chapter 01 資料科學概述

1.1 挑戰

1.2 機器學習

1.3 統計模型

1.4 關於本書



chapter 02 Python安裝指南與簡介：告別空談

2.1 Python簡介

2.2 Python安裝

2.3 Python上手實作

2.4 本章小結



chapter 03 數學基礎：惱人但又不可或缺的知識

3.1 矩陣和向量空間

3.2 機率：量化隨機

3.3 微積分

3.4 本章小結



chapter 04 線性迴歸：模型之母

4.1 簡單的實例

4.2 上手實作：模型實現

4.3 模型陷阱

4.4 模型持久化

4.5 本章小結



chapter 05 邏輯迴歸：隱藏因數

5.1 二元分類問題：是與否

5.2 上手實作：模型實現

5.3 評估模型效果：孰優孰劣

5.4 多元分類問題：超越是與否

5.5 非均衡資料集

5.6 本章小結



chapter 06 專案實現：電腦是怎麼算的

6.1 演算法想法：模擬捲動

6.2 數值求解：梯度下降法

6.3 上手實作：程式實現

6.4 更優化的演算法：隨機梯度下降法

6.5 本章小結



chapter 07 計量經濟學的啟示：他山之石

7.1 定量與定性：變數的數學運算合理嗎

7.2 定性變數的處理

7.3 定量變數的處理

7.4 顯著性

7.5 多重共線性：多變數的煩惱

7.6 內生性：變化來自何處

7.7 本章小結



chapter 08 監督式學習：目標明確

8.1 支援向量學習機

8.2 核心函數

8.3 決策樹

8.4 樹的整合

8.5 本章小結



chapter 09 生成式模型：量化資訊的價值

9.1 貝氏框架

9.2 單純貝氏

9.3 判別分析

9.4 隱馬克夫模型

9.5 本章小結



chapter 10 非監督式學習：分群與降維

10.1 K-means

10.2 其他分群模型

10.3 Pipeline

10.4 主成分分析

10.5 奇異值分解

10.6 本章小結



chapter 11 分散式機器學習：集體力量

11.1 Spark簡介

11.2 最佳化問題的分散式解法

11.3 大數據模型的兩個維度

11.4 開放原始碼工具的另一面

11.5 本章小結



chapter 12 神經網路：模擬人的大腦

12.1 神經元

12.2 神經網路

12.3 反向傳播演算法

12.4 加強神經網路的學習效率

12.5 本章小結



chapter 13 深度學習：繼續探索

13.1 利用神經網路識別數位

13.2 卷積神經網路

13.3 其他深度學習模型

13.4 本章小結

推薦序一



　　我與本書作者素不相識，讀完作者寄來的電子書稿後，感受到以往在讀技術類書籍時從未有過的驚喜。國內外已有不少介紹大數據和機器學習的教科書和參考書，但這本書與眾不同，它的重點不是傳統教科書式的概念導入和各種機器學習演算法的羅列，而是強調統計學、機器學習和電腦科學此3門學科的融會貫通，試圖呈現給讀者關於資料科學較全面的知識系統。特別是對常用的統計和機器學習軟體的詳細說明，對提升在校大學生、研究生的實作能力和企業科技人員解決實際問題的能力大有裨益。