數據科學手冊

譯者序
原書前言
第1章　引言：成為獨角獸 1

第Ⅰ部分　必須掌握的基礎素材
第2章　數據科學路線圖 6
第3章　編程語言 13
第4章　數據預處理：字符串操作、正則表達式和數據清理 36
第5章　可視化與簡單度量 48
第6章　機器學習概要 70
第7章　插曲：特征提取思路 74
第8章　機器學習分類 77
第9章　技術交流與文檔化 96

第Ⅱ部分　仍需要知道的事情
第10章　無監(jiān)督學習：聚類與降維 108
10.1　維數災難 108
10.2　實例：“特征臉”降維 110
10.3　主成分分析與因子分析 112
10.4　Skree圖與維度的理解 113
10.5　因子分析 114
10.6　PCA的局限性 114
10.7　聚類 115
10.7.1　聚類簇的實際評估 115
10.7.2　k均值聚類 116
10.7.3　高斯混合模型 117
10.7.4　合成聚類 118
10.7.5　聚類質量評價 118
10.7.6　輪廓分數 118
10.7.7　蘭德指數與調整蘭德指數 120
10.7.8　互信息 120
10.8　延伸閱讀 121
10.9　術語 121
第11章　回歸 122
11.1　實例：預測糖尿病進展 122
11.2　最小二乘法 125
11.3　非線性曲線擬合 126
11.4　擬合度：R2和相關度 127
11.5　殘差相關性 128
11.6　線性回歸 128
11.7　LASSO回歸與特征選擇 130
11.8　延伸閱讀 131
11.9　術語 131
第12章　數據編碼與文件格式 132
12.1　典型的文件格式類別 132
12.1.1　文本文件 132
12.1.2　密集數組 133
12.1.3　程序相關的數據格式 133
12.1.4　數據壓縮和數據存檔 133
12.2　CSV文件 133
12.3　JSON文件 134
12.4　XML文件 136
12.5　HTML文件 138
12.6　Tar文件 139
12.7　GZip文件 140
12.8　Zip文件 140
12.9　圖像文件：柵格化、矢量化及壓縮 141
12.10　歸根到底都是字節(jié) 142
12.11　整型數 142
12.12　浮點數 143
12.13　文本數據 144
12.14　延伸閱讀 146
12.15 　術語 146
第13章　大數據 147
13.1　什么是大數據 147
13.2　Hadoop：文件系統(tǒng)與處理器 148
13.3　使用HDFS 149
13.4　PySpark腳本實例 150
13.5　Spark概述 151
13.6　Spark操作 152
13.7　運行PySpark的兩種方式 154
13.8　Spark配置 154
13.9　底層的細節(jié) 155
13.10　Spark提示與技巧 156
13.11　 MapReduce范例 157
13.12　性能考量 158
13.13　延伸閱讀 159
13.14　術語 160
第14章　數據庫 161
14.1　關系數據庫及MySQL 162
14.1.1　基本查詢和分組 162
14.1.2　連接 164
14.1.3　嵌套查詢 165
14.1.4　運行MySQL并管理數據庫 166
14.2　鍵-值存儲 167
14.3　寬列存儲 167
14.4　文檔存儲 168
14.4.1　MongoDB 168
14.5　延伸閱讀 170
14.6　術語 170
第15章　軟件工程最佳實踐 172
15.1　編碼風格 172
15.2　數據科學家的版本控制和Git 174
15.3　代碼測試 176
15.3.1　單元測試 176
15.3.2　集成測試 178
15.4　測試驅動的開發(fā) 178
15.5　敏捷方法 179
15.6　延伸閱讀 179
15.7　術語 179
第16章　自然語言處理 181
16.1　是否真正需要NLP 181
16.2　兩種流派的對壘：語言學與統(tǒng)計學 181
16.3　實例：股市文章的論點分析 182
16.4　軟件和數據庫 184
16.5　詞語切分 184
16.6　核心概念：詞袋 184
16.7　單詞加權：TF-IDF 185
16.8　n-gram 186
16.9　停用詞 186
16.10　詞形還原與詞干提取 187
16.11　同義詞 187
16.12　詞性標注 188
16.13　常見問題 188
16.13.1　搜索 188
16.13.2　情感分析 189
16.13.3　實體識別與主題建模 189
16.14　高級NLP：語法樹、知識以及理解 190
16.15　延伸閱讀 191
16.16　術語 191

第17章　時間序列分析 192
17.1　實例：預測維基百科頁面的訪問量 192
17.2　典型的工作流 196
17.3　時間序列與時間戳事件 196
17.4　插值的重采樣 196
17.5　信號平滑 199
17.6　對數變換及其他變換 199
17.7　趨勢和周期性 199
17.8　窗口化 200
17.9　簡單特征的頭腦風暴 201
17.10　更好的特征：向量形式的時間序列 201
17.11　傅里葉分析：有時候非常有效 202
17.12　上下文中的時間序列：全套特征 204
17.13　延伸閱讀 205
17.14　術語 205
第18章　概率 206
18.1　拋硬幣：伯努利隨機變量 206
18.2　擲飛鏢：均勻隨機變量 207
18.3　均勻分布和偽隨機數 208
18.4　非離散型、非連續(xù)型隨機變量 209
18.5　記號、期望和標準偏差 210
18.6　獨立概率、邊際概率和條件概率 211
18.7 　重尾的理解 212
18.8　二項分布 214
18.9　泊松分布 214
18.10　正態(tài)分布 215
18.11　多元高斯分布 216
18.12　指數分布 217
18.13　對數正態(tài)分布 218
18.14　熵 218
18.15　延伸閱讀 220
18.16　術語 220

第19章　統(tǒng)計學 222
19.1　統(tǒng)計學透視 222
19.2　貝葉斯與頻率論：使用上的權衡及不同學派 223
19.3　假設檢驗：關鍵思想和范例 223
19.4　多重假設檢驗 225
19.5　參數估計 226
19.6　假設檢驗：t檢驗 227
19.7　置信區(qū)間 229
19.8　貝葉斯統(tǒng)計學 230
19.9　樸素貝葉斯統(tǒng)計學 231
19.10　貝葉斯網絡 232
19.11　先驗概率選擇：最大熵或領域知識 232
19.12　延伸閱讀 233
19.13　術語 233
第20章　編程語言概念 235
20.1　編程范式 235
20.1.1　命令式 235
20.1.2　函數式 236
20.1.3　面向對象 239
20.2　編譯與解釋 242
20.3　類型系統(tǒng) 244
20.3.1　靜態(tài)類型與動態(tài)類型 244
20.3.2　強類型與弱類型 244
20.4　延伸閱讀 245
20.5　術語 245
第21章　性能和計算機內存 247
21.1　示例腳本 247
21.2　算法性能與Big-O符號 249
21.3　一些經典問題：排序列表與二分查找 250
21.4　攤銷性能與平均性能 253
21.5　兩個原則：減小開銷和管理內存 255
21.6　性能技巧：在適用的情況下使用數字化庫 256
21.7　性能技巧：刪除不需要的大型結構 257
21.8　性能技巧：盡可能使用內置函數 257
21.9　性能技巧：避免不必要的函數調用 258
21.10　性能技巧：避免創(chuàng)建大型新對象 258
21.11　延伸閱讀 259
21.12　術語 259

第Ⅲ部分　專業(yè)或高級主題
第22章　計算機內存和數據結構 262
22.1　虛擬內存、堆棧和堆結構 262
22.2　C程序實例 262
22.3　內存數據類型和數組 263
22.4　結構 264
22.5　指針、堆棧和堆 265
22.6　關鍵數據結構 269
22.6.1　字符串 269
22.6.2　可調數組 269
22.6.3　哈希表 271
22.6.4　鏈表 272
22.6.5　二叉搜索樹 273
22.7　延伸閱讀 274
22.8　術語 274
第23章　最大似然估計和最優(yōu)化 276
23.1　最大似然估計 276
23.2　一個簡單實例：直線擬合 277
23.3　另一個例子：邏輯回歸 278
23.4　最優(yōu)化 279
23.5　梯度下降和凸優(yōu)化 280
23.6　凸優(yōu)化 283
23.7　隨機梯度下降 284
23.8　延伸閱讀 284
23.9　術語 284
第24章　高級分類器 286
24.1　函數庫注解 286
24.2　基礎深度學習 287
24.3　卷積神經網絡 289
24.4　不同類型的層以及張量到底是什么 290
24.5　實例：MNIST手寫數據集 291
24.6　遞歸神經網絡 293
24.7　貝葉斯網絡 294
24.8　訓練和預測 295
24.9　馬爾可夫鏈蒙特卡洛理論 296
24.10　PyMC實例 297
24.11　延伸閱讀 299
24.12　術語 299
第25章　隨機建模 300
25.1　馬爾可夫鏈 300
25.2　兩類馬爾可夫鏈、兩類問題 302
25.3　馬爾可夫鏈蒙特卡洛 303
25.4　隱馬爾可夫模型和Viterbi算法 304
25.5　維特比算法 305
25.6　隨機游走 307
25.7　布朗運動 308
25.8　ARIMA模型 308
25.9　連續(xù)時間馬爾可夫過程 309
25.10　泊松過程 310
25.11　延伸閱讀 310
25.12　術語 311

告別語：　數據科學家的未來 312