商品详情
书名：数据分析思维通识课 带你看透数据真相
定价：89.8
ISBN：9787115655110
作者：郭炜 周瑶
版次：第1版
出版时间：2025-01
内容提要：
数据分析的智慧其实*潜藏在我们的日常生活与职业生涯中，它无处不在。设想当你 审视报告中的数字时，是否洞悉了那些数字背后隐藏的故事？它们的增长或减少，又向我们透露了怎样的信息？购房选址的策略，购车时机的选择，这些看似寻常的决策，实则*能在数据的指引下变得更为明智。本书巧妙地从纠正基本的数据认知误区启程，逐步深入*统计学的奥秘、人工智能的前沿，并巧妙融合数据叙事与思维工具的运用，旨在将抽象的数据理论转化为生活中触手可及、工作中行之有效的智慧宝典，让“冷冰冰”的数据知识跃然成为解决实际问题的“金钥匙”。 本书面向的读者群广泛，它适合具有数据分析需求的技术高管、*数据官、数据分析师、产品经理，以及软件研发人员和运营人员阅读，同时也适合作为高等院校相关课程 的参考书，可为学生提供一扇深入了解数据分析世界的窗，助力他们在未来的职业道路上稳健前行。
作者简介：
郭炜，毕业于北京大学，白鲸开源CEO，Apache软件基金会成员，曾担任IBM和Teradata*数据架构师、联想研究院大数据总监、万达电商数据部总经理、易观CTO。他坚信“数据是有灵魂的”，并以此为座右铭，投身大数据、算法、大模型、数据分析行业20余年。他是DataOps数据分析领域*，推动了ClickHouse、Apache DolphinScheduler、Apache SeaTunnel等大数据开源项目在中国的发展，连续多年担任ApacheCon Asia DataOps论坛主席，频繁亮相国际数据技术峰会。他荣获2024中国互联网发展创新与投资大赛一等奖、2023大数据产业年度趋势人物奖、虎啸中国数字营销十年杰出数字技术人物奖、2021中国开源*人物等奖项，为中国数据领域的发展做出了*贡献。
目录：
目录
第０章 数据思维 ——— 001
0.1｜数据洞察万物规律 ——— 002
0.2｜数据背后的规律是算法 ——— 003
0.3｜对数据*重要的是分析和表达 ——— 004
小结 ——— 005
思考 ——— 005
第１章 了解数据背后的真相 ——— 006
1.1｜平均值：不要被平均值骗了，它不能
代表整体水平 ——— 007
1.1.1 平均值在什么情况下才有价值 ——— 007
1.1.2 分组结论和整体平均值不是
一回事 ——— 009
1.1.3 辛普森悖论的启示 ——— 010
小结 ——— 012
思考 ——— 012
1.2｜大数定律与小数陷阱：生活是随机的
还是有定数的 ——— 013
1.2.1 什么是大数定律 ——— 013
1.2.2 什么是小数陷阱 ——— 015
1.2.3 大数定律和小数陷阱给我们的
启示 ——— 016
小结 ——— 017
思考 ——— 018
1.3｜数据的期望值：为什么你坐的飞机总是
晚点 ——— 018
1.3.1 墨菲的一个玩笑 ——— 018
1.3.2 背后的数学原理 ——— 019
1.3.3 解释墨菲定律. ——— 020
1.3.4 如何规避墨菲定律 ——— 022
小结 ——— 023
思考 ——— 023
1.4｜随机对照试验：章鱼保罗真的是
“预言帝”吗 ——— 024
1.4.1 你认为的随机其实*是“伪随机” ——— 024
1.4.2 随机对照试验帮助你去伪存真 ——— 025
1.4.3 幸存者偏差并不是随机对照试验 ——— 027
小结 ——— 029
思考 ——— 030
1.5｜指数和KPI：智商是怎么计算出来的 ——— 030
1.5.1 简单的指数：上证指数 ——— 031
1.5.2 较复杂的指数：用户忠诚度指数 ——— 032
1.5.3 复杂的指数：智商 ——— 033
小结 ——— 036
思考 ——— 036
1.6｜因果陷阱：星座真的可以判定你的
性格吗 ——— 037
1.6.1 因果倒置——鸡叫导致天明 ——— 037
1.6.2 相关性而非因果关系——吸烟真的
致癌吗 ——— 038
1.6.3 遗漏X变量——找到背后真实
原因 ——— 040
1.6.4 以偏概全——伯克森悖论 ——— 041
1.6.5 控制数据范围——神枪手谬误 ——— 042
1.6.6 时间长度不足——替代终点问题 ——— 043
小结 ——— 043
思考 ——— 044
第２章 从数据中快速发现规律 ——— 045
2.1｜直方图与幂律分布：为什么*1%的人
掌握着50%的财富 ——— 046
2.1.1 直方图与柱状图 ——— 047
2.1.2 神奇的直方图 ——— 048
2.1.3 幂律分布与帕累托法则 ——— 050
小结 ——— 053
思考 ——— 053
2.2｜数据分布：房子应该买贵的还是
买便宜的 ——— 054
2.2.1 正态分布 ——— 054
2.2.2 拉普拉斯分布 ——— 057
小结 ——— 059
思考 ——— 060
2.3｜散点图和相关性：如何从大量事实中
快速发现规律 ——— 060
2.3.1 散点图的历史 ——— 060
2.3.2 散点图的制作原则 ——— 061
2.3.3 通过散点图寻找规律 ——— 063
2.3.4 散点图的易错点 ——— 065
小结 ——— 068
思考 ——— 069
2.4｜标准差：“靠不靠谱”其实看标准差 ——— 069
2.4.1 标准差 ——— 070
2.4.2 标准差的具体使用 ——— 071
2.4.3 标准误差 ——— 073
2.4.4 标准误差的具体使用 ——— 073
小结 ——— 075
思考 ——— 076
2.5｜数据抽样：大数据来了还需要抽样吗 ——— 076
2.5.1 小数据抽样 ——— 076
2.5.2 大数据时代是否还要抽样 ——— 079
2.5.3 大数据环境下的抽样算法 ——— 080
小结 ——— 082
思考 ——— 083
2.6｜卡方检验和P值：不吃晚餐可不可以
* ——— 083
2.6.1 什么是卡方检验 ——— 084
2.6.2 如何进行卡方检验 ——— 084
2.6.3 *常见的卡方检验套路 ——— 086
2.6.4 卡方检验不适用的场景 ——— 088
小结 ——— 089
2.7｜*率与置信区间：两种预测，究竟应该相信
哪一个 ——— 089
2.7.1 *率、*率和召回率 ——— 090
2.7.2 置信区间 ——— 092
2.7.3 取舍的艺术 ——— 093
小结 ——— 094
思考 ——— 094
第３章 深入浅出大数据算法 ——— 095
3.1｜趋势分析与回归：怎样才能培育出天才的
下一代 ——— 096
3.1.1 回归的种类与使用 ——— 096
3.1.2 均值回归 ——— 100
小结 ——— 102
思考 ——— 103
3.2｜初识聚类算法：物以类聚，让复杂事物
简单化 ——— 103
3.2.1 聚类问题与场景 ——— 104
3.2.2 聚类算法初探 ——— 105
3.2.3 应用场景的展望 ——— 107
小结 ——— 109
思考 ——— 109
3.3｜初识分类算法：分而治之，不断进化 ——— 110
3.3.1 分类算法的定义与使用场景 ——— 110
3.3.2 分类算法初探 ——— 111
3.3.3 应用场景的展望 ——— 114
小结 ——— 116
思考 ——— 117
3.4｜关联规则：为什么啤酒和尿布要放在
一起卖 ——— 117
3.4.1 关联规则的定义和使用场景 ——— 117
3.4.2 关联规则算法初探 ——— 118
3.4.3 应用场景的展望 ——— 121
小结 ——— 123
思考 ——— 124
3.5｜蒙特卡洛算法与拉斯维加斯算法：有*间内
如何获得*解 ——— 124
3.5.1 算法定义和使用场景 ——— 124
3.5.2 蒙特卡洛算法与拉斯维加斯算法
举例 ——— 126
3.5.3 应用场景的展望 ——— 129
小结 ——— 130
思考 ——— 131
3.6｜马尔可夫链：你的未来只取决于你当下
做了什么 ——— 131
3.6.1 算法定义与使用场景 ——— 131
3.6.2 马尔可夫链举例 ——— 132
3.6.3 应用场景的展望 ——— 135
小结 ——— 136
思考 ——— 137
3.7｜协同过滤：你看到的短视频*是集体智慧的
结晶 ——— 137
3.7.1 算法定义与使用场景 ——— 137
3.7.2 协同过滤算法初探 ——— 139
3.7.3 协同过滤算法的应用与缺陷 ——— 143
小结 ——— 145
思考 ——— 146
3.8｜人工智能算法初探：阿尔法狗是怎样的
一只“狗” ——— 146
3.8.1 人工智能算法历史与深度学习
算法 ——— 146
3.8.2 CNN和RNN ——— 149
3.8.3 深度学习算法使用举例——
AlphaGo ——— 151
3.8.4 深度学习算法*案例与未来 ——— 153
小结 ——— 155
思考 ——— 155
第４章 有效地用数据说话 ——— 156
4.1｜确定问题：与利益无关的问题*不值得做
数据分析 ——— 157
4.1.1 如何确保数据分析有价值 ——— 157
4.1.2 具体场景 ——— 160
小结 ——— 163
思考 ——— 164
4.2｜采集数据：用好一手数据和二手数据 ——— 164
4.2.1 一手数据和二手数据 ——— 164
4.2.2 数据探索 ——— 166
4.2.3 具体示例 ——— 168
小结 ——— 171
思考 ——— 171
4.3｜写好故事线：你能利用数字推翻众人的
理解吗 ——— 172
4.3.1 回顾之前的发现 ——— 172
4.3.2 设计故事线 ——— 174
4.3.3 一图解千愁 ——— 177
小结 ——— 178
思考 ——— 179
4.4｜实践你的理论：数据驱动*终*是用结果
说话 ——— 179
4.4.1 何为精益的方法 ——— 180
4.4.2 创新扩散模型 ——— 180
4.4.3 实战练习 ——— 183
小结 ——— 185
思考 ——— 186
4.5｜数据分析：15种数据思维图（上） ——— 186
4.5.1 VRIO分析 ——— 186
4.5.2 五力分析 ——— 188
4.5.3 SWOT分析 ——— 189
4.5.4 同理心地图 ——— 190
4.5.5 4P竞争分析 ——— 191
4.5.6 奥斯本检验表 ——— 192
4.5.7 SUCCESs ——— 193
4.5.8 产品组合矩阵 ——— 194
小结 ——— 195
思考 ——— 196
4.6｜数据分析：15种数据思维图（下） ——— 196
4.6.1 商业模式画布 ——— 196
4.6.2 AIDMA ——— 197
4.6.3 AARRR ——— 198
4.6.4 SMART ——— 199
4.6.5 PDCA ——— 200
4.6.6 RACI ——— 201
4.6.7 Will, Can, Must ——— 202
小结 ——— 203
思考 ——— 203
第５章 如何利用大模型进行数据分析 ——— 204
5.1｜大模型的威力 ——— 205
5.1.1 什么是大模型 ——— 205
5.1.2 大模型能帮我们做什么 ——— 206
小结 ——— 212
思考 ——— 212
5.2｜使用大模型做数据分析 ——— 212
5.2.1 如何让大模型的回答更专业和
有效 ——— 212
5.2.2 如何使用大模型探查分析数据 ——— 215
小结 ——— 228
思考 ——— 228
5.3｜利用大模型生成专业的数据分析报告 ——— 228
5.3.1 确定问题 ——— 229
5.3.2 辅助数据探索 ——— 234
5.3.3 辅助总结讨论 ——— 235
小结 ——— 239
思考 ——— 239
5.4｜数据分析工具展望 ——— 240
5.4.1 数据存储与分析引擎——
ClickHouse ——— 240
5.4.2 数据同步工具——
Apache SeaTunnel ——— 243
5.4.3 数据处理与调度平台——
Apache DolphinScheduler ——— 244
5.4.4 数据展示工具——
Apache.ECharts ——— 246
小结 ——— 247
思考 ——— 248
附录Ａ A/B测试需要多少个样本才有效果 ——— 249
附录Ｂ 哈勃定律 ——— 251
附录C 标准差和标准误差公式 ——— 252
附录Ｄ 蓄水池算法明细 ——— 253
附录Ｅ 置信区间的计算过程 ——— 254
附录Ｆ 用多边形推导圆周率 ——— 255
附录Ｇ 文科生也可以看懂的AlphaGo算法 ——— 256
附录Ｈ 数据分析行业个人职业发展方向 ——— 261
附录Ｉ 常用的一些网站和信息渠道 ——— 262
后记 ——— 264
定价：89.8
ISBN：9787115655110
作者：郭炜 周瑶
版次：第1版
出版时间：2025-01
内容提要：
数据分析的智慧其实*潜藏在我们的日常生活与职业生涯中，它无处不在。设想当你 审视报告中的数字时，是否洞悉了那些数字背后隐藏的故事？它们的增长或减少，又向我们透露了怎样的信息？购房选址的策略，购车时机的选择，这些看似寻常的决策，实则*能在数据的指引下变得更为明智。本书巧妙地从纠正基本的数据认知误区启程，逐步深入*统计学的奥秘、人工智能的前沿，并巧妙融合数据叙事与思维工具的运用，旨在将抽象的数据理论转化为生活中触手可及、工作中行之有效的智慧宝典，让“冷冰冰”的数据知识跃然成为解决实际问题的“金钥匙”。 本书面向的读者群广泛，它适合具有数据分析需求的技术高管、*数据官、数据分析师、产品经理，以及软件研发人员和运营人员阅读，同时也适合作为高等院校相关课程 的参考书，可为学生提供一扇深入了解数据分析世界的窗，助力他们在未来的职业道路上稳健前行。
作者简介：
郭炜，毕业于北京大学，白鲸开源CEO，Apache软件基金会成员，曾担任IBM和Teradata*数据架构师、联想研究院大数据总监、万达电商数据部总经理、易观CTO。他坚信“数据是有灵魂的”，并以此为座右铭，投身大数据、算法、大模型、数据分析行业20余年。他是DataOps数据分析领域*，推动了ClickHouse、Apache DolphinScheduler、Apache SeaTunnel等大数据开源项目在中国的发展，连续多年担任ApacheCon Asia DataOps论坛主席，频繁亮相国际数据技术峰会。他荣获2024中国互联网发展创新与投资大赛一等奖、2023大数据产业年度趋势人物奖、虎啸中国数字营销十年杰出数字技术人物奖、2021中国开源*人物等奖项，为中国数据领域的发展做出了*贡献。
目录：
目录
第０章 数据思维 ——— 001
0.1｜数据洞察万物规律 ——— 002
0.2｜数据背后的规律是算法 ——— 003
0.3｜对数据*重要的是分析和表达 ——— 004
小结 ——— 005
思考 ——— 005
第１章 了解数据背后的真相 ——— 006
1.1｜平均值：不要被平均值骗了，它不能
代表整体水平 ——— 007
1.1.1 平均值在什么情况下才有价值 ——— 007
1.1.2 分组结论和整体平均值不是
一回事 ——— 009
1.1.3 辛普森悖论的启示 ——— 010
小结 ——— 012
思考 ——— 012
1.2｜大数定律与小数陷阱：生活是随机的
还是有定数的 ——— 013
1.2.1 什么是大数定律 ——— 013
1.2.2 什么是小数陷阱 ——— 015
1.2.3 大数定律和小数陷阱给我们的
启示 ——— 016
小结 ——— 017
思考 ——— 018
1.3｜数据的期望值：为什么你坐的飞机总是
晚点 ——— 018
1.3.1 墨菲的一个玩笑 ——— 018
1.3.2 背后的数学原理 ——— 019
1.3.3 解释墨菲定律. ——— 020
1.3.4 如何规避墨菲定律 ——— 022
小结 ——— 023
思考 ——— 023
1.4｜随机对照试验：章鱼保罗真的是
“预言帝”吗 ——— 024
1.4.1 你认为的随机其实*是“伪随机” ——— 024
1.4.2 随机对照试验帮助你去伪存真 ——— 025
1.4.3 幸存者偏差并不是随机对照试验 ——— 027
小结 ——— 029
思考 ——— 030
1.5｜指数和KPI：智商是怎么计算出来的 ——— 030
1.5.1 简单的指数：上证指数 ——— 031
1.5.2 较复杂的指数：用户忠诚度指数 ——— 032
1.5.3 复杂的指数：智商 ——— 033
小结 ——— 036
思考 ——— 036
1.6｜因果陷阱：星座真的可以判定你的
性格吗 ——— 037
1.6.1 因果倒置——鸡叫导致天明 ——— 037
1.6.2 相关性而非因果关系——吸烟真的
致癌吗 ——— 038
1.6.3 遗漏X变量——找到背后真实
原因 ——— 040
1.6.4 以偏概全——伯克森悖论 ——— 041
1.6.5 控制数据范围——神枪手谬误 ——— 042
1.6.6 时间长度不足——替代终点问题 ——— 043
小结 ——— 043
思考 ——— 044
第２章 从数据中快速发现规律 ——— 045
2.1｜直方图与幂律分布：为什么*1%的人
掌握着50%的财富 ——— 046
2.1.1 直方图与柱状图 ——— 047
2.1.2 神奇的直方图 ——— 048
2.1.3 幂律分布与帕累托法则 ——— 050
小结 ——— 053
思考 ——— 053
2.2｜数据分布：房子应该买贵的还是
买便宜的 ——— 054
2.2.1 正态分布 ——— 054
2.2.2 拉普拉斯分布 ——— 057
小结 ——— 059
思考 ——— 060
2.3｜散点图和相关性：如何从大量事实中
快速发现规律 ——— 060
2.3.1 散点图的历史 ——— 060
2.3.2 散点图的制作原则 ——— 061
2.3.3 通过散点图寻找规律 ——— 063
2.3.4 散点图的易错点 ——— 065
小结 ——— 068
思考 ——— 069
2.4｜标准差：“靠不靠谱”其实看标准差 ——— 069
2.4.1 标准差 ——— 070
2.4.2 标准差的具体使用 ——— 071
2.4.3 标准误差 ——— 073
2.4.4 标准误差的具体使用 ——— 073
小结 ——— 075
思考 ——— 076
2.5｜数据抽样：大数据来了还需要抽样吗 ——— 076
2.5.1 小数据抽样 ——— 076
2.5.2 大数据时代是否还要抽样 ——— 079
2.5.3 大数据环境下的抽样算法 ——— 080
小结 ——— 082
思考 ——— 083
2.6｜卡方检验和P值：不吃晚餐可不可以
* ——— 083
2.6.1 什么是卡方检验 ——— 084
2.6.2 如何进行卡方检验 ——— 084
2.6.3 *常见的卡方检验套路 ——— 086
2.6.4 卡方检验不适用的场景 ——— 088
小结 ——— 089
2.7｜*率与置信区间：两种预测，究竟应该相信
哪一个 ——— 089
2.7.1 *率、*率和召回率 ——— 090
2.7.2 置信区间 ——— 092
2.7.3 取舍的艺术 ——— 093
小结 ——— 094
思考 ——— 094
第３章 深入浅出大数据算法 ——— 095
3.1｜趋势分析与回归：怎样才能培育出天才的
下一代 ——— 096
3.1.1 回归的种类与使用 ——— 096
3.1.2 均值回归 ——— 100
小结 ——— 102
思考 ——— 103
3.2｜初识聚类算法：物以类聚，让复杂事物
简单化 ——— 103
3.2.1 聚类问题与场景 ——— 104
3.2.2 聚类算法初探 ——— 105
3.2.3 应用场景的展望 ——— 107
小结 ——— 109
思考 ——— 109
3.3｜初识分类算法：分而治之，不断进化 ——— 110
3.3.1 分类算法的定义与使用场景 ——— 110
3.3.2 分类算法初探 ——— 111
3.3.3 应用场景的展望 ——— 114
小结 ——— 116
思考 ——— 117
3.4｜关联规则：为什么啤酒和尿布要放在
一起卖 ——— 117
3.4.1 关联规则的定义和使用场景 ——— 117
3.4.2 关联规则算法初探 ——— 118
3.4.3 应用场景的展望 ——— 121
小结 ——— 123
思考 ——— 124
3.5｜蒙特卡洛算法与拉斯维加斯算法：有*间内
如何获得*解 ——— 124
3.5.1 算法定义和使用场景 ——— 124
3.5.2 蒙特卡洛算法与拉斯维加斯算法
举例 ——— 126
3.5.3 应用场景的展望 ——— 129
小结 ——— 130
思考 ——— 131
3.6｜马尔可夫链：你的未来只取决于你当下
做了什么 ——— 131
3.6.1 算法定义与使用场景 ——— 131
3.6.2 马尔可夫链举例 ——— 132
3.6.3 应用场景的展望 ——— 135
小结 ——— 136
思考 ——— 137
3.7｜协同过滤：你看到的短视频*是集体智慧的
结晶 ——— 137
3.7.1 算法定义与使用场景 ——— 137
3.7.2 协同过滤算法初探 ——— 139
3.7.3 协同过滤算法的应用与缺陷 ——— 143
小结 ——— 145
思考 ——— 146
3.8｜人工智能算法初探：阿尔法狗是怎样的
一只“狗” ——— 146
3.8.1 人工智能算法历史与深度学习
算法 ——— 146
3.8.2 CNN和RNN ——— 149
3.8.3 深度学习算法使用举例——
AlphaGo ——— 151
3.8.4 深度学习算法*案例与未来 ——— 153
小结 ——— 155
思考 ——— 155
第４章 有效地用数据说话 ——— 156
4.1｜确定问题：与利益无关的问题*不值得做
数据分析 ——— 157
4.1.1 如何确保数据分析有价值 ——— 157
4.1.2 具体场景 ——— 160
小结 ——— 163
思考 ——— 164
4.2｜采集数据：用好一手数据和二手数据 ——— 164
4.2.1 一手数据和二手数据 ——— 164
4.2.2 数据探索 ——— 166
4.2.3 具体示例 ——— 168
小结 ——— 171
思考 ——— 171
4.3｜写好故事线：你能利用数字推翻众人的
理解吗 ——— 172
4.3.1 回顾之前的发现 ——— 172
4.3.2 设计故事线 ——— 174
4.3.3 一图解千愁 ——— 177
小结 ——— 178
思考 ——— 179
4.4｜实践你的理论：数据驱动*终*是用结果
说话 ——— 179
4.4.1 何为精益的方法 ——— 180
4.4.2 创新扩散模型 ——— 180
4.4.3 实战练习 ——— 183
小结 ——— 185
思考 ——— 186
4.5｜数据分析：15种数据思维图（上） ——— 186
4.5.1 VRIO分析 ——— 186
4.5.2 五力分析 ——— 188
4.5.3 SWOT分析 ——— 189
4.5.4 同理心地图 ——— 190
4.5.5 4P竞争分析 ——— 191
4.5.6 奥斯本检验表 ——— 192
4.5.7 SUCCESs ——— 193
4.5.8 产品组合矩阵 ——— 194
小结 ——— 195
思考 ——— 196
4.6｜数据分析：15种数据思维图（下） ——— 196
4.6.1 商业模式画布 ——— 196
4.6.2 AIDMA ——— 197
4.6.3 AARRR ——— 198
4.6.4 SMART ——— 199
4.6.5 PDCA ——— 200
4.6.6 RACI ——— 201
4.6.7 Will, Can, Must ——— 202
小结 ——— 203
思考 ——— 203
第５章 如何利用大模型进行数据分析 ——— 204
5.1｜大模型的威力 ——— 205
5.1.1 什么是大模型 ——— 205
5.1.2 大模型能帮我们做什么 ——— 206
小结 ——— 212
思考 ——— 212
5.2｜使用大模型做数据分析 ——— 212
5.2.1 如何让大模型的回答更专业和
有效 ——— 212
5.2.2 如何使用大模型探查分析数据 ——— 215
小结 ——— 228
思考 ——— 228
5.3｜利用大模型生成专业的数据分析报告 ——— 228
5.3.1 确定问题 ——— 229
5.3.2 辅助数据探索 ——— 234
5.3.3 辅助总结讨论 ——— 235
小结 ——— 239
思考 ——— 239
5.4｜数据分析工具展望 ——— 240
5.4.1 数据存储与分析引擎——
ClickHouse ——— 240
5.4.2 数据同步工具——
Apache SeaTunnel ——— 243
5.4.3 数据处理与调度平台——
Apache DolphinScheduler ——— 244
5.4.4 数据展示工具——
Apache.ECharts ——— 246
小结 ——— 247
思考 ——— 248
附录Ａ A/B测试需要多少个样本才有效果 ——— 249
附录Ｂ 哈勃定律 ——— 251
附录C 标准差和标准误差公式 ——— 252
附录Ｄ 蓄水池算法明细 ——— 253
附录Ｅ 置信区间的计算过程 ——— 254
附录Ｆ 用多边形推导圆周率 ——— 255
附录Ｇ 文科生也可以看懂的AlphaGo算法 ——— 256
附录Ｈ 数据分析行业个人职业发展方向 ——— 261
附录Ｉ 常用的一些网站和信息渠道 ——— 262
后记 ——— 264
- 人民邮电出版社有限公司 （微信公众号认证）
- 人民邮电出版社微店，为您提供最全面，最专业的一站式购书服务
- 扫描二维码，访问我们的微信店铺
- 随时随地的购物、客服咨询、查询订单和物流...
