郝志峰主编的《数据科学与数学建模》内容分为8章，基本涵盖了目前较为常用的数据科学建模方法，包括现在热门的深度学习。书中不仅介绍了模型的理论基础，还将大量案例与现实数据结合，为读者展示数据分析中常见任务的处理流程，如分类、回归、聚类、推荐、图片识别等，帮助读者应用这些模型和方法解决实际问题。
第1章首先对数据科学的任务和重要性进行了概述，接着介绍数据科学的建模流程以及Python语言开发环境与常用库；第2章介绍了回归模型，包括线性回归和逻辑回归模型；第3章介绍了聚类模型，包括K-means算法、DBSCAN算法和DIANA算法；第4章介绍了关联规则分析，包括Apriori算法和FP-Growth算法；第5章介绍了决策树模型，包括ID3、C4.5和CART算法及树的剪枝方法；第6章介绍了支持向量机，包括线性和非线性支持向量机以及支持向量机的求解与多分类问题；第7章介绍了贝叶斯网络，包括朴素贝叶斯网络、TAN贝叶斯网络和无约束贝叶斯网络；第8章介绍了深度学习，包括卷积神经网络和循环神经网络。

第一章 绪论
1.1 数据科学概述
1.2 数据科学的建模流程
1.3 Python语言开发环境与库入门
第二章 回归模型
2.1 概述
2.2 线性回归
2.3 线性回归案例
2.4 逻辑回归
2.5 逻辑回归案例
第三章 聚类模型
3.1 概述
3.2 K-means聚类
3.3 密度聚类
3.4 层次聚类
3.5 案例
第四章 关联规则
4.1 概述
4.2 Apriori算法
4.3 基于Apriori算法的改进算法
4.4 FP-Growth算法
4.5 关联规则案例
第五章 决策树
5.1 概述
5.2 ID3算法
5.4 CART算法
5.5 决策树的剪枝
5.6 案例
第六章 支持向量机
6.1 概述
6.2 线性支持向量机
6.3 非线性支持向量机
6.4 支持向量机的求解和多分类问题
6.5 新闻文本分类案例
第七章 贝叶斯网络
7.1 概述
7.2 朴素贝叶斯网络
7.3 TAN贝叶斯网络
7.4 无约束贝叶斯网络
7.5 朴素贝叶斯进行垃圾邮件过滤
第八章 深度学习
8.1 概述
8.2 多层感知机
8.3 卷积神经网络
8.4 循环神经网络
8.5 构建卷积神经网络模型对CIFAR图片数据集分类
8.6 TensorFlow基本用法
参考文献