数据科学基础
定价：￥56.00
作者： 程学旗，任奎，石川，吴飞等
出版社：高等教育出版社
“101计划”核心教材
- 高等教育出版社
- 9787040651362
- 1版
- 64272161-7
- 16开
- 工学
- 计算机类
- 计算机类
- 本科 研究生及以上
内容简介
本书是人工智能领域本科教育教学改革试点工作（以下简称“人工智能领域‘101计划’”）系列教材之一，主要介绍数据科学的知识体系、数据科学的基本方法和技术。全书共分7章，主要内容包括引言、统计和机器学习基础，以及面向数据全生命周期的数据准备、数据建模与管理、数据计算处理、大数据分析等，最后介绍数据安全。
本书注重理论与实践结合，内容翔实、逻辑清晰，通过丰富案例阐释抽象概念，并配以典型习题辅助理解。本书可以作为高等学校人工智能与计算机科学等相关专业本科课程的基础性教材，也可以作为有关专业研究生或计算机技术人员的参考书。
目录
目录
前辅文
第1章 引言
1.1 数据与数据科学
1.1.1 什么是数据
1.1.2 什么是数据科学
1.2 数据价值转换技术链
1.2.1 数据获取
1.2.2 数据预处理
1.2.3 数据存储与管理
1.2.4 数据处理与计算
1.2.5 数据分析与应用
1.2.6 数据安全
1.3 数据科学与相关学科
1.3.1 数据科学与数学
1.3.2 数据科学与统计学
1.3.3 数据科学与计算机科学
1.3.4 数据科学与人工智能
1.4 数据科学面临的机遇与挑战
1.4.1 数据科学的机遇
1.4.2 数据科学面临的挑战
1.4.3 机遇与挑战的平衡
1.5 本章小结
1.6 习题
1.7 参考文献
第2章 统计和机器学习基础
2.1 概述
2.2 统计分析
2.2.1 概率统计基础
2.2.2 常用的概率分布
2.2.3 描述性统计
2.2.4 推断性统计
2.2.5 因果推断
2.3 机器学习
2.3.1 基本概念和流程
2.3.2 体系分类
2.3.3 机器学习中的优化算法
2.4 系统平台与工具
2.5 本章小结
2.6 习题
2.7 参考文献
第3章 数据准备
3.1 概述
3.2 数据获取
3.2.1 数据获取途径
3.2.2 数据爬取策略
3.2.3 大模型数据生成
3.3 数据预处理
3.3.1 数据清洗
3.3.2 数据集成
3.3.3 数据归约
3.3.4 数据变换
3.4 数据标注
3.4.1 人工标注方法
3.4.2 模型标注方法
3.4.3 标注质量检验
3.5 案例实践
3.6 本章小结
3.7 习题
3.8 参考文献
第4章 数据建模与管理
4.1 概述
4.1.1 数据建模
4.1.2 数据管理
4.2 数据建模基础
4.2.1 关系模型
4.2.2 文档模型
4.2.3 列族模型
4.2.4 图模型
4.2.5 多维模型
4.3 关系型数据的存储管理
4.3.1 关系数据库设计
4.3.2 索引与查询优化
4.3.3 SQL语言基础
4.4 非关系型数据的存储管理
4.4.1 文档数据库管理
4.4.2 图数据库管理
4.4.3 分布式文件系统管理
4.5 案例实践
4.5.1 需求分析
4.5.2 数据建模
4.5.3 数据管理
4.6 本章小结
4.7 习题
4.8 参考文献
第5章 数据计算处理
5.1 概述
5.2 大数据批处理
5.2.1 批处理的基本概念
5.2.2 批处理的主要技术
5.2.3 批处理代表性系统
5.2.4 批处理的典型应用
5.3 大数据流处理
5.3.1 流处理的基本概念
5.3.2 流处理的主要技术
5.3.3 流处理代表性系统
5.3.4 流处理的典型应用
5.4 图数据处理
5.4.1 图数据处理基本概念
5.4.2 图数据处理主要技术
5.4.3 图数据处理代表性系统
5.4.4 图数据处理典型应用
5.5 其他数据处理方式
5.5.1 微批处理
5.5.2 时间序列数据处理
5.6 案例实践
5.6.1 大数据批处理实践项目
5.6.2 大数据流处理实践项目
5.6.3 图数据处理实践项目
5.7 本章小结
5.8 习题
5.9 参考文献
第6章 大数据分析
6.1 概述
6.2 描述性分析
6.2.1 分布分析
6.2.2 趋势分析
6.2.3 关联分析
6.3 诊断性分析
6.3.1 聚类分析
6.3.2 关联规则挖掘
6.3.3 知识图谱分析
6.4 预测性分析
6.4.1 回归预测
6.4.2 分类预测
6.4.3 时间序列预测
6.5 指导性分析
6.5.1 强化学习
6.5.2 大模型
6.6 案例实践
6.6.1 社交媒体数据分析
6.6.2 药物数据分析
6.7 本章小结
6.8 习题
6.9 参考文献
第7章 数据安全
7.1 概述
7.2 数据隐私保护技术
7.2.1 访问控制技术
7.2.2 加密技术
7.2.3 隐写技术
7.2.4 高级隐私保护技术
7.3 数据防篡改技术
7.3.1 哈希函数
7.3.2 消息认证码
7.3.3 数字签名与证书
7.3.4 传输层安全协议
7.4 数据溯源与安全存储技术
7.4.1 区块链技术
7.4.2 里德–所罗门编码
7.4.3 两地三中心安全存储
7.5 算法安全
7.5.1 智能算法安全
7.5.2 大模型安全
7.6 案例实践
7.7 本章小结
7.8 习题
7.9 参考文献
附录
A 面向数据科学的编程语言
A.1 Python: 数据科学全流程综合性编程语言
A.2 MATLAB: 工程模拟与数据分析编程语言
A.3 R语言: 统计分析领域的专业编程语言
B 常用的数据分析工具
B.1 Pandas: 结构化数据操作分析框架
B.2 NumPy: 高效的科学计算库
B.3 Sklearn: 简洁易用的机器学习工具包
B.4 SciPy: 科学与技术计算的拓展工具
C 常用的数据可视化工具
C.1 Matplotlib: 数据可视化基础工具
C.2 D3.js: 灵活可定制的数据可视化库
C.3 Jupyter Notebook: 交互式数据分析和展示平台
D 大规模数据分析平台
D.1 Hadoop: 大数据分布式计算框架
D.2 Spark: 面向大规模数据的快速处理引擎
D.3 Flink: 实时流处理和批处理框架
D.4 Elasticsearch: 分布式搜索和分析引擎
前辅文
第1章 引言
1.1 数据与数据科学
1.1.1 什么是数据
1.1.2 什么是数据科学
1.2 数据价值转换技术链
1.2.1 数据获取
1.2.2 数据预处理
1.2.3 数据存储与管理
1.2.4 数据处理与计算
1.2.5 数据分析与应用
1.2.6 数据安全
1.3 数据科学与相关学科
1.3.1 数据科学与数学
1.3.2 数据科学与统计学
1.3.3 数据科学与计算机科学
1.3.4 数据科学与人工智能
1.4 数据科学面临的机遇与挑战
1.4.1 数据科学的机遇
1.4.2 数据科学面临的挑战
1.4.3 机遇与挑战的平衡
1.5 本章小结
1.6 习题
1.7 参考文献
第2章 统计和机器学习基础
2.1 概述
2.2 统计分析
2.2.1 概率统计基础
2.2.2 常用的概率分布
2.2.3 描述性统计
2.2.4 推断性统计
2.2.5 因果推断
2.3 机器学习
2.3.1 基本概念和流程
2.3.2 体系分类
2.3.3 机器学习中的优化算法
2.4 系统平台与工具
2.5 本章小结
2.6 习题
2.7 参考文献
第3章 数据准备
3.1 概述
3.2 数据获取
3.2.1 数据获取途径
3.2.2 数据爬取策略
3.2.3 大模型数据生成
3.3 数据预处理
3.3.1 数据清洗
3.3.2 数据集成
3.3.3 数据归约
3.3.4 数据变换
3.4 数据标注
3.4.1 人工标注方法
3.4.2 模型标注方法
3.4.3 标注质量检验
3.5 案例实践
3.6 本章小结
3.7 习题
3.8 参考文献
第4章 数据建模与管理
4.1 概述
4.1.1 数据建模
4.1.2 数据管理
4.2 数据建模基础
4.2.1 关系模型
4.2.2 文档模型
4.2.3 列族模型
4.2.4 图模型
4.2.5 多维模型
4.3 关系型数据的存储管理
4.3.1 关系数据库设计
4.3.2 索引与查询优化
4.3.3 SQL语言基础
4.4 非关系型数据的存储管理
4.4.1 文档数据库管理
4.4.2 图数据库管理
4.4.3 分布式文件系统管理
4.5 案例实践
4.5.1 需求分析
4.5.2 数据建模
4.5.3 数据管理
4.6 本章小结
4.7 习题
4.8 参考文献
第5章 数据计算处理
5.1 概述
5.2 大数据批处理
5.2.1 批处理的基本概念
5.2.2 批处理的主要技术
5.2.3 批处理代表性系统
5.2.4 批处理的典型应用
5.3 大数据流处理
5.3.1 流处理的基本概念
5.3.2 流处理的主要技术
5.3.3 流处理代表性系统
5.3.4 流处理的典型应用
5.4 图数据处理
5.4.1 图数据处理基本概念
5.4.2 图数据处理主要技术
5.4.3 图数据处理代表性系统
5.4.4 图数据处理典型应用
5.5 其他数据处理方式
5.5.1 微批处理
5.5.2 时间序列数据处理
5.6 案例实践
5.6.1 大数据批处理实践项目
5.6.2 大数据流处理实践项目
5.6.3 图数据处理实践项目
5.7 本章小结
5.8 习题
5.9 参考文献
第6章 大数据分析
6.1 概述
6.2 描述性分析
6.2.1 分布分析
6.2.2 趋势分析
6.2.3 关联分析
6.3 诊断性分析
6.3.1 聚类分析
6.3.2 关联规则挖掘
6.3.3 知识图谱分析
6.4 预测性分析
6.4.1 回归预测
6.4.2 分类预测
6.4.3 时间序列预测
6.5 指导性分析
6.5.1 强化学习
6.5.2 大模型
6.6 案例实践
6.6.1 社交媒体数据分析
6.6.2 药物数据分析
6.7 本章小结
6.8 习题
6.9 参考文献
第7章 数据安全
7.1 概述
7.2 数据隐私保护技术
7.2.1 访问控制技术
7.2.2 加密技术
7.2.3 隐写技术
7.2.4 高级隐私保护技术
7.3 数据防篡改技术
7.3.1 哈希函数
7.3.2 消息认证码
7.3.3 数字签名与证书
7.3.4 传输层安全协议
7.4 数据溯源与安全存储技术
7.4.1 区块链技术
7.4.2 里德–所罗门编码
7.4.3 两地三中心安全存储
7.5 算法安全
7.5.1 智能算法安全
7.5.2 大模型安全
7.6 案例实践
7.7 本章小结
7.8 习题
7.9 参考文献
附录
A 面向数据科学的编程语言
A.1 Python: 数据科学全流程综合性编程语言
A.2 MATLAB: 工程模拟与数据分析编程语言
A.3 R语言: 统计分析领域的专业编程语言
B 常用的数据分析工具
B.1 Pandas: 结构化数据操作分析框架
B.2 NumPy: 高效的科学计算库
B.3 Sklearn: 简洁易用的机器学习工具包
B.4 SciPy: 科学与技术计算的拓展工具
C 常用的数据可视化工具
C.1 Matplotlib: 数据可视化基础工具
C.2 D3.js: 灵活可定制的数据可视化库
C.3 Jupyter Notebook: 交互式数据分析和展示平台
D 大规模数据分析平台
D.1 Hadoop: 大数据分布式计算框架
D.2 Spark: 面向大规模数据的快速处理引擎
D.3 Flink: 实时流处理和批处理框架
D.4 Elasticsearch: 分布式搜索和分析引擎
前辅文
第1章 引言
1.1 数据与数据科学
1.1.1 什么是数据
1.1.2 什么是数据科学
1.2 数据价值转换技术链
1.2.1 数据获取
1.2.2 数据预处理
1.2.3 数据存储与管理
1.2.4 数据处理与计算
1.2.5 数据分析与应用
1.2.6 数据安全
1.3 数据科学与相关学科
1.3.1 数据科学与数学
1.3.2 数据科学与统计学
1.3.3 数据科学与计算机科学
1.3.4 数据科学与人工智能
1.4 数据科学面临的机遇与挑战
1.4.1 数据科学的机遇
1.4.2 数据科学面临的挑战
1.4.3 机遇与挑战的平衡
1.5 本章小结
1.6 习题
1.7 参考文献
第2章 统计和机器学习基础
2.1 概述
2.2 统计分析
2.2.1 概率统计基础
2.2.2 常用的概率分布
2.2.3 描述性统计
2.2.4 推断性统计
2.2.5 因果推断
2.3 机器学习
2.3.1 基本概念和流程
2.3.2 体系分类
2.3.3 机器学习中的优化算法
2.4 系统平台与工具
2.5 本章小结
2.6 习题
2.7 参考文献
第3章 数据准备
3.1 概述
3.2 数据获取
3.2.1 数据获取途径
3.2.2 数据爬取策略
3.2.3 大模型数据生成
3.3 数据预处理
3.3.1 数据清洗
3.3.2 数据集成
3.3.3 数据归约
3.3.4 数据变换
3.4 数据标注
3.4.1 人工标注方法
3.4.2 模型标注方法
3.4.3 标注质量检验
3.5 案例实践
3.6 本章小结
3.7 习题
3.8 参考文献
第4章 数据建模与管理
4.1 概述
4.1.1 数据建模
4.1.2 数据管理
4.2 数据建模基础
4.2.1 关系模型
4.2.2 文档模型
4.2.3 列族模型
4.2.4 图模型
4.2.5 多维模型
4.3 关系型数据的存储管理
4.3.1 关系数据库设计
4.3.2 索引与查询优化
4.3.3 SQL语言基础
4.4 非关系型数据的存储管理
4.4.1 文档数据库管理
4.4.2 图数据库管理
4.4.3 分布式文件系统管理
4.5 案例实践
4.5.1 需求分析
4.5.2 数据建模
4.5.3 数据管理
4.6 本章小结
4.7 习题
4.8 参考文献
第5章 数据计算处理
5.1 概述
5.2 大数据批处理
5.2.1 批处理的基本概念
5.2.2 批处理的主要技术
5.2.3 批处理代表性系统
5.2.4 批处理的典型应用
5.3 大数据流处理
5.3.1 流处理的基本概念
5.3.2 流处理的主要技术
5.3.3 流处理代表性系统
5.3.4 流处理的典型应用
5.4 图数据处理
5.4.1 图数据处理基本概念
5.4.2 图数据处理主要技术
5.4.3 图数据处理代表性系统
5.4.4 图数据处理典型应用
5.5 其他数据处理方式
5.5.1 微批处理
5.5.2 时间序列数据处理
5.6 案例实践
5.6.1 大数据批处理实践项目
5.6.2 大数据流处理实践项目
5.6.3 图数据处理实践项目
5.7 本章小结
5.8 习题
5.9 参考文献
第6章 大数据分析
6.1 概述
6.2 描述性分析
6.2.1 分布分析
6.2.2 趋势分析
6.2.3 关联分析
6.3 诊断性分析
6.3.1 聚类分析
6.3.2 关联规则挖掘
6.3.3 知识图谱分析
6.4 预测性分析
6.4.1 回归预测
6.4.2 分类预测
6.4.3 时间序列预测
6.5 指导性分析
6.5.1 强化学习
6.5.2 大模型
6.6 案例实践
6.6.1 社交媒体数据分析
6.6.2 药物数据分析
6.7 本章小结
6.8 习题
6.9 参考文献
第7章 数据安全
7.1 概述
7.2 数据隐私保护技术
7.2.1 访问控制技术
7.2.2 加密技术
7.2.3 隐写技术
7.2.4 高级隐私保护技术
7.3 数据防篡改技术
7.3.1 哈希函数
7.3.2 消息认证码
7.3.3 数字签名与证书
7.3.4 传输层安全协议
7.4 数据溯源与安全存储技术
7.4.1 区块链技术
7.4.2 里德–所罗门编码
7.4.3 两地三中心安全存储
7.5 算法安全
7.5.1 智能算法安全
7.5.2 大模型安全
7.6 案例实践
7.7 本章小结
7.8 习题
7.9 参考文献
附录
A 面向数据科学的编程语言
A.1 Python: 数据科学全流程综合性编程语言
A.2 MATLAB: 工程模拟与数据分析编程语言
A.3 R语言: 统计分析领域的专业编程语言
B 常用的数据分析工具
B.1 Pandas: 结构化数据操作分析框架
B.2 NumPy: 高效的科学计算库
B.3 Sklearn: 简洁易用的机器学习工具包
B.4 SciPy: 科学与技术计算的拓展工具
C 常用的数据可视化工具
C.1 Matplotlib: 数据可视化基础工具
C.2 D3.js: 灵活可定制的数据可视化库
C.3 Jupyter Notebook: 交互式数据分析和展示平台
D 大规模数据分析平台
D.1 Hadoop: 大数据分布式计算框架
D.2 Spark: 面向大规模数据的快速处理引擎
D.3 Flink: 实时流处理和批处理框架
D.4 Elasticsearch: 分布式搜索和分析引擎
前辅文
第1章 引言
1.1 数据与数据科学
1.1.1 什么是数据
1.1.2 什么是数据科学
1.2 数据价值转换技术链
1.2.1 数据获取
1.2.2 数据预处理
1.2.3 数据存储与管理
1.2.4 数据处理与计算
1.2.5 数据分析与应用
1.2.6 数据安全
1.3 数据科学与相关学科
1.3.1 数据科学与数学
1.3.2 数据科学与统计学
1.3.3 数据科学与计算机科学
1.3.4 数据科学与人工智能
1.4 数据科学面临的机遇与挑战
1.4.1 数据科学的机遇
1.4.2 数据科学面临的挑战
1.4.3 机遇与挑战的平衡
1.5 本章小结
1.6 习题
1.7 参考文献
第2章 统计和机器学习基础
2.1 概述
2.2 统计分析
2.2.1 概率统计基础
2.2.2 常用的概率分布
2.2.3 描述性统计
2.2.4 推断性统计
2.2.5 因果推断
2.3 机器学习
2.3.1 基本概念和流程
2.3.2 体系分类
2.3.3 机器学习中的优化算法
2.4 系统平台与工具
2.5 本章小结
2.6 习题
2.7 参考文献
第3章 数据准备
3.1 概述
3.2 数据获取
3.2.1 数据获取途径
3.2.2 数据爬取策略
3.2.3 大模型数据生成
3.3 数据预处理
3.3.1 数据清洗
3.3.2 数据集成
3.3.3 数据归约
3.3.4 数据变换
3.4 数据标注
3.4.1 人工标注方法
3.4.2 模型标注方法
3.4.3 标注质量检验
3.5 案例实践
3.6 本章小结
3.7 习题
3.8 参考文献
第4章 数据建模与管理
4.1 概述
4.1.1 数据建模
4.1.2 数据管理
4.2 数据建模基础
4.2.1 关系模型
4.2.2 文档模型
4.2.3 列族模型
4.2.4 图模型
4.2.5 多维模型
4.3 关系型数据的存储管理
4.3.1 关系数据库设计
4.3.2 索引与查询优化
4.3.3 SQL语言基础
4.4 非关系型数据的存储管理
4.4.1 文档数据库管理
4.4.2 图数据库管理
4.4.3 分布式文件系统管理
4.5 案例实践
4.5.1 需求分析
4.5.2 数据建模
4.5.3 数据管理
4.6 本章小结
4.7 习题
4.8 参考文献
第5章 数据计算处理
5.1 概述
5.2 大数据批处理
5.2.1 批处理的基本概念
5.2.2 批处理的主要技术
5.2.3 批处理代表性系统
5.2.4 批处理的典型应用
5.3 大数据流处理
5.3.1 流处理的基本概念
5.3.2 流处理的主要技术
5.3.3 流处理代表性系统
5.3.4 流处理的典型应用
5.4 图数据处理
5.4.1 图数据处理基本概念
5.4.2 图数据处理主要技术
5.4.3 图数据处理代表性系统
5.4.4 图数据处理典型应用
5.5 其他数据处理方式
5.5.1 微批处理
5.5.2 时间序列数据处理
5.6 案例实践
5.6.1 大数据批处理实践项目
5.6.2 大数据流处理实践项目
5.6.3 图数据处理实践项目
5.7 本章小结
5.8 习题
5.9 参考文献
第6章 大数据分析
6.1 概述
6.2 描述性分析
6.2.1 分布分析
6.2.2 趋势分析
6.2.3 关联分析
6.3 诊断性分析
6.3.1 聚类分析
6.3.2 关联规则挖掘
6.3.3 知识图谱分析
6.4 预测性分析
6.4.1 回归预测
6.4.2 分类预测
6.4.3 时间序列预测
6.5 指导性分析
6.5.1 强化学习
6.5.2 大模型
6.6 案例实践
6.6.1 社交媒体数据分析
6.6.2 药物数据分析
6.7 本章小结
6.8 习题
6.9 参考文献
第7章 数据安全
7.1 概述
7.2 数据隐私保护技术
7.2.1 访问控制技术
7.2.2 加密技术
7.2.3 隐写技术
7.2.4 高级隐私保护技术
7.3 数据防篡改技术
7.3.1 哈希函数
7.3.2 消息认证码
7.3.3 数字签名与证书
7.3.4 传输层安全协议
7.4 数据溯源与安全存储技术
7.4.1 区块链技术
7.4.2 里德–所罗门编码
7.4.3 两地三中心安全存储
7.5 算法安全
7.5.1 智能算法安全
7.5.2 大模型安全
7.6 案例实践
7.7 本章小结
7.8 习题
7.9 参考文献
附录
A 面向数据科学的编程语言
A.1 Python: 数据科学全流程综合性编程语言
A.2 MATLAB: 工程模拟与数据分析编程语言
A.3 R语言: 统计分析领域的专业编程语言
B 常用的数据分析工具
B.1 Pandas: 结构化数据操作分析框架
B.2 NumPy: 高效的科学计算库
B.3 Sklearn: 简洁易用的机器学习工具包
B.4 SciPy: 科学与技术计算的拓展工具
C 常用的数据可视化工具
C.1 Matplotlib: 数据可视化基础工具
C.2 D3.js: 灵活可定制的数据可视化库
C.3 Jupyter Notebook: 交互式数据分析和展示平台
D 大规模数据分析平台
D.1 Hadoop: 大数据分布式计算框架
D.2 Spark: 面向大规模数据的快速处理引擎
D.3 Flink: 实时流处理和批处理框架
D.4 Elasticsearch: 分布式搜索和分析引擎
