第l章 數據科學概述
1.1 數據科學的定義
1.2 數據科學的定位
1.3 數據科學家
1.4 表示模型：對自然和社會現象進行數字化
1.5 數據科學的基本原則
1.6 數據處理流程：時間維度的縱向視角
1.7 數據處理系統的架構：系統維度的計算視角
1.8 數據的多樣性：數據類型維度的橫向視角
1.9 數據價值的挖掘：價值維度的價值提升視角
第2章 OLAP與數據服務
2.1 面向OLTP應用的關系數據庫技術
2.2 面向數據服務的NoSOL數據庫技術
2.3 NewSQL數據庫技術
第3章 OLTP與結構化數據分析
3.1 聯機分析處理與結構化數據分析
3.2 高性能OLAP系統的關鍵技術
3.3 結構化數據分析工具介紹
第4章 數據清洗與數據集成
4.1 數據抽取、轉換和裝載
4.2 數據清洗
4.3 數據集成
第5章 數據的深度分析(上)
5.1 機器學習與數據挖掘簡介
5.2 決策樹
5.3 支持向量機
5.4 KNN算法(分類)
5.5 樸素貝葉斯算法(分類)
5.6 在二值分類器上構建多類別分類器
5.7 聚類算法
5.8 EM算法(軟聚類)
5.9 線1l生回歸、Logistic回歸
5.10 AdaBoost算法與集成學習
5.11 關聯規則分析
5.12 協同過濾推薦算法
5.13 隱馬爾可夫模型
第6章 數據的深度分析(下)
6.1 神經網絡與深度學習(分類/回歸)
6.2 數據預處理
6.3 數據降維
6.4 特征選擇
6.5 機器學)-7算法的評價指標、評價以及參數優
6.6 方差與偏差
6.7 從復雜模型到簡單模型以及正則化
6.8 主流數據深度分析工具
第7章 文本分析
7.1 文本分析的意義
7.2 文本分析的任務和方法
7.3 文本分析可視化
7.4 文本分析軟件和工具
第8章 社交網絡分析
8.1 簡介
8.2 社交網絡分析的應用
8.3 社交網絡分析方法
8.4 軟件
第9章 語義網與知識圖譜
9.1 語義網的基本概盒
9.2 語義網體系結構
9.3 語義網的關鍵技術
9.4 知識庫與知識圖譜
第1O章 數據可視化、可視分析與探索式數據分析
10.1 什么是數據可視化
10.2 可視化的強大威力
10.3 可視化的一般過程
10.4 科學可視化與信息可視化
10.5 數據可視化的原則
10.6 可視化實例
10.7 可視化的挑戰和趨勢
10.8 可視分析技術
10.9 探索式數據分析
10.10 探索式數據分析的作用
10.11 探索式數據分析的基本方法
10.12 可視化工具介紹
第11章 數據科學案例
11.1 谷歌流感趨勢預測
11.2 塔吉特的數據分析預測案例
11.3 互聯網輿情監控與管理
11.4 投資與信用
11.5 IBM沃森計算機與醫療
11.6 大數據分析技術助力奧巴馬的競選團隊取得成功
11.7 數據科學與科學研究
11.8 多領域預測
11.9 用戶畫像與精準廣告
11.10 自動短文評分
11.11 數據產品
1l.12 其他數據科學案例