.4.3　对数与正规化偏态分布36<br/>2.5　实战故事：契合设计师基因37<br/>2.6　章节注释39<br/>2.7　练习39<br/>第3章　数据整理42<br/>3.1　数据科学语言42<br/>3.1.1　notebook环境的重要性44<br/>3.1.2　标准数据格式45<br/>3.2　数据收集47<br/>3.2.1　搜索47<br/>3.2.2　爬取49<br/>3.2.3　网络日志50<br/>3.3　数据清洗50<br/>3.3.1　错误与伪影51<br/>3.3.2　数据兼容性52<br/>3.3.3　处理缺失值56<br/>3.3.4　离群值检测57<br/>3.4　实战故事：打败市场58<br/>3.5　众包59<br/>3.5.1　一便士的实验59<br/>3.5.2　什么时候有群体智慧60<br/>3.5.3　聚合机制61<br/>3.5.4　众包服务62<br/>3.5.5　游戏化65<br/>3.6　章节注释66<br/>3.7　练习66<br/>第4章　得分和排名69<br/>4.1　体重指数70<br/>4.2　开发评分系统72<br/>4.2.1　黄金标准和代理72<br/>4.2.2　排名与得分72<br/>4.2.3　识别良好的评分函数74<br/>4.3　Z得分和归一化75<br/>4.4　高级排名技术76<br/>4.4.1　Elo排名76<br/>4.4.2　合并排名78<br/>4.4.3　基于有向图的排名80<br/>4.4.4　PageRank80<br/>4.5　实战故事：Clyde的复仇81<br/>4.6　阿罗不可能性定理83<br/>4.7　实战故事：谁更大84<br/>4.8　章节注释87<br/>4.9　练习87<br/>第5章　统计分析89<br/>5.1　统计分布90<br/>5.1.1　二项分布90<br/>5.1.2　正态分布91<br/>5.1.3　正态分布的含义93<br/>5.1.4　泊松分布93<br/>5.1.5　幂律分布95<br/>5.2　从分布中采样97<br/>5.3　统计显著性99<br/>5.3.1　显著性的意义100<br/>5.3.2　t检验：比较总体均值101<br/>5.3.3　Kolmogorov-Smirnov检验102<br/>5.3.4　Bonferroni校正104<br/>5.3.5　错误发现率104<br/>5.4　实战故事：发现青春之泉105<br/>5.5　置换检验与p值106<br/>5.5.1　产生随机排列108<br/>5.5.2　迪马吉奥的连胜纪录109<br/>5.6　贝叶斯定理110<br/>5.7　章节注释111<br/>5.8　练习111<br/>第6章　数据可视化114<br/>6.1　探索性数据分析115<br/>6.1.1　面对新的数据集115<br/>6.1.2　汇总统计量和Anscombe四重线117<br/>6.1.3　可视化工具119<br/>6.2　发展可视化美学119<br/>6.2.1　最大化数据墨水比率120<br/>6.2.2　最小化谎言因子121<br/>6.2.3　最大限度地减少图表垃圾122<br/>6.2.4　恰当的缩放和标注123<br/>6.2.5　有效使用颜色和阴影124<br/>6.2.6　重复的力量125<br/>6.3　图表类型125<br/>6.3.1　表格数据127<br/>6.3.2　点状图和折线图128<br/>6.3.3　散点图131<br/>6.3.4　条形图和饼图133<br/>6.3.5　直方图135<br/>6.3.6　数据地图137<br/>6.4　出色的可视化139<br/>6.4.1　Marey的火车时刻表139<br/>6.4.2　斯诺的霍乱地图140<br/>6.4.3　纽约气象年141<br/>6.5　读图141<br/>6.5.1　模糊分布141<br/>6.5.2　过度解释方差142<br/>6.6　交互式可视化143<br/>6.7　实战故事：TextMap144<br/>6.8　章节注释146<br/>6.9　练习146<br/>第7章　数学模型149<br/>7.1　建模哲学149<br/>7.1.1　奥卡姆剃刀原理149<br/>7.1.2　权衡偏差与方差150<br/>7.1.3　Nate Silver会怎么做150<br/>7.2　模型分类152<br/>7.2.1　线性模型与非线性模型152<br/>7.2.2　黑盒与描述性模型152<br/>7.2.3　第一原理与数据驱动模型153<br/>7.2.4　随机模型与确定性模型154<br/>7.2.5　平面模型与分层模型155<br/>7.3　基准模型155<br/>7.3.1　分类的基准模型155<br/>7.3.2　价值预测的基准模型156<br/>7.4　评估模型157<br/>7.4.1　评估分类器158<br/>7.4.2　受试者工作特征曲线161<br/>7.4.3　评估多类系统162<br/>7.4.4　评估价值预测模型164<br/>7.5　评估环境165<br/>7.5.1　数据卫生评估167<br/>7.5.2　放大小型评估集167<br/>7.6　实战故事：100%准确169<br/>7.7　模拟模型170<br/>7.8　实战故事：经过计算的赌注170<br/>7.9　章节注释173<br/>7.10　练习173<br/>第8章　线性代数176<br/>8.1　线性代数的作用176<br/>8.1.1　解释线性代数公式177<br/>8.1.2　几何和向量178<br/>8.2　矩阵运算可视化179<br/>8.2.1　矩阵加法179<br/>8.2.2　矩阵乘法180<br/>8.2.3　矩阵乘法的应用181<br/>8.2.4　单位矩阵与求逆184<br/>8.2.5　矩阵求逆与线性系统185<br/>8.2.6　矩阵的秩186<br/>8.3　因式分解矩阵187<br/>8.3.1　为什么是因子特征矩阵187<br/>8.3.2　LU分解与行列式188<br/>8.4　特征值和特征向量189<br/>8.4.1　特征值的性质189<br/>8.4.2　计算特征值189<br/>8.5　特征值分解190<br/>8.5.1　奇异值分解191<br/>8.5.2　主成分分析193<br/>8.6　实战故事：人的因素193<br/>8.7　章节注释195<br/>8.8　练习195<br/>第9章　线性回归和logistic回归197<br/>9.1　线性回归197<br/>9.1.1　线性回归与对偶198<br/>9.1.2　线性回归误差199<br/>9.1.3　寻找最优拟合199<br/>9.2　更好的回归模型200<br/>9.2.1　删除离群值200<br/>9.2.2　拟合非线性函数201<br/>9.2.3　特征和目标缩放202<br/>9.2.4　处理高度相关的特征204<br/>9.3　实战故事：出租车司机204<br/>9.4　参数拟合回归205<br/>9.4.1　凸参数空间206<br/>9.4.2　梯度下降法207<br/>9.4.3　什么是正确的学习速率208<br/>9.4.4　随机梯度下降法210<br/>9.5　通过正则化简化模型210<br/>9.5.1　岭回归211<br/>9.5.2　LASSO回归211<br/>9.5.3　拟合与复杂性的权衡212<br/>9.6　分类与logistic回归212<br/>9.6.1　分类回归213<br/>9.6.2　决策边界214<br/>9.6.3　logistic回归214<br/>9.7　logistic分类中的几个问题216<br/>9.7.1　均衡训练分类216<br/>9.7.2　多类分类218<br/>9.7.3　分层分类219<br/>9.7.4　分拆函数与多项式回归220<br/>9.8　章节注释220<br/>9.9　练习220<br/>第10章　距离和网络方法222<br/>10.1　测量距离222<br/>10.1.1　距离度量222<br/>10.1.2　距离度量223<br/>10.1.3　在更高维度上工作224<br/>10.1.4　维度平均225<br/>10.1.5　点与向量226<br/>10.1.6　概率分布之间的距离226<br/>10.2　最近邻分类227<br/>10.2.1　寻找好的类比228<br/>10.2.2　k最近邻法229<br/>10.2.3　发现最近邻230<br/>10.2.4　局部敏感哈希231<br/>10.3　图、网络和距离232<br/>10.3.1　加权图与诱导网络233<br/>10.3.2　对图的讨论234<br/>10.3.3　图论236<br/>10.4　PageRank236<br/>10.5　聚类239<br/>10.5.1　k均值聚类241<br/>10.5.2　凝聚聚类244<br/>10.5.3　比较聚类248<br/>10.5.4　相似度图和基于切割的聚类248<br/>10.6　实战故事：集群轰炸250<br/>10.7　章节注释251<br/>10.8　练习251<br/>第11章　机器学习254<br/>11.1　朴素贝叶斯256<br/>11.1.1　公式256<br/>11.1.2　处理零计数（折扣）257<br/>11.2　决策树分类258<br/>11.2.1　构建决策树260<br/>11.2.2　实现异或261<br/>11.2.3　决策树集合261<br/>11.3　Boosting和集成学习262<br/>11.3.1　用分类器投票262<br/>11.3.2　Boosting算法263<br/>11.4　支持向量机265<br/>11.4.1　线性支持向量机266<br/>11.4.2　非线性支持向量机267<br/>11.4.3　核函数268<br/>11.5　监督程度268<br/>11.5.1　监督学习269<br/>11.5.2　无监督学习269<br/>11.5.3　半监督学习270<br/>11.5.4　特征工程271<br/>11.6　深度学习272<br/>11.6.1　网络和深度273<br/>11.6.2　反向传播275<br/>11.6.3　文字和图形的嵌入276<br/>11.7　实战故事：名字游戏277<br/>11.8　章节注释279<br/>11.9　练习280<br/>第12章　大数据：实现规模282<br/>12.1　大数据是什么282<br/>12.1.1　作为坏数据的大数据283<br/>12.1.2　3个V284<br/>12.2　实战故事：基础设施问题285<br/>12.3　大数据算法286<br/>12.3.1　大O分析286<br/>12.3.2　哈希287<br/>12.3.3　利用存储层次结构289<br/>12.3.4　流式和单通道算法290<br/>12.4　过滤和抽样291<br/>12.4.1　确定性抽样算法291<br/>12.4.2　随机抽样和流抽样292<br/>12.5　并行293<br/>12.5.1　一、二、多293<br/>12.5.2　数据并行294<br/>12.5.3　网格搜索295<br/>12.5.4　云计算服务295<br/>12.6　MapReduce296<br/>12.6.1　MapReduce编程296<br/>12.6.2　MapReduce的工作原理298<br/>12.7　社会和伦理影响299<br/>12.8　章节注释301<br/>12.9　习题301<br/>第13章　结尾303<br/>13.1　找份工作303<br/>13.2　到研究生院去304<br/>13.3　专业咨询服务304<br/>参考文献305<br/>索引311