精通数据科学--从线性回归到深度学习/深度学习系列

唐亘著的《精通数据科学--从线性回归到深度学 习》全面讲解了数据科学的相关知识，从统计分析学 到机器学习、深度学习中用到的算法及模型，借鉴经 济学视角给出模型的相关解释，深入探讨模型的可用 性，并结合大量的实际案例和代码帮助读者学以致用 ，将具体的应用场景和现有的模型相结合，从而更好 地发现模型的潜在应用场景。 本书可作为数据科学家和数据工程师的学习用书 ，也适合对数据科学有强烈兴趣的初学者使用，同时 也可作为高等院校计算机、数学及相关专业的师生用 书和培训学校的教材。

唐亘，数据科学家，专注于机器学习和大数据，热爱并积极参与Apache Spark、Scikit-Learn等开源项目。作为讲师和技术顾问，为多家机构(包括惠普、华为、复旦大学等)提供百余场技术培训。 此前的工作和研究集中于经济和量化金融，曾参与经合组织(QECD)的研究项目并发表论文，并担任英国最大在线出版社Packt的技术审稿人。曾获得复旦大学的数学和计算机双学士学位、巴黎综合理工大学的金融硕士学位、法国国立统计与经济管理学校的数据科学硕士学位。

第1章 数据科学概述 1.1 挑战 1.1.1 工程实现的挑战 1.1.2 模型搭建的挑战 1.2 机器学习 1.2.1 机器学习与传统编程 1.2.2 监督式学习和非监督式学习 1.3 统计模型 1.4 关于本书 第2章 Python安装指南与简介：告别空谈 2.1 Python简介 2.1.1 什么是Python。 2.1.2 Python在数据科学中的地位 2.1.3 不可能绕过的第三方库 2.2 Python安装 2.2.1 Windows下的安装 2.2.2 Mac下的安装 2.2.3 Linux下的安装 2.3 Python上手实践 2.3.1 Python shell 2.3.2第一个Python程序：Word Count 2.3.3 Python编程基础 2.3.4 Python的工程结构 2.4 本章小结 第3章 数学基础：恼人但又不可或缺的知识 3.1 矩阵和向量空间 3.1.1 标量、向量与矩阵 3.1.2 特殊矩阵 3.1.3 矩阵运算 3.1.4 代码实现 3.1.5 向量空间 3.2 概率：量化随机 3.2.1 定义概率：事件和概率空间 3.2.2 条件概率：信息的价值 3.2.3 随机变量：两种不同的随机 3.2.4 正态分布：殊途同归 3.2.5 P-value：自信的猜测 3.3 微积分 3.3.1 导数和积分：位置、速度 3.3.2 极限：变化的终点 3.3.3 复合函数：链式法则 3.3.4 多元函数：偏导数 3.3.5 极值与最值：最优选择 3.4 本章小结 第4章 线性回归：模型之母 4.1 一个简单的例子 4.1.1 从机器学习的角度看这个问题 4.1.2 从统计学的角度看这个问题 4.2 上手实践：模型实现 4.2.1 机器学习代码实现