编辑推荐
适读人群 ：本书可作为数据科学家和数据工程师的学习用书，也适合对数据科学有强烈兴趣的初学者使用，同时也可作为高等院校计算机、数学及相关专业的师生用书和培训学校的教材。
1.在数据学科的角度，融合了数学、计算机科学、计量经济学的精髓。
2.为读者阐释了数据科学所要解决的核心问题—数据模型、算法模型的理论内涵和适用范围
3.以常用的IT工具—Python为基础，教会读者如何建模以及通过算法实现数据模型，具有很强的实操性。
4.本书还为读者详解了分布式机器学习、神经网络、深度学习等大数据和人工智能的前沿技术。
中国工程院院士、第三世界科学院院士、前中国科学院计算技术研究所所长李国杰，
易选股金融智能证券董事长，键桥通讯董事易欢欢作序推荐；
GrowingIO 创始人兼 CEO张溪梦，
复旦大学教授、博士生导师、复旦大学航空航天数据研究中心主任杨卫东，
美国罗格斯大学管理科学及信息系统系终身教授，中国计算机学会大数据专家委员会委员林晓东，诚意推荐。
内容简介
本书全面讲解了数据科学的相关知识，从统计分析学到机器学习、深度学习中用到的算法及模型，借鉴经济学视角给出模型的相关解释，深入探讨模型的可用性，并结合大量的实际案例和代码帮助读者学以致用，将具体的应用场景和现有的模型相结合，从而更好地发现模型的潜在应用场景。
本书可作为数据科学家和数据工程师的学习用书，也适合对数据科学有强烈兴趣的初学者使用，同时也可作为高等院校计算机、数学及相关专业的师生用书和培训学校的教材。
作者简介
唐亘，数据科学家，专注于机器学习和大数据。曾获得复旦大学的数学和计算机双学士学位；巴黎综合理工的金融硕士学位；法国国立统计与经济管理学校的数据科学硕士学位。热爱并积极参与Apache Spark和Scikit-Learn等开源项目。作为讲师和技术顾问，为多家机构（包括惠普、华为、复旦大学等）提供百余场技术培训。此前的工作和研究集中于经济和量化金融，曾参与经济合作与发展组织（OECD）的研究项目并发表论文，并担任英国知名在线出版社Packt的技术审稿人。
目录
- 第 1章 数据科学概述 1
- 1.1 挑战 2
- 1.1.1 工程实现的挑战 2
- 1.1.2 模型搭建的挑战 3
- 1.2 机器学习 5
- 1.2.1 机器学习与传统编程 5
- 1.2.2 监督式学习和非监督式学习 8
- 1.3 统计模型 8
- 1.4 关于本书 10
- 第 2章 Python安装指南与简介：告别空谈 12
- 2.1 Python简介 13
- 2.1.1 什么是Python 15
- 2.1.2 Python在数据科学中的地位 16
- 2.1.3 不可能绕过的第三方库 17
- 2.2 Python安装 17
- 2.2.1 Windows下的安装 18
- 2.2.2 Mac下的安装 21
- 2.2.3 Linux下的安装 24
- 2.3 Python上手实践 26
- 2.3.1 Pythoshell 26
- 2.3.2 第 一个Python程序：Word Count 28
- 2.3.3 Python编程基础 30
- 2.3.4 Python的工程结构 34
- 2.4 本章小结 35
- 第3章 数学基础：恼人但又不可或缺的知识 36
- 3.1 矩阵和向量空间 37
- 3.1.1 标量、向量与矩阵 37
- 3.1.2 特殊矩阵 39
- 3.1.3 矩阵运算 39
- 3.1.4 代码实现 42
- 3.1.5 向量空间 44
- 3.2 概率：量化随机 46
- 3.2.1 定义概率：事件和概率空间 47
- 3.2.2 条件概率：信息的价值 48
- 3.2.3 随机变量：两种不同的随机 50
- 3.2.4 正态分布：殊途同归 52
- 3.2.5 P-value：自信的猜测 53
- 3.3 微积分 55
- 3.3.1 导数和积分：位置、速度 55
- 3.3.2 极限：变化的终点 57
- 3.3.3 复合函数：链式法则 58
- 3.3.4 多元函数：偏导数 59
- 3.3.5 极值与最值：最优选择 59
- 3.4 本章小结 61
- 第4章 线性回归：模型之母 62
- 4.1 一个简单的例子 64
- 4.1.1 从机器学习的角度看这个问题 66
- 4.1.2 从统计学的角度看这个问题 69
- 4.2 上手实践：模型实现 73
- 4.2.1 机器学习代码实现 74
- 4.2.2 统计方法代码实现 77
- 4.3 模型陷阱 82
- 4.3.1 过度拟合：模型越复杂越好吗 84
- 4.3.2 模型幻觉之统计学方案：假设检验 87
- 4.3.3 模型幻觉之机器学习方案：惩罚项 89
- 4.3.4 比较两种方案 92
- 4.4 模型持久化 92
- 4.4.1 模型的生命周期 93
- 4.4.2 保存模型 93
- 4.5 本章小结 96
- 第5章 逻辑回归：隐藏因子 97
- 5.1 二元分类问题：是与否 98
- 5.1.1 线性回归：为何失效 98
- 5.1.2 窗口效应：看不见的才是关键 100
- 5.1.3 逻辑分布：胜者生存 102
- 5.1.4 参数估计之似然函数：统计学角度 104
- 5.1.5 参数估计之损失函数：机器学习角度 104
- 5.1.6 参数估计之最终预测：从概率到选择 106
- 5.1.7 空间变换：非线性到线性 106
- 5.2 上手实践：模型实现 108
- 5.2.1 初步分析数据：直观印象 108
- 5.2.2 搭建模型 113
- 5.2.3 理解模型结果 116
- 5.3 评估模型效果：孰优孰劣 118
- 5.3.1 查准率与查全率 119
- 5.3.2 ROC曲线与AUC 123
- 5.4 多元分类问题：超越是与否 127
- 5.4.1 多元逻辑回归：逻辑分布的威力 128
- 5.4.2 One-vs.-all：从二元到多元 129
- 5.4.3 模型实现 130
- 5.5 非均衡数据集 132
- 5.5.1 准确度悖论 132
- 5.5.2 一个例子 133
- 5.5.3 解决方法 135
- 5.6 本章小结 136
- 第6章 工程实现：计算机是怎么算的 138
- 6.1 算法思路：模拟滚动 139
- 6.2 数值求解：梯度下降法 141
- 6.3 上手实践：代码实现 142
- 6.3.1 TensorFlow基础 143
- 6.3.2 定义模型 148
- 6.3.3 梯度下降 149
- 6.3.4 分析运行细节 150
- 6.4 更优化的算法：随机梯度下降法 153
- 6.4.1 算法细节 153
- 6.4.2 代码实现 154
- 6.4.3 两种算法比较 156
- 6.5 本章小结 158
- 第7章 计量经济学的启示：他山之石 159
- 7.1 定量与定性：变量的数学运算合理吗 161
- 7.2 定性变量的处理 162
- 7.2.1 虚拟变量 162
- 7.2.2 上手实践：代码实现 164
- 7.2.3 从定性变量到定量变量 168
- 7.3 定量变量的处理 170
- 7.3.1 定量变量转换为定性变量 171
- 7.3.2 上手实践：代码实现 171
- 7.3.3 基于卡方检验的方法 173
- 7.4 显著性 175
- 7.5 多重共线性：多变量的烦恼 176
- 7.5.1 多重共线性效应 176
- 7.5.2 检测多重共线性 180
- 7.5.3 解决方法 185
- 7.5.4 虚拟变量陷阱 188
- 7.6 内生性：变化来自何处 191
- 7.6.1 来源 192
- 7.6.2 内生性效应 193
- 7.6.3 工具变量 195
- 7.6.4 逻辑回归的内生性 198
- 7.6.5 模型的联结 200
- 7.7 本章小结 201
- 第8章 监督式学习： 目标明确 202
- 8.1 支持向量学习机 203
- 8.1.1 直观例子 204
- 8.1.2 用数学理解直观 205
- 8.1.3 从几何直观到最优化问题 207
- 8.1.4 损失项 209
- 8.1.5 损失函数与惩罚项 210
- 8.1.6 Hard margi与soft margin比较 211
- 8.1.7 支持向量学习机与逻辑回归：隐藏的假设 213
- 8.2 核函数 216
- 8.2.1 空间变换：从非线性到线性 216
- 8.2.2 拉格朗日对偶 218
- 8.2.3 支持向量 220
- 8.2.4 核函数的定义：优化运算 221
- 8.2.5 常用的核函数 222
- 8.2.6 Scale variant 225
- 8.3 决策树 227
- 8.3.1 决策规则 227
- 8.3.2 评判标准 229
- 8.3.3 代码实现 231
- 8.3.4 决策树预测算法以及模型的联结 231
- 8.3.5 剪枝 235
- 8.4 树的集成 238
- 8.4.1 随机森林 238
- 8.4.2 Random forest embedding 239
- 8.4.3 GBTs之梯度提升 241
- 8.4.4 GBTs之算法细节 242
- 8.5 本章小结 244
- 第9章 生成式模型：量化信息的价值 246
- 9.1 贝叶斯框架 248
- 9.1.1 蒙提霍尔问题 248
- 9.1.2 条件概率 249
- 9.1.3 先验概率与后验概率 251
- 9.1.4 参数估计与预测公式 251
- 9.1.5 贝叶斯学派与频率学派 252
- 9.2 朴素贝叶斯 254
- 9.2.1 特征提取：文字到数字 254
- 9.2.2 伯努利模型 256
- 9.2.3 多项式模型 258
- 9.2.4 TF-IDF 259
- 9.2.5 文本分类的代码实现 260
- 9.2.6 模型的联结 265
- 9.3 判别分析 266
- 9.3.1 线性判别分析 267
- 9.3.2 线性判别分析与逻辑回归比较 269
- 9.3.3 数据降维 270
- 9.3.4 代码实现 273
- 9.3.5 二次判别分析 275
- 9.4 隐马尔可夫模型 276
- 9.4.1 一个简单的例子 276
- 9.4.2 马尔可夫链 278
- 9.4.3 模型架构 279
- 9.4.4 中文分词：监督式学习 280
- 9.4.5 中文分词之代码实现 282
- 9.4.6 股票市场：非监督式学习 284
- 9.4.7 股票市场之代码实现 286
- 9.5 本章小结 289
- 第 10章 非监督式学习：聚类与降维 290
- 10.1 K-means 292
- 10.1.1 模型原理 292
- 10.1.2 收敛过程 293
- 10.1.3 如何选择聚类个数 295
- 10.1.4 应用示例 297
- 10.2 其他聚类模型 298
- 10.2.1 混合高斯之模型原理 299
- 10.2.2 混合高斯之模型实现 300
- 10.2.3 谱聚类之聚类结果 303
- 10.2.4 谱聚类之模型原理 304
- 10.2.5 谱聚类之图片分割 307
- 10.3 Pipeline 308
- 10.4 主成分分析 309
- 10.4.1 模型原理 310
- 10.4.2 模型实现 312
- 10.4.3 核函数 313
- 10.4.4 Kernel PCA的数学原理 315
- 10.4.5 应用示例 316
- 10.5 奇异值分解 317
- 10.5.1 定义 317
- 10.5.2 截断奇异值分解 317
- 10.5.3 潜在语义分析 318
- 10.5.4 大型推荐系统 320
- 10.6 本章小结 323
- 第 11章 分布式机器学习：集体力量 325
- 11.1 Spark简介 327
- 11.1.1 Spark安装 328
- 11.1.2 从MapReduce到Spark 333
- 11.1.3 运行Spark 335
- 11.1.4 Spark DataFrame 336
- 11.1.5 Spark的运行架构 339
- 11.2 最优化问题的分布式解法 341
- 11.2.1 分布式机器学习的原理 341
- 11.2.2 一个简单的例子 342
- 11.3 大数据模型的两个维度 344
- 11.3.1 数据量维度 344
- 11.3.2 模型数量维度 346
- 11.4 开源工具的另一面 348
- 11.4.1 一个简单的例子 349
- 11.4.2 开源工具的阿喀琉斯之踵 351
- 11.5 本章小结 351
- 第 12章 神经网络：模拟人的大脑 353
- 12.1 神经元 355
- 12.1.1 神经元模型 355
- 12.1.2 Sigmoid神经元与二元逻辑回归 356
- 12.1.3 Softmax函数与多元逻辑回归 358
- 12.2 神经网络 360
- 12.2.1 图形表示 360
- 12.2.2 数学基础 361
- 12.2.3 分类例子 363
- 12.2.4 代码实现 365
- 12.2.5 模型的联结 369
- 12.3 反向传播算法 370
- 12.3.1 随机梯度下降法回顾 370
- 12.3.2 数学推导 371
- 12.3.3 算法步骤 373
- 12.4 提高神经网络的学习效率 373
- 12.4.1 学习的原理 373
- 12.4.2 激活函数的改进 375
- 12.4.3 参数初始化 378
- 12.4.4 不稳定的梯度 380
- 12.5 本章小结 381
- 第 13章 深度学习：继续探索 383
- 13.1 利用神经网络识别数字 384
- 13.1.1 搭建模型 384
- 13.1.2 防止过拟合之惩罚项 386
- 13.1.3 防止过拟合之dropout 387
- 13.1.4 代码实现 389
- 13.2 卷积神经网络 394
- 13.2.1 模型结构之卷积层 395
- 13.2.2 模型结构之池化层 397
- 13.2.3 模型结构之完整结构 399
- 13.2.4 代码实现 400
- 13.2.5 结构真的那么重要吗 405
- 13.3 其他深度学习模型 406
- 13.3.1 递归神经网络 406
- 13.3.2 长短期记忆 407
- 13.3.3 非监督式学习 409
- 13.4 本章小结 411
