本书对数据科学的核心问题，即对数据进行分析、挖掘并提取其价值，获得对事物的深刻理解的各种技术手段，进行了全面论述，把读者引进数据科学的大门，帮助读者建立数据科学的知识体系。书中使用大量通俗易懂的案例，配合技术原理的讲解，力图体现学科交叉的特点，让不同学科背景的读者感受到数据科学的魅力，感受到数据分析技术是如此有趣和有价值，能够解决各行各业的实际问题；使得学习过程充满趣味，而不是枯燥无味。

覃雄派，中国人民大学信息学院计算机系副教授。2009年毕业于中国人民大学信息学院，获得工学博士学位。目前主要从事高性能数据库、大数据分析、信息检索等方面的研究工作，主持1项国家自然科学基金面上项目，参与多项国家“863”计划、“973”计划及国家自然科学基金项目，在国内外期刊和会议上发表论文30余篇。

第l章 数据科学概述
1.1 数据科学的定义
1.2 数据科学的定位
1.3 数据科学家
1.4 表示模型：对自然和社会现象进行数字化
1.5 数据科学的基本原则
1.6 数据处理流程：时间维度的纵向视角
1.7 数据处理系统的架构：系统维度的计算视角
1.8 数据的多样性：数据类型维度的横向视角
1.9 数据价值的挖掘：价值维度的价值提升视角
第2章 OLAP与数据服务
2.1 面向OLTP应用的关系数据库技术
2.2 面向数据服务的NoSOL数据库技术
2.3 NewSQL数据库技术
第3章 OLTP与结构化数据分析
3.1 联机分析处理与结构化数据分析
3.2 高性能OLAP系统的关键技术
3.3 结构化数据分析工具介绍
第4章 数据清洗与数据集成
4.1 数据抽取、转换和装载
4.2 数据清洗
4.3 数据集成
第5章 数据的深度分析(上)
5.1 机器学习与数据挖掘简介
5.2 决策树
5.3 支持向量机
5.4 KNN算法(分类)
5.5 朴素贝叶斯算法(分类)
5.6 在二值分类器上构建多类别分类器
5.7 聚类算法
5.8 EM算法(软聚类)
5.9 线1l生回归、Logistic回归
5.10 AdaBoost算法与集成学习
5.11 关联规则分析
5.12 协同过滤推荐算法
5.13 隐马尔可夫模型
第6章 数据的深度分析(下)
6.1 神经网络与深度学习(分类/回归)
6.2 数据预处理
6.3 数据降维
6.4 特征选择
6.5 机器学>-7算法的评价指标、评价以及参数优
6.6 方差与偏差
6.7 从复杂模型到简单模型以及正则化
6.8 主流数据深度分析工具
第7章 文本分析
7.1 文本分析的意义
7.2 文本分析的任务和方法
7.3 文本分析可视化
7.4 文本分析软件和工具
第8章 社交网络分析
8.1 简介
8.2 社交网络分析的应用
8.3 社交网络分析方法
8.4 软件
第9章 语义网与知识图谱
9.1 语义网的基本概盒
9.2 语义网体系结构
9.3 语义网的关键技术
9.4 知识库与知识图谱
第1O章 数据可视化、可视分析与探索式数据分析
10.1 什么是数据可视化
10.2 可视化的强大威力
10.3 可视化的一般过程
10.4 科学可视化与信息可视化
10.5 数据可视化的原则
10.6 可视化实例
10.7 可视化的挑战和趋势
10.8 可视分析技术
10.9 探索式数据分析
10.10 探索式数据分析的作用
10.11 探索式数据分析的基本方法
10.12 可视化工具介绍
第11章 数据科学案例
11.1 谷歌流感趋势预测
11.2 塔吉特的数据分析预测案例
11.3 互联网舆情监控与管理
11.4 投资与信用
11.5 IBM沃森计算机与医疗
11.6 大数据分析技术助力奥巴马的竞选团队取得成功
11.7 数据科学与科学研究
11.8 多领域预测
11.9 用户画像与精准广告
11.10 自动短文评分
11.11 数据产品
1l.12 其他数据科学案例