数据科学

1.系统思维。助你建立坚实的数据科学认知框架，掌握从问题定义到模型落地的系统性思维。
2.超越理论。直指数据实践中的真实挑战，揭示工程现实如何决定项目成败。
3.实战导向。提炼7大项目成功原则，提供从问题定义到业务整合的完整行动清单。
4.前瞻视野。直面数据偏见与隐私伦理挑战，培养负责任的、面向未来的数据素养。

数据科学致力于从海量数据中提取有价值且非显而易见的模式。本书对数据科学这一新兴领域进行了系统梳理，以简洁的笔触勾勒出其发展脉络、与机器学习的关联、当前应用场景、数据基础设施现状及面临的伦理挑战。

全书从数据科学的演进历程说起，解析了基础数据概念，并详细阐述数据科学生命周期的各个阶段，继而深入探讨数据基础设施的关键问题，以及多源数据整合过程中面临的技术挑战。同时，本书还对数据伦理与法律规范、数据监管机制演进趋势及隐私保护计算技术进行了专业解读。最后，通过前瞻性探讨数据科学的未来发展方向，总结了保障数据科学项目成功实施的关键原则。

（爱尔兰）约翰·D.凯莱赫（John D.Kelleher），爱尔兰都柏林理工大学计算机科学学院教授，兼任信息、通信和娱乐研究所学术负责人。合著有《预测数据分析的机器学习基础》（麻省理工学院出版社）。

（爱尔兰）布伦丹·蒂尔尼（Brendan Tierney），爱尔兰都柏林理工大学计算机科学学院讲师，兼任Oracle ACE 总监，撰有多部基于Oracle技术的数据挖掘著作。

张里博，西南大学人工智能学院智能科学系主任、副教授，南京大学特聘研究员，中国计算机学会高级会员。主要从事人工智能、大数据与智能决策等方面的研究。

杨金瑞，西南大学智能科学与技术本科，澳大利亚麦考瑞大学计算机科学硕士。

第一章 什么是数据科学 001

第二章 什么是数据和数据集 033

第三章 数据科学生态系统 055

第四章 机器学习入门 077

第五章 标准数据科学任务 119

第六章 隐私与伦理 141

第七章 未来趋势与成功之道 169

致谢 184

术语表 185

注释 193

延伸阅读 197

参考文献 199

索引 207