数据科学与大数据分析在当前是炙手可热的概念，关注的是如何通过分析海量数据来洞悉隐藏于数据背后的见解。本书是数据科学领域为数不多的实用性技术图书，它通过详细剖析数据分析生命周期的各个阶段来讲解用于发现、分析、可视化、表示数据的相关方法和技术。本书总共分为12章，主要内容包括大数据分析的简单介绍，数据分析生命周期的各个阶段，使用R语言进行基本的数据分析，以及高级的分析理论和方法，主要涉及数据的聚类、关联规则、回归、分类、时间序列分析、文本分析等方法。此外，本书还涵盖了用来进行高级数据分析所使用的技术和工具，比如MapReduce和Hadoop、数据库内分析等。本书内容详细，示例丰富，侧重于理论与练习的结合，因此比较适合对大数据分析、数据科学感兴趣的人员阅读，有志于成为数据科学家的读者也可以从本书中获益。

曹逾，于新加坡国立大学获得计算机博士学位，资深大数据与机器学习专家，当前供职于EMC中国卓越研发集团首席技术官办公室，同时担任EMC中国研究院数据科学实验室主任，主要负责EMC大中华区大数据与数据科学方向的应用型研究以及创新解决方案研发，同时也负责EMC在亚太特别是中国大陆地区的高校科研合作项目。曹博士在SIGMOD、VLDB、ICDE、VLDB Journal等顶级国际会议和期刊发表论文20余篇，并多次受邀担任国际会议和期刊审稿人，而且其相关研究成果在EMC内部产品及解决方案中得以广泛应用。曹博士拥有60余项美国及国际专利授权或申请。

第1章 大数据分析介绍
1.1 大数据概述
1.1.1 数据结构
1.1.2 数据存储的分析视角
1.2 分析的实践状态
1.2.1 商业智能VS数据科学
1.2.2 当前分析架构
1.2.3 大数据的驱动力
1.2.4 新的大数据生态系统和新的分析方法
1.3 新的大数据生态系统中的关键角色
1.4 大数据分析案例
1.5 总结
1.6 练习
参考书目
第2章 数据分析生命周期
2.1 数据分析生命周期概述
2.1.1 一个成功分析项目的关键角色
2.1.2 数据分析生命周期的背景和概述
2.2 第1阶段：发现
2.2.1 学习业务领域
2.2.2 资源
2.2.3 设定问题
2.2.4 确定关键利益相关者
2.2.5 采访分析发起人
2.2.6 形成初始假设
2.2.7 明确潜在数据源
2.3 第2阶段：数据准备
2.3.1 准备分析沙箱
2.3.2 执行ETLT
2.3.3 研究数据
2.3.4 数据治理
2.3.5 调查和可视化
2.3.6 数据准备阶段的常用工具
2.4 第3阶段：模型规划
2.4.1 数据探索和变量选择
2.4.2 模型的选择
2.4.3 模型设计阶段的常用工具
2.5 第4阶段：模型建立
2.5.1 模型构建阶段中的常用工具
2.6 第5阶段：沟通结果
2.7 第6阶段：实施
2.8 案例研究：全球创新网络和分析（GINA）
2.8.1 第1阶段：发现
2.8.2 第2阶段：数据准备
2.8.3 第3阶段：模型规划
2.8.4 第4阶段：模型建立
2.8.5 第5阶段：沟通结果
2.8.6 第6阶段：实施
2.9 总结
2.10 练习
参考书目
第3章 使用R进行基本数据分析
3.1 R简介
3.1.1 R图形用户界面
3.1.2 数据导入和导出
3.1.3 属性和数据类型
3.1.4 描述性统计（descriptive statistics）
3.2 探索性数据分析
3.2.1 在分析之前先可视化
3.2.2 脏数据
3.2.3 可视化单个变量
3.2.4 研究多个变量
3.2.5 对比数据探索和数据演示
3.3 用于评估的统计方法
3.3.1 假设检验
3.3.2 均值差异
3.3.3 Wilcoxon秩和检验
3.3.4 Ⅰ型和Ⅱ型错误
3.3.5 功效和抽样大小
3.3.6 ANOVA
3.4 总结
3.5 练习
参考文献
第4章 高级分析理论与方法：聚类
4.1 聚类概述
4.2 k均值聚类
4.2.1 使用案例
4.2.2 方法概述
4.2.3 确定聚类簇的数量
4.2.4 诊断
4.2.5 选择原因及注意事项
4.3 其他算法
4.4 总结
4.5 练习
参考书目
第5章 高级分析理论与方法：关联规则
5.1 概述
5.2 Apriori算法
5.3 评估候选规则
5.4 关联规则的应用
5.5 杂货店交易示例
5.5.1 杂货店数据集
5.5.2 生成频繁数据集
5.5.3 规则的生成和可视化
5.6 验证和测试
5.7 诊断
5.8 总结
5.9 练习
参考书目
第6章 高级分析理论与方法：回归
6.1 线性回归
6.1.1 用例
6.1.2 模型描述
6.1.3 诊断
6.2 逻辑回归
6.2.1 用例
6.2.2 模型描述
6.2.3 诊断
6.3 选择理由和注意事项
6.4 其他回归模型
6.5 总结
6.6 练习
第7章 高级分析理论与方法：分类
7.1 决策树
7.1.1 决策树概览
7.1.2 通用算法
7.1.3 决策树算法
7.1.4 评估决策树
7.1.5 R中的决策树
7.2 朴素贝叶斯
7.2.1 贝叶斯定理
7.2.2 朴素贝叶斯分类器
7.2.3 平滑
7.2.4 诊断
7.2.5 R中的朴素贝叶斯
7.3 分类器诊断
7.4 其他分类方法
7.5 总结
7.6 练习
参考书目
第8章 高级分析理论与方法：时间序列分析
8.1 时间序列分析概述
8.1.1 Box-Jenkins方法
8.2 ARIMA模型
8.2.1 自相关函数（ACF）
8.2.2 自回归模型
8.2.3 移动平均模型
8.2.4 ARMA和ARIMA模型
8.2.5 建立和评估ARIMA模型
8.2.6 选择理由及注意事项
8.3 其他方法
8.4 总结
8.5 练习
第9章 高级分析理论与方法：文本分析
9.1 文本分析步骤
9.2 一个文本分析的示例
9.3 收集原始数据
9.4 表示文本
9.5 词频-逆文档频率（TFIDF）
9.6 通过主题来分类文件
9.7 情感分析
9.8 获得洞察力
9.9 总结
9.10 练习
参考书目
第10章 高级分析技术与工具：MapReduce和Hadoop
10.1 非结构化数据分析
10.1.1 用例
10.1.2 MapReduce
10.1.3 Apache Hadoop
10.2 Hadoop生态系统
10.2.1 Pig
10.2.2 Hive
10.2.3 HBase
10.2.4 Mahout
10.3 NoSQL
10.4 总结
10.5 练习
参考书目
第11章 高级分析技术与工具：数据库内分析
11.1 SQL基本要素
11.1.1 连接
11.1.2 set