中圖網(wǎng)小程序
一鍵登錄
更方便
中圖價(jià):¥66.6
加入購物車
數(shù)據(jù)科學(xué)導(dǎo)論 版權(quán)信息
- ISBN：9787302669647
- 條形碼：9787302669647 ; 978-7-302-66964-7
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
數(shù)據(jù)科學(xué)導(dǎo)論 本書特色
本書可作為大數(shù)據(jù)相關(guān)專業(yè)、計(jì)算機(jī)類所有專業(yè)的導(dǎo)論課教材。
數(shù)據(jù)科學(xué)導(dǎo)論 內(nèi)容簡介
本書是一本集“數(shù)據(jù)思維訓(xùn)練、數(shù)據(jù)能力培養(yǎng)、批判性思維實(shí)踐”于一體的關(guān)于數(shù)據(jù)科學(xué)的引導(dǎo)性圖書，以循序漸進(jìn)引發(fā)讀者自主思考與探究為宗旨，在建立數(shù)據(jù)思維的同時(shí)，注重邏輯思維、批判性思維能力的提升。本書共4篇。第1篇“數(shù)據(jù)思維”，從數(shù)據(jù)科學(xué)的“道”出發(fā)，探究數(shù)據(jù)科學(xué)的起源、數(shù)據(jù)思維的特點(diǎn)、DIKW模型及其應(yīng)用；第2篇“數(shù)據(jù)價(jià)值”和第3篇“數(shù)據(jù)技術(shù)”則是數(shù)據(jù)科學(xué)“術(shù)”的全面覆蓋，包括數(shù)據(jù)預(yù)處理、描述性分析、探索性分析、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、大數(shù)據(jù)存儲(chǔ)、分布式計(jì)算、大數(shù)據(jù)云平臺(tái)等內(nèi)容；第4篇“數(shù)據(jù)未來”則從科學(xué)、工程與技術(shù)層面，暢想數(shù)據(jù)科學(xué)的未來、人工智能的未來，以及你我的未來。本書適合作為高等學(xué)校大數(shù)據(jù)類專業(yè)的導(dǎo)論性必修課教材，也適用于計(jì)算機(jī)類及工科各專業(yè)、統(tǒng)計(jì)及商業(yè)類各專業(yè)相關(guān)選修課和通識(shí)課程，對(duì)數(shù)據(jù)科學(xué)愛好者及相關(guān)領(lǐng)域從業(yè)者來說也是一本值得研讀的書籍。
數(shù)據(jù)科學(xué)導(dǎo)論 目錄
第1篇數(shù) 據(jù) 思 維
第1章數(shù)據(jù)時(shí)代
開篇案例： 你聽說過“大數(shù)據(jù)殺熟”嗎？
學(xué)習(xí)目標(biāo)
1.1數(shù)、數(shù)據(jù)與大數(shù)據(jù)
1.1.1數(shù)與數(shù)據(jù)
1.1.2信息化浪潮與大數(shù)據(jù)
1.1.3從IT時(shí)代到DT時(shí)代
思考題
1.2大數(shù)據(jù)時(shí)代的變革
1.2.1大數(shù)據(jù)時(shí)代的思維變革
1.2.2大數(shù)據(jù)時(shí)代的商業(yè)變革
1.2.3大數(shù)據(jù)時(shí)代的生活方式變革
思考題
1.3大數(shù)據(jù)時(shí)代的挑戰(zhàn)
思考題
1.4探究與實(shí)踐
第2章數(shù)據(jù)科學(xué)
開篇案例： 啤酒與尿不濕
學(xué)習(xí)目標(biāo)
2.1什么是數(shù)據(jù)科學(xué)
2.1.1數(shù)據(jù)科學(xué)的產(chǎn)生
2.1.2數(shù)據(jù)科學(xué)的定義
2.1.3數(shù)據(jù)科學(xué)的維恩圖
思考題
2.2科學(xué)范式及演化
2.2.1范式及范式的演變
2.2.2第四范式的特點(diǎn)
2.2.3第四范式的挑戰(zhàn)
思考題
2.3數(shù)據(jù)科學(xué)項(xiàng)目的實(shí)施
2.3.1數(shù)據(jù)科學(xué)流程
2.3.2數(shù)據(jù)特征與數(shù)據(jù)準(zhǔn)備
2.3.3從商業(yè)問題到數(shù)據(jù)科學(xué)問題
思考題
2.4探究與實(shí)踐
第3章數(shù)據(jù)思維
開篇案例： 別輕易點(diǎn)贊，它會(huì)泄露你的性格秘密
學(xué)習(xí)目標(biāo)
3.1統(tǒng)計(jì)學(xué)與統(tǒng)計(jì)思維
3.1.1什么是統(tǒng)計(jì)
3.1.2統(tǒng)計(jì)學(xué)原理與統(tǒng)計(jì)思維
3.1.3像統(tǒng)計(jì)學(xué)家一樣思考
思考題
3.2計(jì)算機(jī)與計(jì)算思維
3.2.1計(jì)算與自動(dòng)計(jì)算
3.2.2算法與程序
3.2.3什么是計(jì)算思維
3.2.4像計(jì)算機(jī)專家一樣思考
思考題
3.3大數(shù)據(jù)與數(shù)據(jù)思維
3.3.1數(shù)據(jù)思維的特點(diǎn)
3.3.2一切皆可量化
3.3.3像數(shù)據(jù)科學(xué)家一樣思考
思考題
3.4探究與實(shí)踐
第4章DIKW模型
開篇案例： 《紙牌屋》背后的數(shù)據(jù)故事
學(xué)習(xí)目標(biāo)
4.1數(shù)據(jù)與DIKW模型
4.1.1什么是DIKW模型
4.1.2DIKW模型中的過去與未來
思考題
4.2數(shù)據(jù)價(jià)值鏈與DIKW
4.2.1從數(shù)據(jù)到信息
4.2.2從信息到知識(shí)
4.2.3基于數(shù)據(jù)驅(qū)動(dòng)的決策
4.2.4數(shù)據(jù)科學(xué)與DIKW
思考題
4.3從DIKW視角看世界
4.3.1數(shù)據(jù)思維實(shí)現(xiàn)的要素
4.3.2大數(shù)據(jù)原理與DIKW模型
4.3.3DIKW的應(yīng)用及創(chuàng)新
思考題
4.4探究與實(shí)踐
第2篇數(shù) 據(jù) 價(jià) 值 第5章從數(shù)據(jù)到知識(shí) 開篇案例： “百度指數(shù)”能告訴你什么？ 學(xué)習(xí)目標(biāo) 5.1知識(shí)與知識(shí)發(fā)現(xiàn) 5.1.1什么是知識(shí) 5.1.2知識(shí)發(fā)現(xiàn)的任務(wù) 5.1.3決策與決策支持 思考題 5.2數(shù)據(jù)分析、數(shù)據(jù)挖掘與人工智能 5.2.1知識(shí)發(fā)現(xiàn)的方法 5.2.2數(shù)據(jù)分析與業(yè)務(wù)分析 5.2.3數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn) 5.2.4機(jī)器學(xué)習(xí)與人工智能 5.2.5從數(shù)據(jù)到知識(shí) 思考題 5.3數(shù)據(jù)科學(xué)項(xiàng)目的選擇 5.3.1數(shù)據(jù)科學(xué)的認(rèn)知誤區(qū) 5.3.2成功的數(shù)據(jù)科學(xué)項(xiàng)目 5.3.3數(shù)據(jù)科學(xué)項(xiàng)目的選擇之旅 思考題 5.4探究與實(shí)踐
第6章數(shù)據(jù)分析——描述與探索 開篇案例： 如果你在“泰坦尼克號(hào)”上會(huì)怎樣？ 學(xué)習(xí)目標(biāo) 6.1數(shù)據(jù)分析常用方法 6.1.1因素分解法——相關(guān)思維 6.1.2對(duì)比法——比較思維 6.1.3象限分析法——分類思維 6.1.4漏斗分析法——漏斗思維 思考題 6.2數(shù)據(jù)描述性分析 6.2.1認(rèn)識(shí)數(shù)據(jù) 6.2.2數(shù)據(jù)統(tǒng)計(jì)量及分布 6.2.3數(shù)據(jù)統(tǒng)計(jì)的可視化 6.2.4數(shù)據(jù)描述性分析 思考題 6.3數(shù)據(jù)探索性分析 6.3.1什么是探索性分析 6.3.2探索性分析與數(shù)據(jù)清洗 6.3.3探索性分析與可視化 思考題 6.4探究與實(shí)踐 第7章從結(jié)構(gòu)化數(shù)據(jù)中挖掘價(jià)值 開篇案例： Target的精準(zhǔn)營銷靠譜嗎？ 學(xué)習(xí)目標(biāo) 7.1機(jī)器學(xué)習(xí)概述 7.1.1什么是機(jī)器學(xué)習(xí) 7.1.2機(jī)器學(xué)習(xí)算法分類 7.1.3機(jī)器學(xué)習(xí)的要素及流程 7.1.4機(jī)器學(xué)習(xí)中的“哲學(xué)”思想 思考題 7.2監(jiān)督回歸——線性與非線性 7.2.1線性回歸 7.2.2模型的泛化及優(yōu)化 7.2.3模型的評(píng)估 思考題 7.3監(jiān)督分類——目標(biāo)明確、八仙過海 7.3.1邏輯回歸 7.3.2支持向量機(jī)——學(xué)習(xí) 7.3.3決策樹——基于規(guī)則 7.3.4樸素貝葉斯——基于概率 7.3.5分類模型評(píng)價(jià)及優(yōu)化 思考題 7.4非監(jiān)督探索——自學(xué)成才 7.4.1聚類——物以類聚、人以群分 7.4.2關(guān)聯(lián)分析——猜你還喜歡 思考題 7.5探究與實(shí)踐 第8章在非結(jié)構(gòu)化數(shù)據(jù)中深度學(xué)習(xí) 開篇案例： ImageNet數(shù)據(jù)庫有什么用？ 學(xué)習(xí)目標(biāo) 8.1模擬人腦的學(xué)習(xí) 8.1.1機(jī)器學(xué)習(xí)的本質(zhì) 8.1.2復(fù)雜數(shù)據(jù)及場景的突破 8.1.3神經(jīng)網(wǎng)絡(luò)——模擬人的大腦 思考題 8.2神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 8.2.1神經(jīng)元模型 8.2.2深度神經(jīng)網(wǎng)絡(luò)模型 8.2.3深度學(xué)習(xí)的實(shí)現(xiàn) 思考題 8.3卷積神經(jīng)網(wǎng)絡(luò) 8.3.1圖像與圖像卷積 8.3.2卷積神經(jīng)網(wǎng)絡(luò)(CNN) 8.3.3CNN應(yīng)用 思考題 8.4循環(huán)神經(jīng)網(wǎng)絡(luò) 8.4.1為什么需要循環(huán)神經(jīng)網(wǎng)絡(luò) 8.4.2循環(huán)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 8.4.3循環(huán)神經(jīng)網(wǎng)絡(luò)的長短記憶 8.4.4RNN的應(yīng)用 思考題 8.5圖神經(jīng)網(wǎng)絡(luò) 8.5.1圖數(shù)據(jù)與圖結(jié)構(gòu)表征 8.5.2圖神經(jīng)網(wǎng)絡(luò)(GNN) 8.5.3GNN的應(yīng)用 思考題 8.6強(qiáng)化學(xué)習(xí)——從監(jiān)督學(xué)習(xí)到自主學(xué)習(xí) 8.6.1什么是強(qiáng)化學(xué)習(xí) 8.6.2如何強(qiáng)化學(xué)習(xí) 8.6.3從AlphaGo到AlphaZero 思考題 8.7探究與實(shí)踐
第3篇數(shù) 據(jù) 技 術(shù) 第9章數(shù)據(jù)存儲(chǔ)與管理 開篇案例： 阿里巴巴數(shù)據(jù)倉庫架構(gòu) 學(xué)習(xí)目標(biāo) 9.1數(shù)據(jù)庫與數(shù)據(jù)庫管理系統(tǒng) 9.1.1數(shù)據(jù)存儲(chǔ)管理的演變 9.1.2關(guān)系型數(shù)據(jù)庫的設(shè)計(jì) 9.1.3數(shù)據(jù)庫操作與SQL查詢 思考題 9.2數(shù)據(jù)倉庫與商業(yè)智能 9.2.1OLTP與OLAP 9.2.2數(shù)據(jù)倉庫及其分層架構(gòu) 9.2.3數(shù)據(jù)立方體構(gòu)建及查詢 9.2.4數(shù)據(jù)挖掘與商業(yè)智能 思考題 9.3大數(shù)據(jù)的挑戰(zhàn) 9.3.1大數(shù)據(jù)存儲(chǔ)與管理 9.3.2Google顛覆性技術(shù)創(chuàng)新 9.3.3數(shù)據(jù)科學(xué)生態(tài)系統(tǒng) 思考題 9.4探究與實(shí)踐 第10章大數(shù)據(jù)分布式存儲(chǔ) 開篇案例： 春晚搶紅包大戰(zhàn)究竟“戰(zhàn)”什么？ 學(xué)習(xí)目標(biāo) 10.1分布式文件系統(tǒng) 10.1.1分布式文件系統(tǒng)概述 10.1.2HDFS存儲(chǔ)原理及操作 10.1.3HDFS應(yīng)用場景 思考題 10.2分布式數(shù)據(jù)庫HBase 10.2.1BigTable的創(chuàng)新思考 10.2.2HBase數(shù)據(jù)模型 10.2.3HDFS與HBase 10.2.4HBase應(yīng)用場景 思考題 10.3NoSQL數(shù)據(jù)庫 10.3.1NoSQL數(shù)據(jù)庫的興起 10.3.2NoSQL數(shù)據(jù)庫的4大類型 10.3.3從NoSQL到NewSQL 思考題 10.4探究與實(shí)踐 第11章大數(shù)據(jù)計(jì)算與分析 開篇案例： 你的用戶畫像是如何構(gòu)建出來的？ 學(xué)習(xí)目標(biāo) 11.1分布式計(jì)算MapReduce 11.1.1分布式并行計(jì)算 11.1.2MapReduce流程 11.1.3MapReduce的特點(diǎn)及應(yīng)用 思考題 11.2內(nèi)存計(jì)算與Spark 11.2.1什么是內(nèi)存計(jì)算 11.2.2RDD原理及操作 11.2.3Spark機(jī)器學(xué)習(xí)庫及工作流 思考題 11.3流計(jì)算 11.3.1大數(shù)據(jù)與流分析 11.3.2Spark Streaming流計(jì)算 11.3.3流計(jì)算的應(yīng)用 思考題 11.4探索與實(shí)踐 第12章大數(shù)據(jù)平臺(tái)與云計(jì)算 開篇案例： 淘系的“生意參謀” 學(xué)習(xí)目標(biāo) 12.1大數(shù)據(jù)平臺(tái) 12.1.1Hadoop的原則 12.1.2Hadoop生態(tài)系統(tǒng) 12.1.3Hadoop與實(shí)時(shí)數(shù)據(jù)倉庫 思考題 12.2云計(jì)算與云服務(wù) 12.2.1什么是云計(jì)算 12.2.2面向分析的云服務(wù) 12.2.3百度深度學(xué)習(xí)開源云平臺(tái) 思考題 12.3業(yè)務(wù)中臺(tái)與數(shù)據(jù)中臺(tái) 12.3.1什么是中臺(tái) 12.3.2數(shù)據(jù)中臺(tái)與AI中臺(tái) 12.3.3阿里巴巴數(shù)加大數(shù)據(jù)平臺(tái) 思考題 12.4探索與實(shí)踐
第4篇數(shù) 據(jù) 未 來 第13章從DIKW視角看技術(shù)未來 開篇案例： 通用人工智能是AI的終點(diǎn)嗎？ 學(xué)習(xí)目標(biāo) 13.1工業(yè)物聯(lián)網(wǎng) 13.1.1物聯(lián)網(wǎng)要素 13.1.2傳統(tǒng)物聯(lián)網(wǎng)與工業(yè)物聯(lián)網(wǎng) 13.1.3面向物聯(lián)網(wǎng)的數(shù)據(jù)分析 思考題 13.2AutoML——自動(dòng)機(jī)器學(xué)習(xí) 13.2.1AutoML的目標(biāo) 13.2.2AutoML的流程 思考題 13.3知識(shí)圖譜 13.3.1什么是知識(shí)圖譜 13.3.2如何構(gòu)建知識(shí)圖譜 13.3.3知識(shí)圖譜的自動(dòng)構(gòu)建 思考題 13.4大語言模型ChatGPT 13.4.1自然語言模型的變遷 13.4.2注意力機(jī)制與Transformer模型 13.4.3GPT與ChatGPT 13.4.4AIGC智能創(chuàng)作時(shí)代 思考題 13.5探究與實(shí)踐 第14章從DIKW視角看產(chǎn)業(yè)未來 開篇案例： 騰訊進(jìn)軍“新能源” 學(xué)習(xí)目標(biāo) 14.1數(shù)字化轉(zhuǎn)型與數(shù)據(jù)驅(qū)動(dòng) 14.1.1數(shù)字化轉(zhuǎn)型與數(shù)據(jù)驅(qū)動(dòng) 14.1.2數(shù)據(jù)驅(qū)動(dòng)的特征 14.1.3數(shù)字化轉(zhuǎn)型與賦能 思考題 14.2大數(shù)據(jù)產(chǎn)業(yè)的趨勢 14.2.1政府大數(shù)據(jù)從管理走向服務(wù) 14.2.2電信大數(shù)據(jù)從小圈子走向大生態(tài) 14.2.3健康醫(yī)療大數(shù)據(jù)從大走向精準(zhǔn) 14.2.4工業(yè)大數(shù)據(jù)圍繞小場景從項(xiàng)目走向產(chǎn)品 14.2.5營銷大數(shù)據(jù)從流量營銷走向精細(xì)運(yùn)營 14.2.6金融大數(shù)據(jù)從強(qiáng)管控走向創(chuàng)新服務(wù) 思考題 14.3智能時(shí)代 14.3.1AI的角色 14.3.2從弱AI到強(qiáng)AI 14.3.3人機(jī)融合的未來 思考題 14.4探究與實(shí)踐 第15章數(shù)據(jù)科學(xué)的未來 開篇案例： 數(shù)據(jù)科學(xué)的4.0版 學(xué)習(xí)目標(biāo) 15.1數(shù)據(jù)科學(xué)的挑戰(zhàn) 15.1.1數(shù)據(jù)科學(xué)的4大科學(xué)任務(wù) 15.1.2數(shù)據(jù)科學(xué)的10大技術(shù)方向 15.1.3數(shù)據(jù)科學(xué)的發(fā)展趨勢 思考題 15.2數(shù)據(jù)科學(xué)家團(tuán)隊(duì) 15.2.1數(shù)據(jù)科學(xué)與系統(tǒng)開發(fā) 15.2.2數(shù)據(jù)科學(xué)家和開發(fā)人員的合作 15.2.3數(shù)據(jù)科學(xué)相關(guān)職位與技能 15.2.4數(shù)據(jù)科學(xué)家團(tuán)隊(duì) 思考題 15.3探究與實(shí)踐 參考文獻(xiàn) 附錄 附錄A布魯姆(Bloom)認(rèn)知分類法 附錄B商業(yè)分析方法 附錄C批判性思維工具 附錄D哈佛大學(xué)“思維可視化”路徑集 數(shù)據(jù)科學(xué)導(dǎo)論
案例目錄
【開篇案例】
第1章開篇案例： 你聽說過“大數(shù)據(jù)殺熟”嗎？4 第2章開篇案例： 啤酒與尿不濕26 第3章開篇案例： 別輕易點(diǎn)贊，它會(huì)泄露你的性格秘密46 第4章開篇案例： 《紙牌屋》背后的數(shù)據(jù)故事68 第5章開篇案例： “百度指數(shù)”能告訴你什么？88 第6章開篇案例： 如果你在“泰坦尼克號(hào)”上會(huì)怎樣？108 第7章開篇案例： Target的精準(zhǔn)營銷靠譜嗎？127 第8章開篇案例： ImageNet數(shù)據(jù)庫有什么用？161 第9章開篇案例： 阿里巴巴數(shù)據(jù)倉庫架構(gòu)196 第10章開篇案例： 春晚搶紅包大戰(zhàn)究竟“戰(zhàn)”什么？221 第11章開篇案例： 你的用戶畫像是如何構(gòu)建出來的？243 第12章開篇案例： 淘系的“生意參謀”263 第13章開篇案例： 通用人工智能是AI的終點(diǎn)嗎？284 第14章開篇案例： 騰訊進(jìn)軍“新能源”308 第15章開篇案例： 數(shù)據(jù)科學(xué)的4.0版325 【想一想】
想一想1.1： “大”數(shù)據(jù)10 想一想1.2： Excel中的數(shù)據(jù)格式12 想一想1.3： 什么是推薦系統(tǒng)18 想一想1.4： 你的超星（學(xué)習(xí)通）數(shù)據(jù)及價(jià)值21 想一想2.1： 統(tǒng)計(jì)學(xué)與數(shù)學(xué)30 想一想2.2： “大數(shù)據(jù)買披薩”的故事35 想一想2.3： 什么是整潔數(shù)據(jù)(Tidy Data)37 想一想3.1： 文字“可能”“差不多”等詞可以量化嗎60 想一想4.1： 生活中的DIKW69 想一想4.2： 你聽說過“信息繭房”嗎74 想一想4.3： Analysis與Analytics有什么區(qū)別75 想一想5.1： 知識(shí)的不確定性及不確切性的表示 90 想一想5.2： 你能從下面對(duì)“知識(shí)”的描述中得到什么95 想一想5.3： 到底是“算法”還是“模型”99 想一想5.4： 數(shù)據(jù)科學(xué)還是什么101 想一想5.5： 數(shù)據(jù)收集要考慮什么104 想一想6.1： 中位數(shù)與眾數(shù)的計(jì)算114 想一想6.2： 為什么數(shù)據(jù)準(zhǔn)備那么花時(shí)間121 想一想7.1： “回歸”的含義133 想一想7.2： 空間變換——從非線性到線性142 想一想7.3： 智慧決策到底做什么150 想一想7.4： 建模是一個(gè)過程——大廚做菜152 想一想7.5： 關(guān)聯(lián)規(guī)則能使東北小菜館重獲新生嗎157 想一想8.1： 人類是如何思考的——為什么需要RNN178 想一想8.2： 知識(shí)從哪里來185 想一想8.3： 游戲中的AI三要素——數(shù)據(jù)、算法與算力189 想一想9.1： 什么是元數(shù)據(jù)215 想一想10.1： Google工程師是如何思考的——定義清楚問題比解決問題更難229 想一想10.2： 行存儲(chǔ)與列存儲(chǔ)231 想一想10.3： NoSQL數(shù)據(jù)庫的特點(diǎn)238 想一想10.4： 從DIKW視角看數(shù)據(jù)管理240 想一想11.1： 分布式機(jī)器學(xué)習(xí)的原理249 想一想11.2： 靜態(tài)數(shù)據(jù)與流數(shù)據(jù)、批處理與實(shí)時(shí)處理256 想一想11.3： Spark中數(shù)據(jù)抽象的演變——RDD、DataFrame及DStream258 想一想12.1： 網(wǎng)絡(luò)時(shí)代，我們可以享受哪些云服務(wù)271 想一想13.1： 邊緣計(jì)算的未來288 想一想13.2： 人類反饋是如何打分的304 想一想14.1： 數(shù)據(jù)驅(qū)動(dòng)你體會(huì)到了嗎309 想一想14.2： 免費(fèi)WiFi誰會(huì)受益314 想一想14.3： 你的智能手環(huán)真的“智能”嗎315 想一想14.4： 現(xiàn)在的自動(dòng)駕駛到了哪一級(jí)322 想一想15.1： 科學(xué)、工程與技術(shù)329 想一想15.2： 入職的門檻你準(zhǔn)備好了嗎334 想一想15.3： 你想轉(zhuǎn)行嗎336
【試一試】
試一試1.1： 十進(jìn)制、二進(jìn)制、十六進(jìn)制5 試一試2.1： 開放數(shù)據(jù)29 試一試2.2： 數(shù)據(jù)一致性及Excel變換39 試一試3.1： 排序算法——計(jì)算思維的實(shí)踐55 試一試3.2： 網(wǎng)站重要性度量 59 試一試3.3： 余弦定理與文本相似度61 試一試4.1： 微信指數(shù)72 試一試4.2： 幸福與愛情77 試一試7.1： 勝率幾何——小明能搶到票嗎148 試一試7.2： Kmeans算法的結(jié)果是如何來的153 試一試7.3： 支持度、置信度、提升度怎么算156 試一試8.1： 神經(jīng)元計(jì)算166 試一試8.2： 神經(jīng)網(wǎng)絡(luò)游樂場PlayGround171 試一試9.1： SQL實(shí)踐——查詢與統(tǒng)計(jì)204 【技術(shù)洞察】
技術(shù)洞察1.1： 圖靈模型與馮·諾依曼計(jì)算機(jī)6 技術(shù)洞察1.2： 第二次工業(yè)革命——電力革命8 技術(shù)洞察1.3： CRM的起源與發(fā)展 9 技術(shù)洞察1.4： 什么是摩爾定律14 技術(shù)洞察1.5： 用戶數(shù)據(jù)的價(jià)值知多少 18 技術(shù)洞察1.6： 什么是“爬蟲”19 技術(shù)洞察1.7： 什么是用戶畫像22 技術(shù)洞察2.1： 自然語言處理——從規(guī)則到統(tǒng)計(jì)、從理性到經(jīng)驗(yàn)33 技術(shù)洞察2.2： 什么是“埋點(diǎn)數(shù)據(jù)”36 技術(shù)洞察2.3： 數(shù)據(jù)標(biāo)注40 技術(shù)洞察3.1： 大數(shù)定律與中心極限定律——統(tǒng)計(jì)學(xué)的基石49 技術(shù)洞察3.2： 統(tǒng)計(jì)描述與統(tǒng)計(jì)推斷51 技術(shù)洞察3.3： “人”計(jì)算與“機(jī)器”計(jì)算的思維差異52 技術(shù)洞察3.4： 三種基本算法的結(jié)構(gòu)及流程53 技術(shù)洞察3.5： 蒙特卡羅方法——統(tǒng)計(jì)模擬法56 技術(shù)洞察3.6： 計(jì)算中的遞歸與迭代57 技術(shù)洞察3.7： 用戶偏好計(jì)算——TFIDF62 技術(shù)洞察5.1： 什么是A/B測試——奧巴馬當(dāng)選美國總統(tǒng)背后的故事93 技術(shù)洞察5.2： 自動(dòng)駕駛中的數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)與人工智能97 技術(shù)洞察5.3： 什么是利潤曲線102 技術(shù)洞察6.1： 數(shù)據(jù)分析前的準(zhǔn)備——明確目標(biāo)、定義指標(biāo)109 技術(shù)洞察6.2： 同比和環(huán)比109 技術(shù)洞察6.3： RFM模型——客戶分類110 技術(shù)洞察6.4： AARRR漏斗模型111 技術(shù)洞察6.5： 理解數(shù)據(jù)——變量說明表113 技術(shù)洞察6.6： 探索性可視化分析實(shí)例122 技術(shù)洞察7.1： 什么是特征工程131 技術(shù)洞察7.2： 回歸建模背后的底層邏輯134 技術(shù)洞察7.3： 模型參數(shù)的“迭代優(yōu)化”——梯度下降法136 技術(shù)洞察7.4： 什么是“正則化”139 技術(shù)洞察7.5： Python代碼實(shí)現(xiàn)線性回歸算法140 技術(shù)洞察7.6： 核函數(shù)高維映射144 技術(shù)洞察7.7： SVM的隱含假設(shè)145 技術(shù)洞察7.8： 結(jié)點(diǎn)不純度——信息熵146 技術(shù)洞察8.1： 為什么需要非線性激活函數(shù)167 技術(shù)洞察8.2： BP學(xué)習(xí)算法169 技術(shù)洞察8.3： 神經(jīng)網(wǎng)絡(luò)的參數(shù)與超參數(shù)170 技術(shù)洞察8.4： 卷積核與卷積計(jì)算——垂直邊緣檢測173 技術(shù)洞察8.5： 激活函數(shù)Sigmoid與Softmax175 技術(shù)洞察8.6： Seq2Seq模型——編碼/解碼結(jié)構(gòu)180 技術(shù)洞察8.7： 圖的表示——鄰接矩陣與鄰接鏈表182 技術(shù)洞察8.8： 蒙特卡羅樹搜索188 技術(shù)洞察9.1： 從計(jì)算思維看數(shù)據(jù)模型198 技術(shù)洞察9.2： 實(shí)體與ER圖199 技術(shù)洞察9.3： 剛性事務(wù)與ACID原則202 技術(shù)洞察9.4： 關(guān)系模型與 SQL的誕生203 技術(shù)洞察9.5： 數(shù)據(jù)解讀的六字箴言——時(shí)間、對(duì)象、指標(biāo)、對(duì)比、細(xì)分、溯源211 技術(shù)洞察9.6： 模型標(biāo)記語言(PMML)213 技術(shù)洞察9.7： 柔性事務(wù)與BASE原則216 技術(shù)洞察10.1： Google論文“Google File System”(2003年)——引言(譯文)222 技術(shù)洞察10.2： 寫時(shí)模式與讀時(shí)模式224 技術(shù)洞察10.3： HDFS的文件操作命令226 技術(shù)洞察10.4： Hadoop大事記(截至2011年)227 技術(shù)洞察10.5： Google論文“BigTable： A Distributed Storage System for Structured Data”(2006年)——摘要(譯文)228 技術(shù)洞察10.6： HBase的存儲(chǔ)示例232 技術(shù)洞察10.7： HBase常用操作234 技術(shù)洞察11.1： Google論文“MapReduce: Simplified Data Processing on Large Clusters”(2004年)——引言(譯文)244 技術(shù)洞察11.2： Spark誕生記250 技術(shù)洞察11.3： 從RDD再看計(jì)算思維的實(shí)踐——抽象、自動(dòng)化251 技術(shù)洞察12.1： 從Hadoop 1.0到Hadoop 2.0264 技術(shù)洞察12.2： 推薦系統(tǒng)的Hadoop實(shí)現(xiàn)266 技術(shù)洞察12.3： 基于云的深度學(xué)習(xí)框架272 技術(shù)洞察12.4： 算力——CPU、GPU、TPU及NPU274 技術(shù)洞察12.5： 阿里巴巴數(shù)據(jù)中臺(tái)的演進(jìn)之路277 技術(shù)洞察12.6： 模型迭代(Refit)與模型重構(gòu)(Rebuild)278 技術(shù)洞察13.1： 傳感器285 技術(shù)洞察13.2： 采樣與采樣頻率286 技術(shù)洞察13.3： “5G 工業(yè)互聯(lián)網(wǎng)”成為數(shù)字經(jīng)濟(jì)“新名片”287 技術(shù)洞察13.4： AutoSklearn——基于Python的開源工具包292 技術(shù)洞察13.5： 注意力機(jī)制與注意力模型297 技術(shù)洞察13.6： ChatGPT的預(yù)訓(xùn)練數(shù)據(jù)從哪里來300 技術(shù)洞察13.7： 什么是“在上下文中學(xué)習(xí)”302 技術(shù)洞察13.8： 百度“文心一言”305 技術(shù)洞察14.1： AGI何時(shí)實(shí)現(xiàn)——來自頂級(jí)大佬的預(yù)測321 技術(shù)洞察15.1： 2023年Gartner新興技術(shù)成熟度327 技術(shù)洞察15.2： 數(shù)據(jù)科學(xué)與開發(fā)系統(tǒng)的工作流331 【應(yīng)用案例】
應(yīng)用案例2.1： Google的核心——PageRank算法41 應(yīng)用案例2.2： 使用CRM構(gòu)建全方位用戶畫像42 應(yīng)用案例3.1： 面包的故事48 應(yīng)用案例3.2： 幸運(yùn)者偏差50 應(yīng)用案例3.3： 淘寶的“淘氣值”64 應(yīng)用案例4.1： 國民閱讀率71 應(yīng)用案例4.2： 什么是多維度？——百度“吃貨”排行榜75 應(yīng)用案例4.3： 東數(shù)西算——國家大數(shù)據(jù)戰(zhàn)略77 應(yīng)用案例4.4： 用戶畫像的構(gòu)建——標(biāo)簽分級(jí)80 應(yīng)用案例4.5： 坐姿與汽車防盜82 應(yīng)用案例5.1： 什么是“可執(zhí)行的知識(shí)”91 應(yīng)用案例6.1： 哪個(gè)NBA球員發(fā)揮更穩(wěn)定115 應(yīng)用案例6.2： 直方圖與箱線圖116 應(yīng)用案例6.3： 描述性分析實(shí)例——駕駛員出險(xiǎn)因素分析及結(jié)論118 應(yīng)用案例6.4： 出租車GPS數(shù)據(jù)的探索性分析123 應(yīng)用案例7.1： FICO信用分(美國征信體系)是怎么來的138 應(yīng)用案例7.2： 邏輯回歸預(yù)測點(diǎn)擊率(ClickThroughRate，CTR)143 應(yīng)用案例7.3： “泰坦尼克號(hào)”上的生還預(yù)測147 應(yīng)用案例7.4： 垃圾郵件識(shí)別149 應(yīng)用案例7.5： 航空公司RFM聚類155 應(yīng)用案例8.1： 手寫數(shù)字識(shí)別——參數(shù)知多少166 應(yīng)用案例8.2： ImageNet大賽176 應(yīng)用案例8.3： 語言模型的演進(jìn)——從統(tǒng)計(jì)到神經(jīng)網(wǎng)絡(luò)181 應(yīng)用案例8.4： GNN應(yīng)用——增強(qiáng)推薦系統(tǒng)184 應(yīng)用案例9.1： 阿波羅登月計(jì)劃與數(shù)據(jù)管理197 應(yīng)用案例9.2： 學(xué)生選課管理數(shù)據(jù)庫系統(tǒng)201 應(yīng)用案例9.3： 零售企業(yè)中的事實(shí)表與星狀模式209 應(yīng)用案例9.4： 數(shù)據(jù)倉庫與用戶標(biāo)簽210 應(yīng)用案例10.1： HBase在滴滴出行中的*佳實(shí)踐235 應(yīng)用案例11.1： 詞頻統(tǒng)計(jì)WordCount的MapReduce實(shí)現(xiàn)246 應(yīng)用案例11.2： 用戶行為(clickstream日志)數(shù)據(jù)分析247 應(yīng)用案例11.3： 基于MapReduce的視頻語義分類247 應(yīng)用案例11.4： 一個(gè)基于Spark的WordCount253 應(yīng)用案例11.5： 用于文本分析的機(jī)器學(xué)習(xí)工作流255 應(yīng)用案例11.6： 滴滴出行的ETA預(yù)測260 應(yīng)用案例12.1： 基于阿里云的實(shí)時(shí)數(shù)據(jù)倉庫268 應(yīng)用案例13.1： 阿里巴巴的“犀牛工廠”289 應(yīng)用案例13.2： 無人駕駛汽車傳感器知多少289 應(yīng)用案例13.3： 個(gè)性化推薦研究熱點(diǎn)： 深度學(xué)習(xí)、知識(shí)圖譜、強(qiáng)化學(xué)習(xí)、可解釋推薦
296 應(yīng)用案例13.4： 一個(gè)偉大的公司需要幾個(gè)人306 應(yīng)用案例14.1： 數(shù)字孿生與數(shù)字城市313 應(yīng)用案例14.2： 自動(dòng)駕駛迎來這樣一個(gè)新階段316 應(yīng)用案例14.3： 廣告投放從“千人一面”到“一人千面”317 應(yīng)用案例14.4： 你的芝麻信用評(píng)分是多少317
第2篇數(shù) 據(jù) 價(jià) 值 第5章從數(shù)據(jù)到知識(shí) 開篇案例： “百度指數(shù)”能告訴你什么？ 學(xué)習(xí)目標(biāo) 5.1知識(shí)與知識(shí)發(fā)現(xiàn) 5.1.1什么是知識(shí) 5.1.2知識(shí)發(fā)現(xiàn)的任務(wù) 5.1.3決策與決策支持 思考題 5.2數(shù)據(jù)分析、數(shù)據(jù)挖掘與人工智能 5.2.1知識(shí)發(fā)現(xiàn)的方法 5.2.2數(shù)據(jù)分析與業(yè)務(wù)分析 5.2.3數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn) 5.2.4機(jī)器學(xué)習(xí)與人工智能 5.2.5從數(shù)據(jù)到知識(shí) 思考題 5.3數(shù)據(jù)科學(xué)項(xiàng)目的選擇 5.3.1數(shù)據(jù)科學(xué)的認(rèn)知誤區(qū) 5.3.2成功的數(shù)據(jù)科學(xué)項(xiàng)目 5.3.3數(shù)據(jù)科學(xué)項(xiàng)目的選擇之旅 思考題 5.4探究與實(shí)踐
第6章數(shù)據(jù)分析——描述與探索 開篇案例： 如果你在“泰坦尼克號(hào)”上會(huì)怎樣？ 學(xué)習(xí)目標(biāo) 6.1數(shù)據(jù)分析常用方法 6.1.1因素分解法——相關(guān)思維 6.1.2對(duì)比法——比較思維 6.1.3象限分析法——分類思維 6.1.4漏斗分析法——漏斗思維 思考題 6.2數(shù)據(jù)描述性分析 6.2.1認(rèn)識(shí)數(shù)據(jù) 6.2.2數(shù)據(jù)統(tǒng)計(jì)量及分布 6.2.3數(shù)據(jù)統(tǒng)計(jì)的可視化 6.2.4數(shù)據(jù)描述性分析 思考題 6.3數(shù)據(jù)探索性分析 6.3.1什么是探索性分析 6.3.2探索性分析與數(shù)據(jù)清洗 6.3.3探索性分析與可視化 思考題 6.4探究與實(shí)踐 第7章從結(jié)構(gòu)化數(shù)據(jù)中挖掘價(jià)值 開篇案例： Target的精準(zhǔn)營銷靠譜嗎？ 學(xué)習(xí)目標(biāo) 7.1機(jī)器學(xué)習(xí)概述 7.1.1什么是機(jī)器學(xué)習(xí) 7.1.2機(jī)器學(xué)習(xí)算法分類 7.1.3機(jī)器學(xué)習(xí)的要素及流程 7.1.4機(jī)器學(xué)習(xí)中的“哲學(xué)”思想 思考題 7.2監(jiān)督回歸——線性與非線性 7.2.1線性回歸 7.2.2模型的泛化及優(yōu)化 7.2.3模型的評(píng)估 思考題 7.3監(jiān)督分類——目標(biāo)明確、八仙過海 7.3.1邏輯回歸 7.3.2支持向量機(jī)——學(xué)習(xí) 7.3.3決策樹——基于規(guī)則 7.3.4樸素貝葉斯——基于概率 7.3.5分類模型評(píng)價(jià)及優(yōu)化 思考題 7.4非監(jiān)督探索——自學(xué)成才 7.4.1聚類——物以類聚、人以群分 7.4.2關(guān)聯(lián)分析——猜你還喜歡 思考題 7.5探究與實(shí)踐 第8章在非結(jié)構(gòu)化數(shù)據(jù)中深度學(xué)習(xí) 開篇案例： ImageNet數(shù)據(jù)庫有什么用？ 學(xué)習(xí)目標(biāo) 8.1模擬人腦的學(xué)習(xí) 8.1.1機(jī)器學(xué)習(xí)的本質(zhì) 8.1.2復(fù)雜數(shù)據(jù)及場景的突破 8.1.3神經(jīng)網(wǎng)絡(luò)——模擬人的大腦 思考題 8.2神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 8.2.1神經(jīng)元模型 8.2.2深度神經(jīng)網(wǎng)絡(luò)模型 8.2.3深度學(xué)習(xí)的實(shí)現(xiàn) 思考題 8.3卷積神經(jīng)網(wǎng)絡(luò) 8.3.1圖像與圖像卷積 8.3.2卷積神經(jīng)網(wǎng)絡(luò)(CNN) 8.3.3CNN應(yīng)用 思考題 8.4循環(huán)神經(jīng)網(wǎng)絡(luò) 8.4.1為什么需要循環(huán)神經(jīng)網(wǎng)絡(luò) 8.4.2循環(huán)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 8.4.3循環(huán)神經(jīng)網(wǎng)絡(luò)的長短記憶 8.4.4RNN的應(yīng)用 思考題 8.5圖神經(jīng)網(wǎng)絡(luò) 8.5.1圖數(shù)據(jù)與圖結(jié)構(gòu)表征 8.5.2圖神經(jīng)網(wǎng)絡(luò)(GNN) 8.5.3GNN的應(yīng)用 思考題 8.6強(qiáng)化學(xué)習(xí)——從監(jiān)督學(xué)習(xí)到自主學(xué)習(xí) 8.6.1什么是強(qiáng)化學(xué)習(xí) 8.6.2如何強(qiáng)化學(xué)習(xí) 8.6.3從AlphaGo到AlphaZero 思考題 8.7探究與實(shí)踐
第3篇數(shù) 據(jù) 技 術(shù) 第9章數(shù)據(jù)存儲(chǔ)與管理 開篇案例： 阿里巴巴數(shù)據(jù)倉庫架構(gòu) 學(xué)習(xí)目標(biāo) 9.1數(shù)據(jù)庫與數(shù)據(jù)庫管理系統(tǒng) 9.1.1數(shù)據(jù)存儲(chǔ)管理的演變 9.1.2關(guān)系型數(shù)據(jù)庫的設(shè)計(jì) 9.1.3數(shù)據(jù)庫操作與SQL查詢 思考題 9.2數(shù)據(jù)倉庫與商業(yè)智能 9.2.1OLTP與OLAP 9.2.2數(shù)據(jù)倉庫及其分層架構(gòu) 9.2.3數(shù)據(jù)立方體構(gòu)建及查詢 9.2.4數(shù)據(jù)挖掘與商業(yè)智能 思考題 9.3大數(shù)據(jù)的挑戰(zhàn) 9.3.1大數(shù)據(jù)存儲(chǔ)與管理 9.3.2Google顛覆性技術(shù)創(chuàng)新 9.3.3數(shù)據(jù)科學(xué)生態(tài)系統(tǒng) 思考題 9.4探究與實(shí)踐 第10章大數(shù)據(jù)分布式存儲(chǔ) 開篇案例： 春晚搶紅包大戰(zhàn)究竟“戰(zhàn)”什么？ 學(xué)習(xí)目標(biāo) 10.1分布式文件系統(tǒng) 10.1.1分布式文件系統(tǒng)概述 10.1.2HDFS存儲(chǔ)原理及操作 10.1.3HDFS應(yīng)用場景 思考題 10.2分布式數(shù)據(jù)庫HBase 10.2.1BigTable的創(chuàng)新思考 10.2.2HBase數(shù)據(jù)模型 10.2.3HDFS與HBase 10.2.4HBase應(yīng)用場景 思考題 10.3NoSQL數(shù)據(jù)庫 10.3.1NoSQL數(shù)據(jù)庫的興起 10.3.2NoSQL數(shù)據(jù)庫的4大類型 10.3.3從NoSQL到NewSQL 思考題 10.4探究與實(shí)踐 第11章大數(shù)據(jù)計(jì)算與分析 開篇案例： 你的用戶畫像是如何構(gòu)建出來的？ 學(xué)習(xí)目標(biāo) 11.1分布式計(jì)算MapReduce 11.1.1分布式并行計(jì)算 11.1.2MapReduce流程 11.1.3MapReduce的特點(diǎn)及應(yīng)用 思考題 11.2內(nèi)存計(jì)算與Spark 11.2.1什么是內(nèi)存計(jì)算 11.2.2RDD原理及操作 11.2.3Spark機(jī)器學(xué)習(xí)庫及工作流 思考題 11.3流計(jì)算 11.3.1大數(shù)據(jù)與流分析 11.3.2Spark Streaming流計(jì)算 11.3.3流計(jì)算的應(yīng)用 思考題 11.4探索與實(shí)踐 第12章大數(shù)據(jù)平臺(tái)與云計(jì)算 開篇案例： 淘系的“生意參謀” 學(xué)習(xí)目標(biāo) 12.1大數(shù)據(jù)平臺(tái) 12.1.1Hadoop的原則 12.1.2Hadoop生態(tài)系統(tǒng) 12.1.3Hadoop與實(shí)時(shí)數(shù)據(jù)倉庫 思考題 12.2云計(jì)算與云服務(wù) 12.2.1什么是云計(jì)算 12.2.2面向分析的云服務(wù) 12.2.3百度深度學(xué)習(xí)開源云平臺(tái) 思考題 12.3業(yè)務(wù)中臺(tái)與數(shù)據(jù)中臺(tái) 12.3.1什么是中臺(tái) 12.3.2數(shù)據(jù)中臺(tái)與AI中臺(tái) 12.3.3阿里巴巴數(shù)加大數(shù)據(jù)平臺(tái) 思考題 12.4探索與實(shí)踐
第4篇數(shù) 據(jù) 未 來 第13章從DIKW視角看技術(shù)未來 開篇案例： 通用人工智能是AI的終點(diǎn)嗎？ 學(xué)習(xí)目標(biāo) 13.1工業(yè)物聯(lián)網(wǎng) 13.1.1物聯(lián)網(wǎng)要素 13.1.2傳統(tǒng)物聯(lián)網(wǎng)與工業(yè)物聯(lián)網(wǎng) 13.1.3面向物聯(lián)網(wǎng)的數(shù)據(jù)分析 思考題 13.2AutoML——自動(dòng)機(jī)器學(xué)習(xí) 13.2.1AutoML的目標(biāo) 13.2.2AutoML的流程 思考題 13.3知識(shí)圖譜 13.3.1什么是知識(shí)圖譜 13.3.2如何構(gòu)建知識(shí)圖譜 13.3.3知識(shí)圖譜的自動(dòng)構(gòu)建 思考題 13.4大語言模型ChatGPT 13.4.1自然語言模型的變遷 13.4.2注意力機(jī)制與Transformer模型 13.4.3GPT與ChatGPT 13.4.4AIGC智能創(chuàng)作時(shí)代 思考題 13.5探究與實(shí)踐 第14章從DIKW視角看產(chǎn)業(yè)未來 開篇案例： 騰訊進(jìn)軍“新能源” 學(xué)習(xí)目標(biāo) 14.1數(shù)字化轉(zhuǎn)型與數(shù)據(jù)驅(qū)動(dòng) 14.1.1數(shù)字化轉(zhuǎn)型與數(shù)據(jù)驅(qū)動(dòng) 14.1.2數(shù)據(jù)驅(qū)動(dòng)的特征 14.1.3數(shù)字化轉(zhuǎn)型與賦能 思考題 14.2大數(shù)據(jù)產(chǎn)業(yè)的趨勢 14.2.1政府大數(shù)據(jù)從管理走向服務(wù) 14.2.2電信大數(shù)據(jù)從小圈子走向大生態(tài) 14.2.3健康醫(yī)療大數(shù)據(jù)從大走向精準(zhǔn) 14.2.4工業(yè)大數(shù)據(jù)圍繞小場景從項(xiàng)目走向產(chǎn)品 14.2.5營銷大數(shù)據(jù)從流量營銷走向精細(xì)運(yùn)營 14.2.6金融大數(shù)據(jù)從強(qiáng)管控走向創(chuàng)新服務(wù) 思考題 14.3智能時(shí)代 14.3.1AI的角色 14.3.2從弱AI到強(qiáng)AI 14.3.3人機(jī)融合的未來 思考題 14.4探究與實(shí)踐 第15章數(shù)據(jù)科學(xué)的未來 開篇案例： 數(shù)據(jù)科學(xué)的4.0版 學(xué)習(xí)目標(biāo) 15.1數(shù)據(jù)科學(xué)的挑戰(zhàn) 15.1.1數(shù)據(jù)科學(xué)的4大科學(xué)任務(wù) 15.1.2數(shù)據(jù)科學(xué)的10大技術(shù)方向 15.1.3數(shù)據(jù)科學(xué)的發(fā)展趨勢 思考題 15.2數(shù)據(jù)科學(xué)家團(tuán)隊(duì) 15.2.1數(shù)據(jù)科學(xué)與系統(tǒng)開發(fā) 15.2.2數(shù)據(jù)科學(xué)家和開發(fā)人員的合作 15.2.3數(shù)據(jù)科學(xué)相關(guān)職位與技能 15.2.4數(shù)據(jù)科學(xué)家團(tuán)隊(duì) 思考題 15.3探究與實(shí)踐 參考文獻(xiàn) 附錄 附錄A布魯姆(Bloom)認(rèn)知分類法 附錄B商業(yè)分析方法 附錄C批判性思維工具 附錄D哈佛大學(xué)“思維可視化”路徑集 數(shù)據(jù)科學(xué)導(dǎo)論
案例目錄
【開篇案例】
第1章開篇案例： 你聽說過“大數(shù)據(jù)殺熟”嗎？4 第2章開篇案例： 啤酒與尿不濕26 第3章開篇案例： 別輕易點(diǎn)贊，它會(huì)泄露你的性格秘密46 第4章開篇案例： 《紙牌屋》背后的數(shù)據(jù)故事68 第5章開篇案例： “百度指數(shù)”能告訴你什么？88 第6章開篇案例： 如果你在“泰坦尼克號(hào)”上會(huì)怎樣？108 第7章開篇案例： Target的精準(zhǔn)營銷靠譜嗎？127 第8章開篇案例： ImageNet數(shù)據(jù)庫有什么用？161 第9章開篇案例： 阿里巴巴數(shù)據(jù)倉庫架構(gòu)196 第10章開篇案例： 春晚搶紅包大戰(zhàn)究竟“戰(zhàn)”什么？221 第11章開篇案例： 你的用戶畫像是如何構(gòu)建出來的？243 第12章開篇案例： 淘系的“生意參謀”263 第13章開篇案例： 通用人工智能是AI的終點(diǎn)嗎？284 第14章開篇案例： 騰訊進(jìn)軍“新能源”308 第15章開篇案例： 數(shù)據(jù)科學(xué)的4.0版325 【想一想】
想一想1.1： “大”數(shù)據(jù)10 想一想1.2： Excel中的數(shù)據(jù)格式12 想一想1.3： 什么是推薦系統(tǒng)18 想一想1.4： 你的超星（學(xué)習(xí)通）數(shù)據(jù)及價(jià)值21 想一想2.1： 統(tǒng)計(jì)學(xué)與數(shù)學(xué)30 想一想2.2： “大數(shù)據(jù)買披薩”的故事35 想一想2.3： 什么是整潔數(shù)據(jù)(Tidy Data)37 想一想3.1： 文字“可能”“差不多”等詞可以量化嗎60 想一想4.1： 生活中的DIKW69 想一想4.2： 你聽說過“信息繭房”嗎74 想一想4.3： Analysis與Analytics有什么區(qū)別75 想一想5.1： 知識(shí)的不確定性及不確切性的表示 90 想一想5.2： 你能從下面對(duì)“知識(shí)”的描述中得到什么95 想一想5.3： 到底是“算法”還是“模型”99 想一想5.4： 數(shù)據(jù)科學(xué)還是什么101 想一想5.5： 數(shù)據(jù)收集要考慮什么104 想一想6.1： 中位數(shù)與眾數(shù)的計(jì)算114 想一想6.2： 為什么數(shù)據(jù)準(zhǔn)備那么花時(shí)間121 想一想7.1： “回歸”的含義133 想一想7.2： 空間變換——從非線性到線性142 想一想7.3： 智慧決策到底做什么150 想一想7.4： 建模是一個(gè)過程——大廚做菜152 想一想7.5： 關(guān)聯(lián)規(guī)則能使東北小菜館重獲新生嗎157 想一想8.1： 人類是如何思考的——為什么需要RNN178 想一想8.2： 知識(shí)從哪里來185 想一想8.3： 游戲中的AI三要素——數(shù)據(jù)、算法與算力189 想一想9.1： 什么是元數(shù)據(jù)215 想一想10.1： Google工程師是如何思考的——定義清楚問題比解決問題更難229 想一想10.2： 行存儲(chǔ)與列存儲(chǔ)231 想一想10.3： NoSQL數(shù)據(jù)庫的特點(diǎn)238 想一想10.4： 從DIKW視角看數(shù)據(jù)管理240 想一想11.1： 分布式機(jī)器學(xué)習(xí)的原理249 想一想11.2： 靜態(tài)數(shù)據(jù)與流數(shù)據(jù)、批處理與實(shí)時(shí)處理256 想一想11.3： Spark中數(shù)據(jù)抽象的演變——RDD、DataFrame及DStream258 想一想12.1： 網(wǎng)絡(luò)時(shí)代，我們可以享受哪些云服務(wù)271 想一想13.1： 邊緣計(jì)算的未來288 想一想13.2： 人類反饋是如何打分的304 想一想14.1： 數(shù)據(jù)驅(qū)動(dòng)你體會(huì)到了嗎309 想一想14.2： 免費(fèi)WiFi誰會(huì)受益314 想一想14.3： 你的智能手環(huán)真的“智能”嗎315 想一想14.4： 現(xiàn)在的自動(dòng)駕駛到了哪一級(jí)322 想一想15.1： 科學(xué)、工程與技術(shù)329 想一想15.2： 入職的門檻你準(zhǔn)備好了嗎334 想一想15.3： 你想轉(zhuǎn)行嗎336
【試一試】
試一試1.1： 十進(jìn)制、二進(jìn)制、十六進(jìn)制5 試一試2.1： 開放數(shù)據(jù)29 試一試2.2： 數(shù)據(jù)一致性及Excel變換39 試一試3.1： 排序算法——計(jì)算思維的實(shí)踐55 試一試3.2： 網(wǎng)站重要性度量 59 試一試3.3： 余弦定理與文本相似度61 試一試4.1： 微信指數(shù)72 試一試4.2： 幸福與愛情77 試一試7.1： 勝率幾何——小明能搶到票嗎148 試一試7.2： Kmeans算法的結(jié)果是如何來的153 試一試7.3： 支持度、置信度、提升度怎么算156 試一試8.1： 神經(jīng)元計(jì)算166 試一試8.2： 神經(jīng)網(wǎng)絡(luò)游樂場PlayGround171 試一試9.1： SQL實(shí)踐——查詢與統(tǒng)計(jì)204 【技術(shù)洞察】
技術(shù)洞察1.1： 圖靈模型與馮·諾依曼計(jì)算機(jī)6 技術(shù)洞察1.2： 第二次工業(yè)革命——電力革命8 技術(shù)洞察1.3： CRM的起源與發(fā)展 9 技術(shù)洞察1.4： 什么是摩爾定律14 技術(shù)洞察1.5： 用戶數(shù)據(jù)的價(jià)值知多少 18 技術(shù)洞察1.6： 什么是“爬蟲”19 技術(shù)洞察1.7： 什么是用戶畫像22 技術(shù)洞察2.1： 自然語言處理——從規(guī)則到統(tǒng)計(jì)、從理性到經(jīng)驗(yàn)33 技術(shù)洞察2.2： 什么是“埋點(diǎn)數(shù)據(jù)”36 技術(shù)洞察2.3： 數(shù)據(jù)標(biāo)注40 技術(shù)洞察3.1： 大數(shù)定律與中心極限定律——統(tǒng)計(jì)學(xué)的基石49 技術(shù)洞察3.2： 統(tǒng)計(jì)描述與統(tǒng)計(jì)推斷51 技術(shù)洞察3.3： “人”計(jì)算與“機(jī)器”計(jì)算的思維差異52 技術(shù)洞察3.4： 三種基本算法的結(jié)構(gòu)及流程53 技術(shù)洞察3.5： 蒙特卡羅方法——統(tǒng)計(jì)模擬法56 技術(shù)洞察3.6： 計(jì)算中的遞歸與迭代57 技術(shù)洞察3.7： 用戶偏好計(jì)算——TFIDF62 技術(shù)洞察5.1： 什么是A/B測試——奧巴馬當(dāng)選美國總統(tǒng)背后的故事93 技術(shù)洞察5.2： 自動(dòng)駕駛中的數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)與人工智能97 技術(shù)洞察5.3： 什么是利潤曲線102 技術(shù)洞察6.1： 數(shù)據(jù)分析前的準(zhǔn)備——明確目標(biāo)、定義指標(biāo)109 技術(shù)洞察6.2： 同比和環(huán)比109 技術(shù)洞察6.3： RFM模型——客戶分類110 技術(shù)洞察6.4： AARRR漏斗模型111 技術(shù)洞察6.5： 理解數(shù)據(jù)——變量說明表113 技術(shù)洞察6.6： 探索性可視化分析實(shí)例122 技術(shù)洞察7.1： 什么是特征工程131 技術(shù)洞察7.2： 回歸建模背后的底層邏輯134 技術(shù)洞察7.3： 模型參數(shù)的“迭代優(yōu)化”——梯度下降法136 技術(shù)洞察7.4： 什么是“正則化”139 技術(shù)洞察7.5： Python代碼實(shí)現(xiàn)線性回歸算法140 技術(shù)洞察7.6： 核函數(shù)高維映射144 技術(shù)洞察7.7： SVM的隱含假設(shè)145 技術(shù)洞察7.8： 結(jié)點(diǎn)不純度——信息熵146 技術(shù)洞察8.1： 為什么需要非線性激活函數(shù)167 技術(shù)洞察8.2： BP學(xué)習(xí)算法169 技術(shù)洞察8.3： 神經(jīng)網(wǎng)絡(luò)的參數(shù)與超參數(shù)170 技術(shù)洞察8.4： 卷積核與卷積計(jì)算——垂直邊緣檢測173 技術(shù)洞察8.5： 激活函數(shù)Sigmoid與Softmax175 技術(shù)洞察8.6： Seq2Seq模型——編碼/解碼結(jié)構(gòu)180 技術(shù)洞察8.7： 圖的表示——鄰接矩陣與鄰接鏈表182 技術(shù)洞察8.8： 蒙特卡羅樹搜索188 技術(shù)洞察9.1： 從計(jì)算思維看數(shù)據(jù)模型198 技術(shù)洞察9.2： 實(shí)體與ER圖199 技術(shù)洞察9.3： 剛性事務(wù)與ACID原則202 技術(shù)洞察9.4： 關(guān)系模型與 SQL的誕生203 技術(shù)洞察9.5： 數(shù)據(jù)解讀的六字箴言——時(shí)間、對(duì)象、指標(biāo)、對(duì)比、細(xì)分、溯源211 技術(shù)洞察9.6： 模型標(biāo)記語言(PMML)213 技術(shù)洞察9.7： 柔性事務(wù)與BASE原則216 技術(shù)洞察10.1： Google論文“Google File System”(2003年)——引言(譯文)222 技術(shù)洞察10.2： 寫時(shí)模式與讀時(shí)模式224 技術(shù)洞察10.3： HDFS的文件操作命令226 技術(shù)洞察10.4： Hadoop大事記(截至2011年)227 技術(shù)洞察10.5： Google論文“BigTable： A Distributed Storage System for Structured Data”(2006年)——摘要(譯文)228 技術(shù)洞察10.6： HBase的存儲(chǔ)示例232 技術(shù)洞察10.7： HBase常用操作234 技術(shù)洞察11.1： Google論文“MapReduce: Simplified Data Processing on Large Clusters”(2004年)——引言(譯文)244 技術(shù)洞察11.2： Spark誕生記250 技術(shù)洞察11.3： 從RDD再看計(jì)算思維的實(shí)踐——抽象、自動(dòng)化251 技術(shù)洞察12.1： 從Hadoop 1.0到Hadoop 2.0264 技術(shù)洞察12.2： 推薦系統(tǒng)的Hadoop實(shí)現(xiàn)266 技術(shù)洞察12.3： 基于云的深度學(xué)習(xí)框架272 技術(shù)洞察12.4： 算力——CPU、GPU、TPU及NPU274 技術(shù)洞察12.5： 阿里巴巴數(shù)據(jù)中臺(tái)的演進(jìn)之路277 技術(shù)洞察12.6： 模型迭代(Refit)與模型重構(gòu)(Rebuild)278 技術(shù)洞察13.1： 傳感器285 技術(shù)洞察13.2： 采樣與采樣頻率286 技術(shù)洞察13.3： “5G 工業(yè)互聯(lián)網(wǎng)”成為數(shù)字經(jīng)濟(jì)“新名片”287 技術(shù)洞察13.4： AutoSklearn——基于Python的開源工具包292 技術(shù)洞察13.5： 注意力機(jī)制與注意力模型297 技術(shù)洞察13.6： ChatGPT的預(yù)訓(xùn)練數(shù)據(jù)從哪里來300 技術(shù)洞察13.7： 什么是“在上下文中學(xué)習(xí)”302 技術(shù)洞察13.8： 百度“文心一言”305 技術(shù)洞察14.1： AGI何時(shí)實(shí)現(xiàn)——來自頂級(jí)大佬的預(yù)測321 技術(shù)洞察15.1： 2023年Gartner新興技術(shù)成熟度327 技術(shù)洞察15.2： 數(shù)據(jù)科學(xué)與開發(fā)系統(tǒng)的工作流331 【應(yīng)用案例】
應(yīng)用案例2.1： Google的核心——PageRank算法41 應(yīng)用案例2.2： 使用CRM構(gòu)建全方位用戶畫像42 應(yīng)用案例3.1： 面包的故事48 應(yīng)用案例3.2： 幸運(yùn)者偏差50 應(yīng)用案例3.3： 淘寶的“淘氣值”64 應(yīng)用案例4.1： 國民閱讀率71 應(yīng)用案例4.2： 什么是多維度？——百度“吃貨”排行榜75 應(yīng)用案例4.3： 東數(shù)西算——國家大數(shù)據(jù)戰(zhàn)略77 應(yīng)用案例4.4： 用戶畫像的構(gòu)建——標(biāo)簽分級(jí)80 應(yīng)用案例4.5： 坐姿與汽車防盜82 應(yīng)用案例5.1： 什么是“可執(zhí)行的知識(shí)”91 應(yīng)用案例6.1： 哪個(gè)NBA球員發(fā)揮更穩(wěn)定115 應(yīng)用案例6.2： 直方圖與箱線圖116 應(yīng)用案例6.3： 描述性分析實(shí)例——駕駛員出險(xiǎn)因素分析及結(jié)論118 應(yīng)用案例6.4： 出租車GPS數(shù)據(jù)的探索性分析123 應(yīng)用案例7.1： FICO信用分(美國征信體系)是怎么來的138 應(yīng)用案例7.2： 邏輯回歸預(yù)測點(diǎn)擊率(ClickThroughRate，CTR)143 應(yīng)用案例7.3： “泰坦尼克號(hào)”上的生還預(yù)測147 應(yīng)用案例7.4： 垃圾郵件識(shí)別149 應(yīng)用案例7.5： 航空公司RFM聚類155 應(yīng)用案例8.1： 手寫數(shù)字識(shí)別——參數(shù)知多少166 應(yīng)用案例8.2： ImageNet大賽176 應(yīng)用案例8.3： 語言模型的演進(jìn)——從統(tǒng)計(jì)到神經(jīng)網(wǎng)絡(luò)181 應(yīng)用案例8.4： GNN應(yīng)用——增強(qiáng)推薦系統(tǒng)184 應(yīng)用案例9.1： 阿波羅登月計(jì)劃與數(shù)據(jù)管理197 應(yīng)用案例9.2： 學(xué)生選課管理數(shù)據(jù)庫系統(tǒng)201 應(yīng)用案例9.3： 零售企業(yè)中的事實(shí)表與星狀模式209 應(yīng)用案例9.4： 數(shù)據(jù)倉庫與用戶標(biāo)簽210 應(yīng)用案例10.1： HBase在滴滴出行中的*佳實(shí)踐235 應(yīng)用案例11.1： 詞頻統(tǒng)計(jì)WordCount的MapReduce實(shí)現(xiàn)246 應(yīng)用案例11.2： 用戶行為(clickstream日志)數(shù)據(jù)分析247 應(yīng)用案例11.3： 基于MapReduce的視頻語義分類247 應(yīng)用案例11.4： 一個(gè)基于Spark的WordCount253 應(yīng)用案例11.5： 用于文本分析的機(jī)器學(xué)習(xí)工作流255 應(yīng)用案例11.6： 滴滴出行的ETA預(yù)測260 應(yīng)用案例12.1： 基于阿里云的實(shí)時(shí)數(shù)據(jù)倉庫268 應(yīng)用案例13.1： 阿里巴巴的“犀牛工廠”289 應(yīng)用案例13.2： 無人駕駛汽車傳感器知多少289 應(yīng)用案例13.3： 個(gè)性化推薦研究熱點(diǎn)： 深度學(xué)習(xí)、知識(shí)圖譜、強(qiáng)化學(xué)習(xí)、可解釋推薦
296 應(yīng)用案例13.4： 一個(gè)偉大的公司需要幾個(gè)人306 應(yīng)用案例14.1： 數(shù)字孿生與數(shù)字城市313 應(yīng)用案例14.2： 自動(dòng)駕駛迎來這樣一個(gè)新階段316 應(yīng)用案例14.3： 廣告投放從“千人一面”到“一人千面”317 應(yīng)用案例14.4： 你的芝麻信用評(píng)分是多少317
展開全部
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
名家?guī)阕x魯迅:故事新編
- >
推拿
- >
煙與鏡
- >
月亮虎
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
羅庸西南聯(lián)大授課錄
- >
李白與唐代文化
本類暢銷
