目录

●第1章 数据科学概述 1
1.1 数据科学的定义、发展与知识体系 1
1.1.1 数据科学的定义 1
1.1.2 数据科学的发展 2
1.1.3 数据科学的知识体系 3
1.2 从数据到决策 6
1.2.1 DIKW模型架构 6
1.2.2 DIKW模型在数据科学中的应用 7
1.3 数据科学的生命周期 8
1.3.1 明确研究问题 9
1.3.2 数据收集 10
1.3.3 数据预处理 10
1.3.4 数据挖掘与分析 12
1.3.5 数据可视化 12
本章小结 14
思考题 14
第2章 数据科学的应用 15
2.1 智慧城市 15
2.2 电子商务 18
2.3 安全与欺诈检测 20
2.4 健康医疗 22
2.5 语音识别 25
本章小结 27
思考题 27
第3章 数据收集 28
3.1 数据分类与收集方法 28
3.1.1 定性与定量数据 28
3.1.2 数据收集方法 29
3.2 规划数据收集流程 31
3.2.1 操作化 32
3.2.2 抽样 33
3.2.3 制订数据管理计划 38
3.3 抽样偏差 39
3.3.1 偏差原因 40
3.3.2 偏差类型 44
3.3.3 解决方案 45
本章小结 46
思考题 46
第4章 数据预处理 47
4.1 数据清洗 47
4.1.1 缺失值处理 47
4.1.2 离群点处理 49
4.1.3 噪声处理 50
4.2 数据集成 51
4.3 数据转换 51
4.3.1 采样处理 52
4.3.2 类型转换 53
4.3.3 数据处理 54
4.4 数据描述 57
4.5 数据特征抽取 58
4.5.1 主成分分析 58
4.5.2 线性判别分析 61
4.6 数据归约 62
4.6.1 数据方聚集 62
4.6.2 维归约 63
4.6.3 数据压缩 64
4.6.4 数值归约 65
本章小结 67
思考题 67
第5章 机器学习基础 68
5.1 模型评估 68
5.1.1 交叉验证 68
5.1.2 查准率与召回率 70
5.1.3 偏差与方差 71
5.2 监督学习 73
5.2.1 线性回归 73
5.2.2 支持向量机 74
5.2.3 决策树 76
5.2.4 贝叶斯学习 76
5.3 无监督学习 77
……