* amazon.com 五顆星讀者無差評
* 史丹佛大學、劍橋大學相關課程指定教材
雖然資料科學越來越常被用來改善工作場域的種種決策，但對普羅大眾來說，這仍然是個神祕難懂的領域。本書避開艱深的數學與生澀的術語，以直觀的例子來說明各演算法功能與特色，例如，用預測犯罪事件的例子來解釋隨機森林，用分群演算法來分析各類電影迷的人格特質等，本書所選用的例子能夠幫助讀者明確理解各演算法及實際應用，即使您不曾接觸過資料科學，也能藉由本書掌握基本概念。
本書特色：
．淺白的解釋，以及大量的圖解說明
．以實際的例子解說演算法的應用
．每章最後會有重點歸納加強學習效果
來自各界的讚譽
「以圖解的方式解說重要的資料科學相關演算法，對於剛接觸資料科學領域的新手、從事數據分析相關的商業人士而言，極有幫助。」- Dr. David Stillwell, 劍橋大學大數據課程講師
「以視覺化的方式解釋機器學習的概念，可以幫助不具備相關技術背景的學生了解這些抽象的概念。同時也能幫助剛接觸資料科學領域的學生掌握相關的基礎知識。」Ethan Chan,史丹佛大學大數據課程講師
「對資料科學與機器學習做了清楚的介紹，沒有拗口的術語，內容在廣度與深度也取得極佳的平衡。本書刻意避開數學推導，程式碼實作，在介紹不同機器學習方法的應用時也使用許多真實的問題。整體而言，本書對資料科學有相當生動的詮釋，我極力推薦。」- 陳俊杉, 台灣大學土木工程系教授
| FindBook |
|
有 1 項符合
文科生也看得懂的資料科學的圖書 |
 |
$ 160 ～ 353 | 文科生也看得懂的資料科學
作者：Annalyn Ng、Kenneth Soo ／ 譯者：沈佩誼 出版社：碁峰資訊 出版日期：2018-04-30 語言：繁體書  共 5 筆 → 查價格、看圖書介紹
|
|
|
科學
科學是一種系統性的知識體系，它積累和組織並可檢驗有關於宇宙的解釋和預測。科學強調預測結果的具體性和可證偽性，這有別於空泛的哲學。科學也不等同於尋求絕對無誤的真理，而是在現有基礎上，摸索式地不斷接近真理。故科學的發展史就是一部人類對宇宙的認識偏差的糾正史。 科學的源頭最早可追溯到約公元前3500年至前3000年的古埃及和兩河流域。這兩個文明在數學、天文、醫學方面的成就傳入並塑造了古典時代的希臘自然哲學，後者正式嘗試以自然原因來解釋物質世界中的事件。西羅馬帝國傾覆後，在中世紀的頭幾個世紀中，有關古希臘人的世界觀念的知識在西歐漸漸被遺忘，但卻在伊斯蘭黃金時代的穆斯林世界中得以保存下來。10世紀到13世紀，西歐找回了古希臘的著作並吸收了伊斯蘭學者的研究，自然哲學就此復活，並且接下來在始於16世紀的科學革命中轉型，其間的新觀念和新發現脫離了古希臘觀念和傳統之窠臼。科學方法迅速在獲取知識方面起到更大作用，不過科學的制度化和職業化還是要等到19世紀才開始成型。
科學原僅指對自然現象之規律的探索與總結，但人文學科也越來越多地被冠以「科學」之名。現代科學一般說來可劃分為三大分支：形式科學，研究抽象概念；自然科學，在最寬泛的意義上研究自然；以及社會科學，研究個體與社會。不過，對於形式科學能否確實算作一類科學存在不同意見，因為其並不依賴經驗證據。而運用既有科學知識以達成實用目的的學科，如工程學和醫學，則被歸為應用科學。
科學以研究為基礎，而研究通常是在學術和研究機構、以及政府機構和公司中進行。科學研究的實際影響使得科學政策被制訂出來，以求施影響於科學界，促使商業產品、武器、醫療衛生以及環境保護獲得優先發展。
維基百科
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：文科生也看得懂的資料科學
內容簡介
作者介紹
作者簡介
Annalyn Ng
畢業自美國密西根大學，曾任大學部統計學助教。她在英國劍橋大學心理計量中心取得研究碩士學位，經手挖掘社群媒體資料，投放定向廣告，並撰寫招募人才的認知測驗程式等項目。隨後應迪士尼研究中心（Disney Research）延攬，加入行為科學小組，負責研究消費者的心理輪廓。
Kenneth Soo
擁有史丹佛大學統計碩士學位。在英國華威大學求學的三年間，在「數學、作業研究、統計學與經濟學」系中名列前茅。他同時擔任「作業研究與管理科學小組」的研究助理，研究雙目標穩定優化策略，以解決易受隨機故障影響的網路應用端。
Annalyn Ng
畢業自美國密西根大學，曾任大學部統計學助教。她在英國劍橋大學心理計量中心取得研究碩士學位，經手挖掘社群媒體資料，投放定向廣告，並撰寫招募人才的認知測驗程式等項目。隨後應迪士尼研究中心（Disney Research）延攬，加入行為科學小組，負責研究消費者的心理輪廓。
Kenneth Soo
擁有史丹佛大學統計碩士學位。在英國華威大學求學的三年間，在「數學、作業研究、統計學與經濟學」系中名列前茅。他同時擔任「作業研究與管理科學小組」的研究助理，研究雙目標穩定優化策略，以解決易受隨機故障影響的網路應用端。
目錄
Ch01｜基本知識簡單說
1.1 準備資料
1.2 挑選演算法
1.3 調整參數
1.4 評估結果
1.5 本章小結
Ch02｜k-平均分群演算法
2.1 尋找消費者群集
2.2 舉例：電影迷的性格特徵
2.3 定義群集
2.4 先天限制
2.5 本章小結
Ch03｜主成份分析
3.1 探索食物的營養成分
3.2 主成份
3.3 舉例：分析食物族群
3.4 先天限制
3.5 本章小節
Ch04｜關聯規則
4.1 找出消費模式
4.2 支持度、可信度與作用度
4.3 舉例：食品雜貨交易
4.4 先驗原則
4.5 先天限制
4.6 本章小結
Ch05｜社群網路分析
5.1 將關係地圖化
5.2 舉例：武器交易的地緣政治性
5.3 Louvain 演算法
5.4 PageRank 演算法
Ch06｜迴歸分析
6.1 推導一條趨勢線
6.2 舉例：預測房價
6.3 梯度下降
6.4 迴歸係數
6.5 相關係數
6.6 先天限制
6.7 本章小結
Ch07｜k-最近鄰演算法與異常檢測
7.1 食物取證
7.2 物以類聚
7.3 舉例：蒸餾出紅酒的不同成份
7.4 異常檢測
7.5 先天限制
7.6 本章小結
Ch08｜支持向量機
8.1 「不」或「噢不」？
8.2 舉例：預測心臟疾病
8.3 畫出最佳分界線
8.4 先天限制
8.5 本章小結
Ch09｜決策樹
9.1 預測災難中的存活機率
9.2 舉例：逃出鐵達尼號
9.3 產生一棵決策樹
9.4 先天限制
9.5 本章小結
Ch10｜隨機森林
10.1 群眾的智慧
10.2 舉例：預測犯罪
10.3 總體
10.4 引導聚集算法
10.5 先天限制
10.6 本章小結
Ch11｜類神經網路
11.1 建立一顆大腦
11.2 舉例：辨識手寫數字
11.3 類神經網路的組成
11.4 活化法則
11.5 先天限制
11.6 本章小結
Ch12｜A/B測試與多拉桿吃角子老虎機
12.1 A/B測試的基本概念
12.2 A/B測試的限制
12.3 Epsilon-Decreasing策略
12.4 舉例：多拉桿吃角子老虎機
12.5 有趣事實：跟緊贏家就對了？
12.6 Epsilon-Decreasing 策略的限制
12.7 本章小結
1.1 準備資料
1.2 挑選演算法
1.3 調整參數
1.4 評估結果
1.5 本章小結
Ch02｜k-平均分群演算法
2.1 尋找消費者群集
2.2 舉例：電影迷的性格特徵
2.3 定義群集
2.4 先天限制
2.5 本章小結
Ch03｜主成份分析
3.1 探索食物的營養成分
3.2 主成份
3.3 舉例：分析食物族群
3.4 先天限制
3.5 本章小節
Ch04｜關聯規則
4.1 找出消費模式
4.2 支持度、可信度與作用度
4.3 舉例：食品雜貨交易
4.4 先驗原則
4.5 先天限制
4.6 本章小結
Ch05｜社群網路分析
5.1 將關係地圖化
5.2 舉例：武器交易的地緣政治性
5.3 Louvain 演算法
5.4 PageRank 演算法
Ch06｜迴歸分析
6.1 推導一條趨勢線
6.2 舉例：預測房價
6.3 梯度下降
6.4 迴歸係數
6.5 相關係數
6.6 先天限制
6.7 本章小結
Ch07｜k-最近鄰演算法與異常檢測
7.1 食物取證
7.2 物以類聚
7.3 舉例：蒸餾出紅酒的不同成份
7.4 異常檢測
7.5 先天限制
7.6 本章小結
Ch08｜支持向量機
8.1 「不」或「噢不」？
8.2 舉例：預測心臟疾病
8.3 畫出最佳分界線
8.4 先天限制
8.5 本章小結
Ch09｜決策樹
9.1 預測災難中的存活機率
9.2 舉例：逃出鐵達尼號
9.3 產生一棵決策樹
9.4 先天限制
9.5 本章小結
Ch10｜隨機森林
10.1 群眾的智慧
10.2 舉例：預測犯罪
10.3 總體
10.4 引導聚集算法
10.5 先天限制
10.6 本章小結
Ch11｜類神經網路
11.1 建立一顆大腦
11.2 舉例：辨識手寫數字
11.3 類神經網路的組成
11.4 活化法則
11.5 先天限制
11.6 本章小結
Ch12｜A/B測試與多拉桿吃角子老虎機
12.1 A/B測試的基本概念
12.2 A/B測試的限制
12.3 Epsilon-Decreasing策略
12.4 舉例：多拉桿吃角子老虎機
12.5 有趣事實：跟緊贏家就對了？
12.6 Epsilon-Decreasing 策略的限制
12.7 本章小結
序
序
本書由兩位資料科學愛好者，撰寫而成。雖然資料科學越來越常被用來改善工作場域的種種決策，但許多人對這個領域的了解甚少。因此，我們將這些知識整理成一本書，幫助更多人學習，無論是有志深造的學生、積極進取的商業專業人士，或是任何有顆好奇心的人。
每一個教學課程涵蓋了各演算法的重要功能與假設，避開艱深的數學與生澀的術語。我們也使用現實世界的實際資料與例子來講述這些技法。
沒有以下這些人的幫助，我們不可能完成這本書。
感謝我們的文字編輯和好友Sonya Chan，她巧妙地融合了我們的寫作風格，確保我們的敘述流暢一致。
感謝Dora Tan為本書排版與彩圖提供建議。
感謝我們的好友Michelle Poh、Dennis Chew和Mark ho，他們為如何增進本書內容的可理解性提供非常寶貴的建議。
感謝密西根大學的Long Nguyen教授，史丹佛大學的Percy Liang教授與Michal Kosinski博士，謝謝諸位教授指導，並與我們兩位分享專業建言。
最後，我們想要感謝彼此，好友之間不免爭吵，但我們總是堅持到底，一起完成初衷。
本書由兩位資料科學愛好者，撰寫而成。雖然資料科學越來越常被用來改善工作場域的種種決策，但許多人對這個領域的了解甚少。因此，我們將這些知識整理成一本書，幫助更多人學習，無論是有志深造的學生、積極進取的商業專業人士，或是任何有顆好奇心的人。
每一個教學課程涵蓋了各演算法的重要功能與假設，避開艱深的數學與生澀的術語。我們也使用現實世界的實際資料與例子來講述這些技法。
沒有以下這些人的幫助，我們不可能完成這本書。
感謝我們的文字編輯和好友Sonya Chan，她巧妙地融合了我們的寫作風格，確保我們的敘述流暢一致。
感謝Dora Tan為本書排版與彩圖提供建議。
感謝我們的好友Michelle Poh、Dennis Chew和Mark ho，他們為如何增進本書內容的可理解性提供非常寶貴的建議。
感謝密西根大學的Long Nguyen教授，史丹佛大學的Percy Liang教授與Michal Kosinski博士，謝謝諸位教授指導，並與我們兩位分享專業建言。
最後，我們想要感謝彼此，好友之間不免爭吵，但我們總是堅持到底，一起完成初衷。
|
