书籍介绍
数据科学是一门内涵很广的学科，它涉及到统计分析、机器学习以及计算机科学三方面的知识和技能。本书深入浅出、全面系统地介绍了这门学科的内容。
本书分为13章，最初的3章主要介绍数据科学想要解决的问题、常用的IT工具Python以及这门学科所涉及的数学基础。第4-7章主要讨论数据模型，主要包含三方面的内容：一是统计中最经典的线性回归和逻辑回归模型；二是计算机估算模型参数的随机梯度下降法，这是模型工程实现的基础；三是来自计量经济学的启示，主要涉及特征提取的方法以及模型的稳定性。接下来的8-10章主要讨论算法模型，也就是机器学习领域比较经典的模型。这三章依次讨论了监督式学习、生成式模型以及非监督式学习。目前数据科学最前沿的两个领域分别是大数据和人工智能。本书的第11章将介绍大数据中很重要的分布式机器学习，而本书的最后两章将讨论人工智能领域的神经网络和深度学习。
本书通俗易懂，而且理论和实践相结合，可作为数据科学家和数据工程师的学习用书，也适合对数学科学有强烈兴趣的初学者使用。同时也可作为高等院校计算机、数学及相关专业的师生用书和培训学校的教材。
目录
用户评论
很好，很有启发性，专业而又不乏味。
把知识点串了一遍，建议原理加图解例子，帮助理清思路还是挺好的
很少读中国人写的技术书，不过这本真的不错，出乎意料，非常喜欢。
很赞的一本书
功底深，能够深入浅出，不教条，例子有趣。
3.5🌟. 阿克琉斯之踵，这个比喻很赞。基础知识比较完整，对比机器学习和统计角度建模方法的不同点。如何检出多重共线问题，包括两变量和多变量，新的get。内生性和工具变量，新知识🆕。通过孟特霍尔问题Monty Hall problem引入贝叶斯理论，有意思👍。最大的缺点是，书中的公式太丑了，有些地方符号有些乱有些错误。
这是一本综述类型的书，受众是稍微有点基础的数据科学从业者。
值得注意的是，它不是一本指南或者百科全书，它只能告诉你你还有什么没学会，需要额外补习。
这本书涵盖的内容比较多，从很简单线性模型到后面的深度学习都有介绍，大部分内容都有数学相关及代码实例的演示，所以每部分的内容深度都一般，不过里面加入了一些作者对于模型的理解，还是有收获的。