本书对数据科学进行了整体性介绍，涵盖了掌握该学科所需的分析、编程和业务技能等方方面面。找到一个优秀的数据科学家就像是寻找一只独角兽：因为其所需要的技术及技能组合很难在一个人身上兼备。另外，良好的数据科学素养不仅仅是对所训练技能的综合应用，还需要能够灵活考虑所有这些领域，并理解它们之间的联系。本书提供了数据科学的速成课程，将所有必要的技能结合到一个统一的学科体系中。
与许多数据分析的书籍不同，本书涵盖了关键的计算机科学和软件工程相关内容，因为它们在数据科学家的日常工作中发挥了极其重要的作用。本书还介绍了经典的机器学习算法，从这些算法的数学基础到实际应用均有描述。本书对可视化工具进行了综述，并强调其在数据科学中的核心位置。引入古典统计学的目的是帮助读者用批判性思维对数据进行解释，并指出常见的陷阱。对分析结果的清晰交流（这也许是数据科学技术中最为薄弱的一个环节）有专门的章节进行讲解，本书对所有涉及的主题均是在解决实际问题的背景下加以解释。
本书适合于那些想要实践数据科学的人，但他们又缺乏必要的技能，这包括需要更好地了解数据分析和统计学相关软件专业知识。现代数据科学是以一个统一的学科而呈现出来的。本书也是研究人员和入门研究生需要学习真实案例分析和扩展他们自身技能的最合适的参考。从领域来说，本书适合计算机科学、统计学、人工智能领域，尤其是与数据科学相关的研究人员、工程技术人员以及相关专业高校师生阅读和参考。

译者序
原书前言
第1章 引言：成为独角兽
1.1 数据科学家不仅仅是高薪统计人员
1.2 本书的内容是怎样组织的
1.3 如何使用本书
1.4 无论如何，为什么一切都在Python中
1.5 示例代码及数据集
1.6 最后的话
第Ⅰ部分 必须掌握的基础素材
第2章 数据科学路线图
2.1 解决问题
2.2 理解数据：基本问题
2.3 理解数据：数据整理
2.4 理解数据：探索性分析
2.5 提取特征
2.6 模型
2.7 呈现结果
2.8 部署代码
2.9 迭代
2.10 术语
第3章 编程语言
3.1 为什么使用编程语言，有无其他选项
3.2 数据科学编程语言综述
3.2.1 Python语言
3.2.2 R语言
3.2.3 MATLAB和Octave
3.2.4 SAS
3.2.5 Scala
3.3 Python语言速成班
3.3.1 版本注解
3.3.2 “hello world”脚本
3.3.3 更为复杂的脚本
3.3.4 数据类型
3.4 字符串
3.4.1 注释与文档注释
3.4.2 复杂数据类型
3.4.3 列表
3.4.4 字符串与列表
3.4.5 元组
3.4.6 字典
3.4.7 集合
3.5 定义函数
3.5.1 循环与控制结构
3.5.2 一些关键函数
3.5.3 异常处理
3.5.4 导入库
3.5.5 类及对象
3.5.6 可哈希与不可哈希类型
3.6 Python语言技术库
3.6.1 数据帧
3.6.2 序列
3.6.3 连接与分组
3.7 其他Python语言资源
3.8 延伸阅读
3.9 术语
第4章 数据预处理：字符串操作、正则表达式和数据清理
4.1 世界上最糟糕的数据集
4.2 如何识别问题
4.3 数据内容问题
……
第5章 可视化与简单度量
第6章 机器学习概要
第7章 插曲：特征提取思路
第8章 机器学习分类
第9章 技术交流与文档化
第Ⅱ部分 仍需要知道的事情
第10章 无监督学习：聚类与降维
第11章 回归
第12章 数据编码与文件格式
第13章 大数据
第14章 数据库
第15章 软件工程最佳实践
第16章 自然语言处理
第17章 时间序列分析
第18章 概率
第19章 统计学
第20章 编程语言概念
第21章 性能和计算机内存
第Ⅲ部分 专业或高级主题
第22章 计算机内存和数据结构
第23章 最大似然估计和最优化
第24章 高级分类器
第25章 随机建模
告别语：数据科学家的未来