序

前言

關於作者

?

【PART I基本結構】

chapter 01資料科學家的角色

1.1 介紹

1.2 資料科學家的角色

1.3 結論

?

chapter 02專案工作流程

2.1 介紹

2.2 資料團隊背景

2.3 敏捷開發與產品專注

2.4 結論

?

chapter 03誤差量化

3.1 介紹

3.2 量化測量值誤差

3.3 採樣誤差

3.4 誤差傳播

3.5 結論

?

chapter 04資料編碼與預處理

4.1 介紹

4.2 簡單文字處理

4.3 資訊損失

4.4 結論

?

chapter 05假設檢定

5.1 介紹

5.2 何謂假設？

5.3 誤差類型

5.4 P 值與信賴區間

5.5 多重測試與 "P-hacking"

5.6 範例

5.7 規劃與背景

5.8 結論

?

chapter 06資料視覺化

6.1 介紹

6.2 分佈與摘要統計

6.3 時間序列圖

6.4 圖視覺化

6.5 結論

?

【PART II 演算法與架構】

chapter 07演算法與架構

7.1 介紹

7.2 架構

7.3 模型

7.4 結論

?

chapter 08比較

8.1 介紹

8.2 Jaccard 距離

8.3 MinHash

8.4 Cosine 相似度

8.5 馬氏距離

8.6 結論

?

chapter 09迴歸

9.1 介紹

9.2 線性最小平方

9.3 線性迴歸的非線性迴歸

9.4 隨機森林

9.5 結論

?

chapter 10分類與群集

10.1 介紹

10.2 邏輯迴歸

10.3 貝葉斯推論，單純貝葉斯

10.4 K 平均

10.5 領先特徵向量

10.6 貪婪 Louvain

10.7 最近鄰居

10.8 結論

?

chapter 11貝葉斯網路

11.1 介紹

11.2 因果圖、條件獨立、Markovity

11.3 D 分離與 Markov 性質

11.4 貝葉斯網路因果圖

11.5 模型適配

11.6 結論

?

chapter 12降維與潛在變項模型

12.1 介紹

12.2 先驗

12.3 因素分析

12.4 主成分分析

12.5 獨立成分分析

12.6 隱含狄利克雷分布

12.7 結論

?

chapter 13因果推論

13.1 介紹

13.2 實驗

13.3 觀察：一個例子

13.4 控制阻斷非因果路徑

13.5 機器學習估計量

13.6 結論

?

chapter 14進階機器學習

14.1 介紹

14.2 最佳化

14.3 神經網路

14.4 結論

?

【PART III 瓶頸與最佳化】

chapter 15硬體基礎知識

15.1 介紹

15.2 隨機存取記憶體

15.3 非揮發性/固定儲存

15.4 吞吐量

15.5 處理器

15.6 結論

?

chapter 16軟體基礎知識

16.1 介紹

16.2 換頁

16.3 編索引

16.4 顆粒度

16.5 強固性

16.6 擷取、轉換、載入

16.7 結論

?

chapter 17軟體架構

17.1 介紹

17.2 主從架構

17.3 N 層/服務導向架構

17.4 微服務

17.5 一大塊

17.6 實際案例（混合架構）

17.7 結論

?

chapter 18CAP 定理

18.1 介紹

18.2 一致性/同時性

18.3 可用性

18.4 分割容錯

18.5 結論

?

chapter 19邏輯網路拓撲節點

19.1 介紹

19.2 網路圖

19.3 負載平衡

19.4 快取

19.5 資料庫

19.6 佇列

19.7 結論

?

參考書目

索引

?