书名：数据科学入门 *2版  
定价：109.0  
ISBN：9787115552761  
作者：乔尔·格鲁斯  
版次：第1版  
出版时间：2021-01  

内容提要：  
本书基于Python语言环境，从零开始讲解数据科学工作，讲述数据科学工作所需的技能与诀窍，并带领读者熟悉数据科学的核心知识：数学与统计学。作者借助大量具有现实意义的实例详细展示了什么是数据科学，介绍了从事数据科学工作需要用到的库，如NumPy、scikit-learn、pandas等，还在每章末尾推荐了很多学习资源，帮助你进一步巩固本书所学。新版基于Python 3.6，重写了所有示例和代码，并根据数据科学近几年的发展，新增了关于深度学习、统计学和自然语言处理等主题，让图书内容与时俱进。  



作者简介：  
乔尔·格鲁斯（Joel Grus） Capital Group公司的&席机器学习工程师，担任过艾伦研究所的人工智能研发工程师以及谷歌公司的软件工程师，还曾在多家创业公司担任数据科学家。 【译者简介】 岳冰 美国西北大学数学硕士，知乎专栏“X-Lab”编辑，参与编撰了《知识图谱标准化白皮书（2019版）》。深耕图神经网络、推荐算法、复杂关系网络风险挖掘、机器学习等领域。运用人工智能算法与工具，长期支持有关部门用高精尖技术手段打击违法犯罪。 高蓉 讲师，任教于杭州电子科技大学经济学院金融系。博士和硕士毕业于南开大学经济学院金融系，本科毕业于南开大学数学学院计算数学专业。研究领域包括数据科学应用、资产定价、金融工程、计量经济应用等。 韩波 自由译者、撰稿人，从事信息技术工作二十余年，主要兴趣领域为机器学习、Python等。曾为多家信息技术媒体撰稿，另译有《Python数据分析》。  

目录：  
第 2版前言　xiii  
第　1版前言 xvii  
第　1章 导论　1  
1.1　数据的崛起　1  
1.2　什么是数据科学　1  
1.3　激励假设：DataSciencester　2  
1.3.1　寻找关键联系人　3  
1.3.2　你可能知道的数据科学家　5  
1.3.3　工资和工作年限　8  
1.3.4　付费账户　10  
1.3.5　感兴趣的主题　10  
1.3.6　展望　12  
第　2章 Python速成　13  
2.1　Python之禅　13  
2.2　获取Python　14  
2.3　虚拟环境　14  
2.4　空白格式　15  
2.5　模块　16  
2.6　函数　17  
2.7　字符串　18  
2.8　异常　19  
2.9　列表　19  
2.10　元组　21  
2.11　字典　22  
2.12　计数器　24  
2.13　集　24  
2.14　控制流　25  
2.15　真和假　26  
2.16　排序　27  
2.17　列表解析　27  
2.18　自动化测试和断言　28  
2.19　面向对象编程　29  
2.20　迭代器和生成器　31  
2.21　随机性 ..32  
2.22　正则表达式　33  
2.23　函数式编程　34  
2.24　压缩和参数拆分　34  
2.25　args和kwargs　35  
2.26　类型注释　36  
2.27　欢迎来到DataSciencester　39  
2.28　进一步探索　39  
第3章　数据可视化　40  
3.1　matplotlib　40  
3.2　条形图　42  
3.3　线图　45  
3.4　散点图　46  
3.5　延伸学习　48  
第4章　线性代数　49  
4.1　向量　49  
4.2　矩阵　53  
4.3　延伸学习　56  
第5章　统计学　57  
5.1　描述单个数据集　57  
5.1.1　中心倾向　59  
5.1.2　离散度　61  
5.2　相关　62  
5.3　辛普森悖论　64  
5.4　相关系数的其他注意事项　65  
5.5　相关与因果　66  
5.6　延伸学习　66  
第6章　概率　68  
6.1　依赖和独立　68  
6.2　条件概率　69  
6.3　贝叶斯定理　71  
6.4　随机变量　72  
6.5　连续分布　72  
6.6　正态分布　73  
6.7　中心极限定理　76  
6.8　延伸学习　78  
第7章　假设和推论　79  
7.1　统计假设检验　79  
7.2　实例：掷硬币　79  
7.3　p值　82  
7.4　置信区间　84  
7.5　p-Hacking　84  
7.6　实例：运行A/B 测试　85  
7.7　贝叶斯推断　86  
7.8　延伸学习　89  
第8章　梯度下降　90  
8.1　梯度下降的思想　90  
8.2　估算梯度　91  
8.3　使用梯度　94  
8.4　选择正确步长　94  
8.5　使用梯度下降拟合模型　95  
8.6　小批次梯度下降和随机梯度下降　96  
8.7　延伸学习　98  
第9章　获取数据　99  
9.1　stdin和stdout　99  
9.2　读取文件　101  
9.2.1　文本文件的基础　101  
9.2.2　限制的文件　102  
9.3　网络抓取　104  
9.4　使用API　106  
9.4.1　JSON和XML　106  
9.4.2　使用无验证的API　107  
9.4.3　寻找API　108  
9.5　实例：使用Twitter API　109  
9.6　延伸学习　112  
第　10章 数据工作　113  
10.1　探索数据　113  
10.1.1　探索一维数据　113  
10.1.2　两个维度　115  
10.1.3　多维数据　116  
10.2　使用NamedTuple　18  
10.3　数据类　119  
10.4　清洗和修改　120  
10.5　数据处理　122  
10.6　数据调整　25  
10.7　题外话：tqdm　126  
10.8　降维　127  
10.9　延伸学习　133  
第　11章 机器学习　134  
11.1　建模　134  
11.2　什么是机器学习　135  
11.3　过拟合与欠拟合　135  
11.4　正确性　138  
11.5　偏差–方差权衡　140  
11.6　特征提取与选择　141  
11.7　延伸学习　142  
第　12章 k*近邻法　143  
12.1　模型　143  
12.2　实例：鸢尾花数据集　145  
12.3　维数灾难　148  
12.4　进一步探索　152  
第　13章 朴素贝叶斯算法　153  
13.1　一个简易的垃圾邮件过滤器　153  
13.2　一个复杂的垃圾邮件过滤器　154  
13.3　算法实现　155  
13.4　测试模型　157  
13.5　使用模型　158  
13.6　延伸学习　161  
第　14章 简单线性回归　162  
14.1　模型　162  
14.2　使用梯度下降法　165  
14.3　*大似然估计　166  
14.4　延伸学习　166  
第　15章 多元回归　167  
15.1　模型　167  
15.2　*小二乘模型的进一步假设　168  
15.3　拟合模型　169  
15.4　解释模型　171  
15.5　拟合优度　171  
15.6　题外话：Bootstrap　172  
15.7　回归系数的标准误差　173  
15.8　正则化　175  
15.9　延伸学习　177  
第　16章 逻辑回归　178  
16.1　问题　178  
16.2　logistic函数　180  
16.3　应用模型　183  
16.4　拟合优度　184  
16.5　支持向量机　185  
16.6　延伸学习　188  
第　17章 决策树　89  
17.1　什么是决策树　189  
17.2　熵　191  
17.3　分割的熵　193  
17.4　创建决策树　194  
17.5　综合运用　196  
17.6　随机森林　199  
17.7　延伸学习　199  
第　18章 神经网络　200  
18.1　感知器　200  
18.2　前馈神经网络　202  
18.3　反向传播　205  
18.4　实例：Fizz Buzz　207  
18.5　延伸学习　210  
第　19章 深度学习　211  
19.1　张量　211  
19.2　层抽象　213  
19.3　线性层　215  
19.4　把神经网络作为层序列　218  
19.5　损失函数与优化器　219  
19.6　实例：重新设计异或网络　221  
19.7　其他激活函数　222  
19.8　实例：重新解决Fizz Buzz问题　223  
19.9　softmax函数和交叉熵　224  
19.10　丢弃　227  
19.11　实例：MNIST　227  
19.12　保存和加载模型　231  
19.13　延伸学习　232  
第　20章 聚类分析　233  
20.1　原理　233  
20.2　模型　234  
20.3　实例：聚会　236  
20.4　选择聚类数目k　238  
20.5　实例：色彩聚类　239  
20.6　自下而上的分层聚类　241  
20.7　延伸学习　246  
第　21章 自然语言处理　247  
21.1　词云　247  
21.2　n-gram 语言模型　249  
21.3　语法　252  
21.4　题外话：吉布斯采样　254  
21.5　主题建模　255  
21.6　词向量　260  
21.7　递归神经网络　268  
21.8　实例：使用字符级RNN　271  
21.9　延伸学习　274  
第　22章 网络分析　275  
22.1　中介中心性　275  
22.2　特征向量中心性　280  
22.2.1　矩阵乘法　280  
22.2.2　中心性　282  
22.3　有向图与PageRank　283  
22.4　延伸学习　286  
第　23章 推荐系统　287  
23.1　人工管理　288  
23.2　推荐流行事务　288  
23.3　基于用户的协同过滤　289  
23.4　基于项目的协同过滤　292  
23.5　矩阵分解　294  
23.6　延伸学习　298  
第　24章 数据库与SQL　299  
24.1　CREATE TABLE与INSERT　299  
24.2　UPDATE　302  
24.3　DELETE　303  
24.4　SELECT　304  
24.5　GROUP BY　306  
24.6　ORDER BY　308  
24.7　JOIN　309  
24.8　子查询　311  
24.9　索引　312  
24.10　查询优化　312  
24.11　NoSQL　313  
24.12　延伸学习　313  
第　25章 MapReduce　314  
25.1　实例：单词计数　315  
25.2　为什么是MapReduce　316  
25.3　更一般化的MapReduce　317  
25.4　实例：状态分析更新　318  
25.5　实例：矩阵乘法　320  
25.6　题外话：组合器　321  
25.7　延伸学习　322  
第　26章 数据伦理　323  
26.1　什么是数据伦理　323  
26.2　讲真的，什么是数据伦理　324  
26.3　是否应该关注数据伦理　324  
26.4　建立不良数据产品　325  
26.5　*确与公平之间的较量　325  
26.6　合作　327  
26.7　可解释性　327  
26.8　推荐　327  
26.9　异常数据　328  
26.10　数据保护　329  
26.11　小结　329  
26.12　延伸学习　329  
第　27章 数据科学前瞻　330  
27.1　IPython　330  
27.2　数学　331  
27.3　不从零开始　331  
27.3.1　NumPy　331  
27.3.2　pandas　331  
27.3.3　scikit-learn　331  
27.3.4　可视化　332  
27.3.5　R　332  
27.3.6　深度学习　332  
27.4　寻找数据　333  
27.5　从事数据科学工作　333  
27.5.1　Hacker News　333  
27.5.2　消防车　333  
27.5.3　T恤　334  
27.5.4　地球仪上的推文　334  
27.5.5　你的发现　335  
关于作者　336  
关于封面　336