数据科学实战指南

数据科学是用来探索数据价值的，也是挖掘数据价值的核心手段。不同于其他业务，数据的价值不是一下子就能确定的，数据价值的挖掘依赖于不断假设、分析、验证、校准，是一个反复迭代的过程。 这个过程不仅要遵循科学的步骤，也要使用科学的工具，这样才能保证结果的信效度和普适性。数据科学的实现需要借助一个符合数据科学流程的技术平台，平台上的工具也得是专业的，这样才能找到数据最终的价值。

这个就像大学里每门课绪论的调调，每个点都提到，但是每个细节都不说。这本书就是按照绪论的模式在编排，觉得好，简洁框架够大，缺点，很多作者自己的观点，没有结合具体的学科，就某一个项目做深入分析。可以看看

了解一下大数据相关，还是不错的

这是一本做大数据处理，云平台的宣传册之类的软件工程类书籍。反复提到talking data估计就是一家做数据分析的公司。里面提及了多个细分领域：数据科学，数据安全，数据挖掘，预测分析，数据可视化。然后说下读完此书我个人收获： 首先任何一门学术研究（学科或者科学）起初都要有一个科学的基本假设，基于xxx前提之下，而恰恰就是这样一个基本假设才得以这门学科的形成并使其确立专业化位置！而对于数据的基本假设，正是数据间的相关性才得以理论模型的归纳推理和分析手段的不断扩充和趋于完备 。模型是动态的，不断的试错，更新，改进使其越来越better。我们借助技术分析工具来挖掘和探索更多的数据价值，并为市场服务，为人道服务。这就是技术落地，把数据转为生产力形成产品和服务！但有时，你会发现数据最为tricky的地方在于，通过数据采集与分析之后，发现结果无法验证假设，而需要重新定义假设甚至推到重来！～所以，以数据为核心的数据科学从假设，分析，预测和抽象模型的过程中，都充斥着不确定性和量子的状态。那么由此观之，人与人之间思维模式的差异，就形成了技术上的分水岭。抽象的空间是无形的，需要发散思维和想象力，如果用思维定势来框架一个无形的事务，事业上的发展道路必将出现瓶颈！～而那些突破了思维极限，找到更多解决方案的人被称之为数据科学家！～可是若能达到科学家级别的人才，基本上都是跨学科交叉的翘楚，至少需要横跨计算机，统计学，数学，搞不好还得懂点经济学和经贸领域的财经相关的知识。 其次，本书数据科学的work flow：工作流 1. 定义问题（明确解决某个特定领域的数据相关问题和具体业务相关） 2. 采集测试数据和训练数据 3. 清洗数据（数据准备） 4. 分析数据，探索模式（找拟合度适配良好的数据模型） 5. 构建模型，测试和验证，是否解决了问题（如果失败，请优化模型，重复step3开始） 6. 形成可视化报告（模型测试结构报告分析） 最后，说下责任分工：工作角色 数据工程师：维护数据的仓库，开发对应的服务。负责架构与技术平台的搭建。为数据科学家和分析师提供工作支持 数据科学家：挖掘数据的实际价值，对数据进行采集，处理，建模，需要掌握具体业务领域的机器学习。 数据分析师：基于数据平台，工具和算法模型探索数据，形成解决方案。（技术落地的实施者？数据转化成生产力并市场化。比如：金融工具买卖策略，数据分析，如何提高产品收益率，或者通过数据如何改变产品的营销策略，如何降低成本） 数据产品经理：将数据需求，分解为对数据集，人，流程和产品形态的需求

有理论有案列，虽然案列不是完全能看懂。但理论知识讲得清楚明白，没有空话套话，实用性强。

前面内容没啥干货，后面两个案例可以看一下