面向决策者的数据科学

目录与试读

目录

章节与主要小节（依据 EPUB 导航整理）：
决策者数据科学
贡献者
关于作者
关于审阅者
前言
本书适用读者
本书内容概览
排版约定
联系我们
分享你的看法
下载本书的免费 PDF 副本
第一部分：理解数据科学及其基础
第 1 章：数据科学导论
数据科学、AI 和 ML – 有什么区别？
统计学与数据科学
描述性统计与推断性统计
概率
描述我们的样本
概率分布
摘要
第 2 章：表征与收集数据
评估数据集时应考虑哪些关键标准？
第一方、第二方和第三方数据
结构化、非结构化和半结构化数据
数据收集方法
数据存储与处理
云、本地和混合解决方案 – 驾驭数据存储与分析格局
数据处理
总结
第 3 章：探索性数据分析
开始使用 Google Colab
了解你拥有的数据
EDA 技术与工具
摘要
第 4 章：显著性的重要性
假设检验的理念
总体比例的显著性检验 – 对比例做出明智决策
总体平均值（均值）的显著性检验
解读案例研究
摘要
第 5 章：理解回归
理解回归能带来什么好处？
趋势线简介
将趋势线拟合到数据
估算最佳拟合线
计算最佳拟合线的方程
解释回归线的斜率
解释回归线的截距
理解残差
评估最小二乘回归的拟合优度
摘要
第二部分：机器学习 – 概念、应用与陷阱
第 6 章：机器学习导论
从统计学到机器学习
为什么机器学习很重要？
机器学习的不同类型
流行的机器学习算法
机器学习流程
机器学习的风险与局限
非结构化数据上的机器学习
深度学习与人工智能
摘要
第 7 章：监督机器学习
定义监督学习
监督学习中的步骤
回归和分类算法的特征
监督学习的应用
摘要
第 8 章：无监督机器学习
定义 UL
UL 的步骤
聚类 – 揭示数据中的隐藏模式
关联规则学习
UL 的应用
摘要
第 9 章：解释与评估机器学习模型
如何知道这个模型是否准确？
理解评估指标
评估分类模型
解释机器学习模型的方法
摘要
第 10 章：机器学习中的常见陷阱
理解复杂性
脏数据、受损模型 – 数据数量和质量如何影响机器学习
克服过拟合与欠拟合
掌握过拟合与欠拟合以实现最佳模型性能
训练-服务偏差和模型漂移
偏差与公平性
摘要
第三部分：领导成功的数据科学项目与团队
第 11 章：数据科学项目的结构
数据科学项目的不同类型
数据产品的阶段
开发数据产品
部署与监控数据产品
数据产品开发的一般最佳实践
评估影响
摘要
第 12 章：数据科学团队
组建数据科学团队 – 关键角色与考量
轮毂辐条模型
招聘的艺术
高效数据科学团队的运作方式
总结
第13章：管理数据科学团队
数据科学团队的日常管理
管理数据科学团队面临的常见挑战
赋能并激励你的数据科学团队
总结
第14章：作为数据科学领导者的持续旅程
驾驭新兴技术格局
专注于特定行业
专注于特定领域
拥抱持续学习
紧跟当前DS/ML/AI新闻与趋势
在组织内推广数据驱动的思维
在组织外部建立人脉
总结
为什么要订阅？
你可能会喜欢的其他书籍
Packt 正在寻找像你一样的作者
分享你的想法
免费下载本书的 PDF 版本

试读节选

但对于没有数据科学背景的决策者，或是从数据科学家转型为数据团队领导者的资深人士而言，面临的挑战数不胜数。理解统计学、机器学习和人工智能的底层概念，有效管理数据团队，以及最重要的——将复杂模型转化为切实的业务成果，而非仅仅是虚荣指标或炫技演示，都是一项艰巨的任务。