具体描述
产品特色
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。
精彩书评
我与本书作者素不相识，读完作者发来的电子书稿后，感受到了以往在读技术类书籍时从未有过的惊喜。国内已有不少介绍大数据和机器学习的教科书和参考书，但这本书与众不同，它的重点不是传统教科书式的概念导入和各种机器学习算法的罗列，而是强调统计学、机器学习和计算机科学3门学科的融会贯通，试图呈现给读者关于数据科学较全面的知识体系。特别是对常用的统计和机器学习软件的详细说明，对提高在校大学生、研究生的动手能力和企业科技人员解决实际问题的能力大有裨益。
中国工程院院士，第三世界科学院院士，曾任中国科学院计算技术研究所所长 李国杰
数据科学是一门交叉学科，涉及数理统计、代码编程、商业分析等多个领域的知识。我们正在从 IT 时代步入 DT 时代，数据科学将扮演越来越重要的角色，企业对数据科学家的需求也将快速增加。数据科学家被《哈佛商业评论》评为“21世纪zui吸引人的职业”，可见其魅力所在。唐亘的这本书系统介绍了目前数据科学领域的核心知识和技能，帮助读者搭建一个系统的知识体系。我把它推荐给对数据科学感兴趣或者立志成为下一位数据科学家的你！
GrowingIO 创始人兼 CEO ，曾任 LinkedIn 美国商业分析部高级总监，《首席增长官》一书作者 张溪梦（ Simon Zhang ）
图灵奖获得者Jim Gray将数据科学称作科学研究的“第四范式”（the fourth paradigm）。数据科学不仅会影响到科学的各个方面，也会在各领域的应用中发挥重要的作用。唐亘以其坚实的数据科学基础和多年的大数据分析经验，用浅显易懂的方式撰写了这本《深入浅出数据科学：从线性回归到深度学习》。这本书没有局限于坐而论道，让读者对各种模型有恐惧感，而是通过应用实例将问题、概念、模型和解决方案有机地联系起来，使读者能够快速理解和应用数据科学。对于数据科学的学习者和不同领域的应用者来说，这本书非常值得一读。
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
将一本技术书籍写得通俗易懂而又深刻透彻是很难的，但唐亘这本《深入浅出数据科学：从线性回归到深度学习》做到了这一点。这本书从技术、方法、实践这3个维度系统地介绍了数据科学的方方面面，内容详实，解读清晰，细节与全貌兼顾，既适合初学者阅读，也可以作为深入研究的参考用书。
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
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 Python shell 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 margin 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
用户评价
我必须说，这本书是一次令人愉悦的学习体验！作者的写作风格非常独特，他似乎拥有一种魔力，能够将枯燥的技术细节变得生动有趣。我尤其欣赏书中在讲解复杂概念时，所运用的类比和图解。比如，在解释梯度下降时，作者生动地将其比作在山顶寻找最低点，这个形象的比喻让我瞬间就理解了这个重要的优化算法。而且，书中非常注重实践，每一个章节都配有相应的代码示例，使用的语言也是当下最流行的Python，这让我在学习的同时，能够立刻动手实践，将知识融入到实际操作中。我反复阅读了书中关于特征工程和数据预处理的部分，作者提供了非常实用的技巧和方法，让我能够更好地处理真实世界中 messy 的数据。这本书的组织结构也非常合理，从基础的回归模型，到更复杂的机器学习算法，再到引人入胜的深度学习，层层递进，让我感到学习的过程充满了成就感。
评分这本书简直是一场数据科学的盛宴！从第一章开始，作者就以一种非常接地气的方式，带领我一步步探索线性回归的奥秘。我一直以为线性回归只是一个基础的概念，但这本书却挖掘出了它背后深厚的理论和实际应用。它不仅仅讲解了公式和推导，更重要的是，它教会了我如何去理解模型的假设、如何解读回归系数的意义，以及如何评估模型的性能。书中大量的案例和代码示例，让我能够亲手实践，将理论知识转化为解决实际问题的能力。尤其让我印象深刻的是，作者在讲解模型诊断时，提供了多种可视化工具和统计指标，让我能够清晰地发现模型中的问题，并学会如何进行调整和优化。这种循序渐进的学习方式，让我这个之前对数据科学有点畏惧的读者，逐渐变得自信起来。而且，书中的语言风格非常流畅，阅读起来毫不费力，即使是复杂的统计概念，也能被清晰地解释清楚。我感觉这本书为我打下了坚实的数据科学基础，让我对后续更深入的学习充满了期待。
评分作为一名对数据科学充满热情但缺乏系统学习背景的职场人士，我一直都在寻找一本能够真正帮助我建立扎实知识体系的书籍。《精通数据科学》绝对满足了我的需求。这本书的内容覆盖了从经典统计模型到最新深度学习技术的广阔领域，而且讲解得非常透彻。我之前对一些机器学习算法总是模模糊糊，但通过这本书，我不仅理解了算法的原理，更重要的是，它教会了我如何评估和选择合适的模型，以及如何对模型进行调优。书中对于模型评估指标的详细讲解，以及如何处理过拟合和欠拟合问题，让我受益匪浅。最令我惊喜的是，这本书并没有止步于理论，而是提供了大量的代码实践，让我能够将学到的知识应用于实际的数据分析场景。我感觉这本书不仅仅是一本书，更像是一位经验丰富的数据科学家在我身边悉心指导。
评分这本《精通数据科学》的深度和广度着实令我惊叹！它不仅仅停留在基础的统计模型，而是非常有远见地将读者引向了深度学习的前沿。在我看来，这本书最大的亮点在于，它并没有将线性回归和深度学习割裂开来，而是巧妙地将它们联系起来，展示了从简单模型到复杂模型的演进过程。作者对于深度学习的讲解，并非枯燥的技术罗列，而是深入浅出地解释了神经网络的结构、反向传播的原理，以及各种激活函数和优化器的作用。我特别喜欢书中关于卷积神经网络（CNN）和循环神经网络（RNN）的章节，它们不仅详细解释了这些模型的原理，还提供了实际应用的案例，比如图像识别和自然语言处理。书中对各种模型的优缺点以及适用场景的对比分析，让我能够更清晰地认识到不同深度学习模型之间的差异，并学会如何在实际项目中选择最合适的模型。读完这本书，我感觉自己对深度学习的理解不再是“知道有哪些模型”，而是上升到了“理解为什么它们有效”的层面，这无疑是巨大的进步。
评分这本书彻底改变了我对数据科学学习的看法。我曾经认为这是一个充满公式和算法的枯燥领域，但《精通数据科学》向我展示了它的魅力和可能性。作者以一种非常启发性的方式，引导我探索数据世界的深邃。从线性回归的优雅，到深度学习的强大，这本书仿佛为我打开了一扇新世界的大门。我特别喜欢书中关于模型解释性的讨论，这在许多其他书籍中都很少见。作者强调理解模型“为什么”工作，而不是仅仅知道“如何”使用模型，这种视角让我受益匪浅。书中的每一个章节都像是一个小小的探索旅程，让我能够一步步深入了解数据科学的核心概念。我感觉自己不再是被动地接收信息，而是主动地参与到知识的构建过程中。这本书的价值在于，它不仅教授了技术，更培养了我对数据科学的洞察力和解决问题的能力。
评分好书好书好书，值得推荐！
评分书还可以吧，适合入门慢慢学习
评分包装不错，刚到还没看内容
评分帮同学买的，还没学到这个环节，挺好的
评分精通数据科学 从线性回归到深度学习精通数据科学 从线性回归到深度学习精通数据科学 从线性回归到深度学习精通数据科学 从线性回归到深度学习精通数据科学 从线性回归到深度学习
评分东西不错，下次还来~
评分京东騷紫的包装，带来船新的体验，看完了再追加?
评分拆开看了看目录，挺好的一本书，数据科学是现在的超热门方向啊，其中的线性回归也是机器学习的基础了，好好学
评分正版品质，包装完整，价格实惠。
相关图书
![数字乌托邦 [Utopia Is Creepy: And Other Provocations] pdf epub mobi 电子书 下载](https://pic.qciss.net/12347914/5ae3d0ddNb2f4a455.jpg)
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.teaonline.club All Rights Reserved. 图书大百科 版权所有