商品簡介
重點介紹數據科學中的新理論和代表性實踐,填補數據科學與大數據技術專業的核心教材的空白。主要內容包括:基礎理論(術語定義、研究目的、發展簡史、理論體系、基本原則、數據科學家)、理論基礎(數據科學的學科地位、統計學、機器學習、數據可視化)、流程與方法(基本歷程、數據加工、數據審計、數據分析、數據可視化、數據故事化、項目管理)、技術與工具(技術體系、MapReduce、Hadoop、Spark、NoSQL與NewSQL、R與Python)、數據產品及開發(主要特征、關鍵活動、數據柔術、數據能力、數據戰略、數據治理)、典型案例及實踐等
作者簡介
中國人民大學副教授,博士生導師;國家精品在線開放課程《數據科學導論》負責人;中國計算機學會信息系統專委員會委員、中國軟件行業協會中國軟件專業人才培養工程專家委員、全國高校人工智能與大數據創新聯盟專家委員會副主任、全國高校大數據教育聯盟大數據教材專家指導委員會委員;
名人/編輯推薦
(1)國家精品開放在線課程《數據科學導論》的配套教材(2)一本系統講解全球范圍內的數據科學的新理論與代表性實踐的教材;
目次
目錄
第1章基礎理論
如何開始學習
1.1術語定義
1.2研究目的
1.3研究視角
1.4發展簡史
1.5理論體系
1.6基本原則
1.7相關理論
1.8人才類型
如何繼續學習
習題
參考文獻
第2章理論基礎
如何開始學習
2.1數據科學的學科地位
2.2統計學
2.3機器學習
2.4數據可視化
如何繼續學習
習題
參考文獻
第3章流程與方法
如何開始學習
3.1基本流程
3.2數據加工
3.3數據審計
3.4數據分析
3.5數據可視化
3.6數據故事化
3.7數據科學項目管理
3.8數據科學中的常見錯誤
如何繼續學習
習題
參考文獻
第4章技術與工具
如何開始學習
4.1數據科學的技術體系
4.2MapReduce
4.3Hadoop
4.4Spark
4.5NoSQL與NewSQL
4.6R與Python
4.7發展趨勢
如何繼續學習
習題
參考文獻
第5章數據產品及開發
如何開始學習
5.1定義
5.2主要特征
5.3關鍵活動
5.4數據柔術
5.5數據能力
5.6數據戰略
5.7數據治理
5.8數據安全、隱私、道德與倫理
如何繼續學習
習題
參考文獻
第6章典型案例及實踐
如何開始學習
6.1統計分析
6.2機器學習
6.3數據可視化
6.4Spark編程
6.52012年美國總統大選
如何繼續學習
習題
參考文獻
附錄A本書例題的R語言版代碼
附錄B數據科學的重要資源
附錄C術語索引
后記
圖目錄
圖11DIKW金字塔模型3
圖12數據與數值的區別4
圖13數字信號與模擬信號4
圖142008—2015年全球數據規模及類型的估計6
圖15大數據的特征7
圖16大數據的本質8
圖17人工智能、機器學習和深度學習的區別與聯系10
圖18DIKUW模型及應用11
圖19數據洞見12
圖110業務數據化與數據業務化12
圖111常用驅動方式13
圖112數據的層次性13
圖113大數據生態系統示意圖14
圖114數據科學的新研究視角15
圖115Gartner技術成熟度曲線16
圖116數據科學的萌芽期(1974—2009年)17
圖117數據科學的快速發展期(2010—2013年)18
圖118數據科學的逐漸成熟期(2014年至今)19
圖119數據科學的理論體系20
圖120數據科學的主要內容20
圖121數據科學的“三世界原則”22
圖122數據科學的“三個要素”及“3C精神”23
圖123計算密集型應用與數據密集型應用的區別24
圖124數據范式與知識范式的區別25
圖125數據管理范式的變化25
圖126數據的“資產”屬性26
圖127常用驅動方式28
圖128CAPTCHA方法的應用28
圖129ReCAPTCHA項目29
圖130數據與算法之間的關系30
圖131BellKors Pragmatic Chaos團隊獲得Netflix獎30
圖132Netflix獎公測結果31
圖133數據科學與商務智能的區別與聯系32
圖134數據科學與數據工程在企業應用中的區別與聯系33
圖135數據科學人才類型及其收入33
圖136RStudio中編輯Markdown的窗口35
圖137數據科學家團隊38
圖138大數據人才應具備的不同知識結構40
圖139學習數據科學的四則原則43
圖21數據科學的理論基礎50
圖22統計方法的分類(行為目的與思路方式視角)52
圖23統計學中的數據推斷53
圖24數據統計方法的類型(方法論視角)53
圖25數據統計基本方法54
圖26元分析與基本分析54
圖27GFT預測與美國疾病控制中心數據的對比55
圖28GFT估計與實際數據的誤差(2013年2月)56
圖29大數據時代的思維模式的轉變58
圖210西洋雙陸棋58
圖211機器人駕駛58
圖212機器學習的基本思路59
圖213機器學習的三要素61
圖214機器學習的類型62
圖215KNN算法的基本步驟63
圖216決策樹示例——識別鳥類65
圖217感知器示例67
圖218前向神經網絡67
圖219歸納學習與分析學習70
圖220增強學習70
圖221機器學習的類型71
圖222IBM Watson72
圖223Pepper機器人73
圖224機器學習中的數據73
圖225Anscombe四組數據的可視化77
圖226John Snow的鬼地圖(Ghost Map)78
圖227在Tableau中加利福尼亞州政府收入來源數據的可視化79
圖31數據科學的基本流程83
圖32量化自我84
圖33規整數據與干凈數據的區別85
圖34規整數據示意圖86
圖35殘差89
圖36數據分析的類型90
圖37Analytics 1.0~3.091
圖38數據加工方法92
圖39數據審計與數據清洗93
圖310缺失數據處理的步驟94
圖311冗余數據處理的方法94
圖312數據分箱處理的步驟與類型96
圖313均值平滑與邊界值平滑96
圖314內容集成98
圖315結構集成99
圖316數據脫敏處理100
圖317數據連續性的定義及重要性104
圖318可視化審計示例106
圖319Gartner分析學價值扶梯模型106
圖320冰激凌的銷售量與謀殺案的發生數量108
圖321數據分析的類型110
圖322拿破侖進軍俄國慘敗而歸的歷史事件的可視化111
圖323可視分析學的相關學科111
圖324可視分析學模型112
圖325數據可視化的方法體系113
圖326視覺圖形元素與視覺通道113
圖327雷達圖示例114
圖328齊美爾連帶114
圖329視覺隱喻的示例——美國政府機構的設置114
圖330地鐵路線圖的創始人Henry Beck115
圖331Henry Beck的倫敦地鐵線路圖116
圖332視覺突出的示例116
圖333完圖法則的示例117
圖334視覺通道的選擇與展示119
圖335視覺通道的精確度對比119
圖336視覺通道的可辨認性——某公司產品銷售示意圖120
圖337視覺通道的可分離性差120
圖338上下文導致視覺假象1121
圖339上下文導致視覺假象2121
圖340對亮度和顏色的相對判斷容易造成視覺假象的示例121
圖341數據可視化表達與數據故事化描述126
圖342數據的故事化描述及故事的展現127
圖343項目管理的主要內容130
圖344數據科學項目的基本流程131
圖412017大數據產業全景圖140
圖42大數據參考架構142
圖43MapReduce執行過程144
圖44MapReduce對中間數據的處理148
圖45以MapReduce為核心和以YARN為核心的軟件棧對比150
圖46下一代MapReduce框架151
圖47Apache的Hadoop項目151
圖48Hadoop生態系統152
圖49Hadoop MapReduce數據處理過程153
圖410Apache Hive官方網站155
圖411Apache Pig官方網站156
圖412Apache Mahout官方網站157
圖413Apache HBase官方網站157
圖414HBase與Hadoop項目158
圖415HBase的邏輯模型159
圖416Apache ZooKeeper官方網站160
圖417Apache Flume官方網站161
圖418Apache Sqoop官方網站162
圖419Spark 技術架構163
圖420Spark的基本流程164
圖421Spark的執行步驟169
圖422Lambda 架構的主要組成部分171
圖423傳統關系數據庫的優點與缺點172
圖424關系數據庫技術與NoSQL技術之間的關系174
圖425NoSQL數據分布的兩個基本途徑175
圖426分片處理176
圖427主從復制177
圖428對等復制178
圖429數據不一致性179
圖430CAP理論180
圖431Memcached官方網站183
圖432一致性散列的分配方式184
圖433服務器增加時的變化184
圖434云計算的演變過程188
圖435數據管理的新變化190
圖4362016—2018年數據科學相關項目中軟件產品的使用率(%)192
圖4372019年Gartner數據科學和機器學習平臺魔力194
圖51數據產品開發中的數據與數據柔術201
圖52知識范式與數據范式203
圖53數據產品的多樣性204
圖54數據產品的層次性205
圖55Google全球商機洞察(Google Global Market Finder)206
圖56數據產品鏈207
圖57傳統產品開發與數據產品開發的區別208
圖58D.J.Patil209
圖59UI(User Interface)設計方案與設計思維210
圖510Google搜索的用戶體驗211
圖511人與計算機圖像內容識別能力的不同211
圖512Amazon Mechanical Turk平臺213
圖513一個HIT的生命周期213
圖514基于人與計算機的數據處理成本曲線214
圖515亞馬遜的數據產品——其他商家(Other Sellers)215
圖516LinkedIn的數據產品——你可能認識的人們(People you may know)216
圖517LinkedIn的數據產品——你的觀眾是誰216
圖518逆向交互定律217
圖519LinkedIn數據產品——崗位推薦219
圖520LinkedIn的數據產品——幫助你的朋友找到工作220
圖521Facebook的良好用戶體驗220
圖522DMM模型基本思路222
圖523CMM基本思想222
圖524CMM成熟度等級224
圖525DMM關鍵過程域225
圖526DMM層級劃分及描述227
圖527IDEAL模型229
圖528組織機構數據管理能力成熟度評估結果的可視化229
圖529數據戰略與數據管理目標的區別230
圖530數據戰略的目標231
圖531數據戰略的側重點231
圖532數據戰略的范疇231
圖533數據管理與數據治理的區別233
圖534IBM提出的企業數據管理的范疇233
圖535數據治理的PDCA模型234
圖536DGI數據治理框架235
圖537P2DR模型237
圖538從歐洲大陸的空戰中返回的轟炸機238
圖61KMeans算法的基本步驟267
圖62奧巴馬2012年總統競選芝加哥總部287
圖63George Clooney288
圖64Sarah Jessica Parker288
圖65奧巴馬及“快速捐贈計劃”290
圖66奧巴馬通過Reddit與選民互動291
圖672012年美國總統競選財務數據官方網站292
圖A1女性體重與身高的線性回歸分析314
圖A2工資數據的可視化327
圖A3起飛延誤時間339
圖A4到達延誤時間339
圖A5捐助人職業、黨派及捐助額度分析352
圖A6分箱處理后的捐款數據可視化353
圖A7捐款日期與金額的可視化354
圖A8捐款月份與金額變化分析355
圖A9投票結果的可視化357
表目錄
表11結構化數據、非結構化數據與半結構化數據的區別與聯系5
表12某數據科學家的畫像(Profile)37
表21參數估計與假設檢驗的主要區別53
表22統計學與機器學習的術語對照表57
表23機器學習的相關學科61
表24已知6部電影的類型及其中出現的接吻次數和打斗次數64
表25已知電影與未知電影的距離64
表26分析學習和歸納學習的比較70
表27Anscombe的四組數據(Anscombes Quartet)76
表31測試數據A86
表32測試數據B86
表33測試數據C86
表34Pew論壇部分人員信仰與收入數據統計(規整化處理之前)87
表35Pew論壇部分人員信仰與收入數據統計(規整化處理之后)87
表36探索性統計中常用的集中趨勢統計量89
表37探索性統計中常用的離散程度統計量89
表38探索性統計中常用的數據分布統計量89
表39常見的數據變換策略97
表310十進制第一數字的使用概率103
表311數據分析中常見錯誤109
表312數據類型及所支持的操作類型118
表313數據類型與視覺通道的對應關系118
表314數據故事化描述應遵循的基本原則128
表315數據科學項目中的主要角色及其任務130
表41Transformation常用函數166
表42Action常用函數166
表43RDD的存儲級別167
表44Spark數據類型和R數據類型之間的映射關系170
表45較有代表性的云數據庫產品174
表46NoSQL數據庫中常用的數據模型175
表47R與Python對比186
表48云計算的基本類型189
表49排名前10位數據科學產品的使用率及變化情況/%194
表51數據轉換與數據加工的區別202
表52Google公司的十大產品與服務202
表53數據管理成熟度模型的過程域分類226
表54信息系統安全等級及保護基本要求237
表55腎結石治療數據分析——兩種治療方案的分別統計240
表56兩種治療方案的匯總統計240
表61數據集women248
表62Protein數據集266
表63工資信息274
表64各字段的名稱及含義292
表A1Spark版本差異性331
表A2Spark與R的數據類型對比332
表A3SparkR與sparklyr比較340
書摘/試閱
第5章數據產品及開發
如何開始學習
【學習目的】
【掌握】 數據產品的類型、主要特征及開發方法。
【理解】 數據能力的評估方法、數據治理的主要內容、數據柔術的基本思想。
【了解】 數據戰略的制定要求。
【學習重點】
數據產品的開發方法。
數據能力的評估方法。
數據治理的主要內容。
數據柔術的基本思想。
【學習難點】
數據產品的設計。
數據柔術的基本思想。
DMM模型的應用。
【學習問答】
序號我 的 提 問本章中的答案
1數據產品是什麼?與傳統產品之間的區別是什麼?定義(5.1節)、主要特征(5.2節)
2如何開發數據產品?關鍵活動(5.3節)、數據柔術(5.4節)、數據能力(5.5節)、數據戰略(5.6節)、數據治理(5.7節)
3數據產品開發需要具備哪些基本功?數據柔術(5.4節)、數據能力評估(5.5節)、數據戰略制定(5.6節)、數據治理(5.7節)
4數據管理與數據治理的區別是什麼?數據治理與數據管理的區別(5.7節)
5數據柔術是什麼?如何掌握數據柔術?數據柔術(5.4節)
6如何評估一個組織機構的數據管理能力?數據能力(5.5節)
7如何制定一個組織機構的大數據戰略?數據戰略(5.6節)
數據產品開發是數據科學的重要研究任務之一,也是數據科學區別于其他科學的重要研究任務。與傳統產品開發不同的是,數據產品開發具有以數據為中心、多樣性、層次性和增值性等特征。數據產品開發是數據科學的主要抓手,也是傳統產品的下一輪創新和更新換代的關鍵所在。
數據產品開發案例1——Metromile項目及保險產品的創新
Metromile是2011年在美國舊金山成立的一家汽車保險機構。在傳統汽車保險中,無論您行車多或少,所繳的汽車保費是固定不變的,這對于那些行車少的人明顯不夠公平。
根據Metromile提供的數據,65%的車主支付了過高的保費以補貼少數行車最多的人。Metromile提供的是按里程收費的汽車保險,以改變傳統的固定收費模式,讓行車少的人支付更少的保費,實現里程維度上的個性化定價。
Metromile提供的車險由基礎費用和按里程變動費用兩部分組成,其計算公式為: 每月保費總額=每月基礎保費 每月行車里程×單位里程保費。其中,每月基礎保費和單位里程保費會根據不同車主的情況有所不同(例如年齡、車型、駕車歷史等),每月基礎保費一般為15~40美元,按里程計費的部分一般是2~6美分/英里(1英里=1.609344千米)。Metromile還設置了保費上限,當日里程數超過150英里(華盛頓地區是250英里)時,超過的部分不需要再多繳保費。
之所以能夠實現按里程計算保費,源于物聯網等信息技術的應用。車主需要安裝一個由Metromile免費提供的OBD設備——Metromile Pulse,以計算每次出行的里程數。配合手機APP,Metromile還能為車主提供更多的智能服務,例如最優的導航線路、查看
油耗情況、檢測汽車健康狀況、汽車定位、一鍵尋找附近修車公司、貼條警示等服務,並且每月會通過短信或者郵件對車主的相關數據進行總結曉保.Metromile: 更公平的車險[J].金融經濟,2018(17).。
數據產品開發案例2——Amazon專利及電商產品的創新
在您購買之前,電商已經知道您近期會買什麼並把貨物送到你家附近?本文為您解讀亞馬遜的一項重要發明——Amazons Anticipatory Shipping(預期送貨),具有很強的開創性,是數據科學領域的經典實踐之一。
主題書展
更多書展本週66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。
特別提醒:部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。
無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約45個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。
為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。