數據科學實戰指南

數據科學是用來探索數據價值的，也是挖掘數據價值的核心手段。不同於其他業務，數據的價值不是一下子就能確定的，數據價值的挖掘依賴於不斷假設、分析、驗證、校準，是一個反覆迭代的過程。 這個過程不僅要遵循科學的步驟，也要使用科學的工具，這樣才能保證結果的信效度和普適性。數據科學的實現需要藉助一個符合數據科學流程的技術平臺，平臺上的工具也得是專業的，這樣才能找到數據最終的價值。

這個就像大學裏每門課緒論的調調，每個點都提到，但是每個細節都不說。這本書就是按照緒論的模式在編排，覺得好，簡潔框架夠大，缺點，很多作者自己的觀點，沒有結合具體的學科，就某一個項目做深入分析。可以看看

瞭解一下大數據相關，還是不錯的

這是一本做大數據處理，雲平臺的宣傳冊之類的軟件工程類書籍。反覆提到talking data估計就是一家做數據分析的公司。裏面提及了多個細分領域：數據科學，數據安全，數據挖掘，預測分析，數據可視化。然後說下讀完此書我個人收穫： 首先任何一門學術研究（學科或者科學）起初都要有一個科學的基本假設，基於xxx前提之下，而恰恰就是這樣一個基本假設才得以這門學科的形成並使其確立專業化位置！而對於數據的基本假設，正是數據間的相關性才得以理論模型的歸納推理和分析手段的不斷擴充和趨於完備 。模型是動態的，不斷的試錯，更新，改進使其越來越better。我們藉助技術分析工具來挖掘和探索更多的數據價值，併爲市場服務，爲人道服務。這就是技術落地，把數據轉爲生產力形成產品和服務！但有時，你會發現數據最爲tricky的地方在於，通過數據採集與分析之後，發現結果無法驗證假設，而需要重新定義假設甚至推到重來！～所以，以數據爲核心的數據科學從假設，分析，預測和抽象模型的過程中，都充斥着不確定性和量子的狀態。那麼由此觀之，人與人之間思維模式的差異，就形成了技術上的分水嶺。抽象的空間是無形的，需要發散思維和想象力，如果用思維定勢來框架一個無形的事務，事業上的發展道路必將出現瓶頸！～而那些突破了思維極限，找到更多解決方案的人被稱之爲數據科學家！～可是若能達到科學家級別的人才，基本上都是跨學科交叉的翹楚，至少需要橫跨計算機，統計學，數學，搞不好還得懂點經濟學和經貿領域的財經相關的知識。 其次，本書數據科學的work flow：工作流 1. 定義問題（明確解決某個特定領域的數據相關問題和具體業務相關） 2. 採集測試數據和訓練數據 3. 清洗數據（數據準備） 4. 分析數據，探索模式（找擬合度適配良好的數據模型） 5. 構建模型，測試和驗證，是否解決了問題（如果失敗，請優化模型，重複step3開始） 6. 形成可視化報告（模型測試結構報告分析） 最後，說下責任分工：工作角色 數據工程師：維護數據的倉庫，開發對應的服務。負責架構與技術平臺的搭建。爲數據科學家和分析師提供工作支持 數據科學家：挖掘數據的實際價值，對數據進行採集，處理，建模，需要掌握具體業務領域的機器學習。 數據分析師：基於數據平臺，工具和算法模型探索數據，形成解決方案。（技術落地的實施者？數據轉化成生產力並市場化。比如：金融工具買賣策略，數據分析，如何提高產品收益率，或者通過數據如何改變產品的營銷策略，如何降低成本） 數據產品經理：將數據需求，分解爲對數據集，人，流程和產品形態的需求

有理論有案列，雖然案列不是完全能看懂。但理論知識講得清楚明白，沒有空話套話，實用性強。

前面內容沒啥乾貨，後面兩個案例可以看一下