本书重点讲解数据科学的核心理论与实践应用。全书共7章，主要介绍数据科学的基础理论、统计学与模型、机器学习与算法、数据可视化、数据加工、大数据技术、数据产品开发及数据科学中的人文与管理等内容。本书内容通俗易懂，深入浅出，便于读者理解。
本书可作为数据科学与大数据技术、大数据管理与应用、计算机科学与技术、管理科学与工程、工商管理、数据统计、数据分析、信息管理与信息系统、商业分析等多个专业的教材，也可作为数据科学从业人士的参考用书。

第 1章 数据科学的基础理论
1.1 为什么要学习数据科学
1.2 数据科学的定义
1.3 数据科学的知识体系
1.4 数据科学的基本流程
1.5 数据科学与其他学科的区别
1.5.1 学科定位
1.5.2 研究视角
1.5.3 研究范式
1.6 数据科学的人才类型
1.7 数据科学的常用工具
1.8 数据科学的相关应用
1.9 继续学习本章知识
习题
第 2章 统计学与模型
2.1 统计学与数据科学
2.1.1 描述统计与推断统计
2.1.2 基本分析法和元分析法
2.2 统计方法的选择思路
2.3 数据划分及准备方法
2.3.1 自变量与因变量
2.3.2 数据抽样
2.4 参数估计与假设检验
2.4.1 参数估计
2.4.2 假设检验
2.5 常用统计方法及选择
2.5.1 相关分析
2.5.2 回归分析
2.5.3 方差分析
2.5.4 分类分析
2.5.5 聚类分析
2.5.6 时间序列分析
2.5.7 关联规则分析
2.6 统计学面临的挑战
2.7 Python编程实践
2.8 继续学习本章知识
习题
第3章 机器学习与算法
3.1 数据科学与机器学习
3.2 机器学习的应用步骤
3.3 数据划分及准备方法
3.4 算法类型及选择方法
3.5 模型的评估方法
3.6 机器学习面临的挑战
3.7 Python编程实践
3.8 继续学习本章知识
习题
第4章 数据可视化
4.1 数据科学与数据可视化
4.2 数据可视化的基本原则
4.3 视觉编码与数据类型
4.4 可视分析学
4.5 常用统计图表
4.6 数据可视化的发展趋势
4.7 Python编程实践
4.8 继续学习本章知识
习题
第5章 数据加工
5.1 数据科学与数据加工
5.2 探索性数据分析
5.3 数据大小及标准化
5.4 缺失数据及其处理方法
5.5 噪声数据及其处理方法
5.5.1 离群点处理
5.5.2 分箱处理
5.6 数据维度及其降维处理方法
5.6.1 特征选择
5.6.2 主成分分析
5.7 数据脱敏及其处理方法
5.8 数据形态及其规整化方法
5.9 Python编程实践
5.10 继续学习本章知识
习题
第6章 大数据技术
6.1 数据科学与大数据技术
6.2 Hadoop生态系统
6.3 大数据计算技术与Spark
6.3.1 大数据计
……

一本书让您快速了解数据科学相关知识！