App 下载
注册
登录
|
搜索
正在搜索中...
首页
我的书架
我的主页
我的收藏
我的书评
作为认知科学的延伸,数据科学一方面应该越来越引起广大大数据工作者的重视,另一方面也要撩开自己的神秘面纱,以最为亲民的姿态和每位大数据工作者成为亲密无间的战友,为用科学的思
……
[ 展开全部 ]
维方式进行工作做好理论准备。《数据科学家养成手册》从众多先贤及科学家的轶事讲起,以逐步归纳和递进的脉络总结出科学及数据科学所应关注的要点,然后在生产的各个环节中对这些要点逐一进行讨论与落实,从更高、更广的视角回看科学及数据科学在各个生产环节的缩影。《数据科学家养成手册》并不以高深的数学理论研究作为目的,也不以某一种计算机语言编程作为主线脉络,而是在一个个看似孤立的故事与工程中不断拾遗,并试着从中悟出一些道理。 《数据科学家养成手册》适合大数据从业人员和对大数据相关知识感兴趣的人,初级和中级程序员、架构师及希望通过对数据的感知改进工作的人,产品经理、运营经理、数据分析师、数据库开发工程师等对数据分析工作敏感的人,以及所有对数据科学感兴趣并希望逐步深入了解数据科学知识体系的人阅读。
[ 收起 ]
作者:高扬
出版社:电子工业出版社
定价:79
ISBN:9787121313042
给个评价
做个书摘
书摘 (21 )
评价 (1 )
查看所有书摘
按目录显示书摘
黄冕
2019-04-12 23:04:46 摘录
在人类探索科学、攀登科学高峰的过程中,成名者是少数中的少数,大多数人都被淹没历史的滚滚尘埃中,成为整座历史高墙中的一块小小的砖头,甚至只是填缝的泥土。而成名者在这个过程中同样会遇到各种难以想象的困难一资源的缺乏,实验条件的限制,成果不被世人或者科学界认可,人格不被尊重,积劳成疾的痛楚等。只有那些对科学有着崇高信仰的人,只有那些能够耐得住寂寞并且对自已研究的事物有着坚定信心的人,才有可能最终摘得科学桂冠。这其中的代价与酸甜苦辣只有科学工作者自己知道。这些伟大的科学家,永远值得世人敬重与缅怀!
科学家的价值实现
这条书摘已被收藏
0
次
+1
0
分享
收藏
0
条评价
黄冕
2019-04-12 20:06:46 摘录
虽然这次记录时间准确,内容也比较翔实,但要说这个记录是一种科学成果,我觉得太过牵强。它只是一个以内容描述为主的客观的观测记录,而关于超新星的成因、变化条件,以及是否存在其他超新星、这些超新星的变化是否对周边天体有影响、影响是什么这一系列的论述,都没能
提出。如果把这种仅仅停留在纯粹的观察结果层面的描述记录算作科学成果,就有些不严肃了。在这里,我并不是全盘否认中国古代天文学的成就,只是说把一次孤立的天文现象观测记录算作天文学发现有失严谨。
现象的成因、变化条件,以及是否存在其他类似的现象、这些变化是否对周边对有影响、影响是什么。
这条书摘已被收藏
0
次
+1
0
分享
收藏
0
条评价
黄冕
2019-04-12 19:58:03 摘录
太阳东升西落,四季夏热冬冷,这种事情不足为奇。通过观察星辰运动,得出这些天体都在围绕地球转动(至少看上去是这样),也不值得称道。而能够把这一切通过量化的(尤其是精确量化的)描述进行阐释和计算的人,确实比常人的观察层面更广更深。这种精确描述的过程与状态的现实指导意义远比从大方向上指出一个性质要大。
更深层次的观察,更完整的阐述——一个科学家或者有素养的学者,其研究最起码要具备精确性和体系性。
这条书摘已被收藏
0
次
+1
0
分享
收藏
0
条评价
黄冕
2019-04-12 19:37:10 摘录
科学渗透在人类生活的每个角落,对任何事物,都不要觉得它渺小甚至无足重轻。科学有个非常平易近人的特性就是“以小见大”——再小的事情,只要认真研究和发掘,都能不断升华,最后变成一个庞大的、完整的、精密的体系结构。
这条书摘已被收藏
0
次
+1
0
分享
收藏
0
条评价
黄冕
2019-04-12 19:26:21 摘录
认知是人类与生俱来的能力,也是从蒙昧走向昌明的基本手段。在认知的过程中,人们去伪存真,在理性、科学地认识世界的道路上逐步强健起来。
这条书摘已被收藏
0
次
+1
0
分享
收藏
0
条评价
淦秋士
2018-04-08 17:44:31 摘录
突破性、精确性、体系性的递增是一种“人无我有,人有我优,人优我精”的层次变化,不
是在哪个科学领域,万变不离其宗。
这条书摘已被收藏
0
次
+1
0
分享
收藏
0
条评价
淦秋士
2018-04-08 17:06:36 摘录
作为一名数据科学的信徒,我们应该把握科学的底线与原则。
(1)原则一:复杂到谁都理解不了的东西不能被认定为科学。只有极少数人在极少数的场景下能够应验的东西,本身就违背了科学性。
(2)原则二:科学的东西都具有体系性、精确性。如果其中之一不具备,那它就不是科学的,不论是谁在为它背书,都不能被认为是科学的,因为它不符合科学的基本特征和定义。
这条书摘已被收藏
0
次
+1
0
分享
收藏
0
条评价
点击加载更多
导购链接
×
做书摘
文字书摘
读图识字
至少还需要输入
10
字
保存原图片为书摘
上传图片
识别
最多输入
500
个字
上传图片
重新上传
写点笔记吧
至少还需要输入
10
字
章节(选填)
认知篇
第1章 什么是科学家 2
1.1 从太阳东升西落开始 2
1.1.1 农历 2
1.1.2 公历 5
1.1.3 小结 7
1.2 阿基米德爱洗澡? 7
1.3 托勒密的秘密 10
1.4 牛顿为什么那么牛 11
1.4.1 苹果和三大定律 11
1.4.2 极限和微积分 12
1.5 高斯——高,实在是高 15
1.6 离经叛道的爱因斯坦 17
1.7 本章小结 20
第2章 什么是科学 23
2.1 科学之科 23
2.2 边界的迷茫 23
2.3 科学之殇 26
2.4 本章小结 27
第3章 数据与数学 28
3.1 什么是数据 28
3.2 数学的奥妙 29
3.2.1 《几何原本》 29
3.2.2 《九章算术》 30
3.2.3 高等数学 34
3.3 本章小结 37
第4章 数据科学的使命 38
4.1 走近数据科学 38
4.1.1 介质 38
4.1.2 从信息到数据 41
4.1.3 数据科学的本质 43
4.2 万能的数据科学 44
4.2.1 测量 44
4.2.2 统计计算 47
4.2.3 指标 52
4.3 使命必达 53
4.3.1 高效生产 53
4.3.2 破除迷信 56
4.3.3 目标一致与不一致 57
4.4 本章小结 58
第5章 矛盾的世界 59
5.1 古希腊——学者高产的国度 59
5.2 矛盾无处不在 61
5.3 世界究竟是否可知 63
5.4 薛定谔的“喵星人” 64
5.5 本章小结 66
第6章 实验和哲学 68
6.1 朴素的认知方法 68
6.1.1 眼见为实 69
6.1.2 归纳与总结 70
6.2 哲学靠谱吗 71
6.3 数学的尽头是哲学 72
6.4 本章小结 73
第7章 辩证思维 74
7.1 要不要辩证有多大区别 74
7.2 谁对谁错 76
7.3 做到客观不容易 77
7.4 观念的存弭 79
7.5 本章小结 82
分化篇
第8章 统计学 86
8.1 数理统计鼻祖—阿道夫·凯特勒 86
8.2 统计就是统共合计 88
8.3 数据来源 90
8.4 抽样 91
8.5 对照实验 91
8.6 误差 94
8.6.1 抽样误差 94
8.6.2 非抽样误差 96
8.7 概括性度量 97
8.7.1 集中趋势度量 98
8.7.2 离散程度度量 100
8.7.3 小结 100
8.8 概率与分布 100
8.8.1 数学期望 102
8.8.2 正态分布 103
8.8.3 其他分布 106
8.9 统计学与大数据 107
第9章 信息论 109
9.1 模拟信号 109
9.2 信息量与信息熵 110
9.3 香农公式 111
9.4 数字信号 112
9.5 编码与压缩 113
9.5.1 无损压缩 114
9.5.2 有损压缩 117
9.6 本章小结 126
第10章 混沌论 127
10.1 洛伦兹在想什么 128
10.2 罗伯特·梅的养鱼计划 129
10.3 有限的大脑,无限的维 130
10.4 谋杀上帝的拉普拉斯 132
10.5 庞加莱不是省油的灯 134
10.6 未知居然还能做预测 137
10.7 本章小结 137
第11章 算法学 139
11.1 离散的世界 139
11.2 成本的度量 142
11.3 穷举法——暴力破解 143
11.4 分治法——化繁为简 152
11.5 回溯法——能省则省 154
11.6 贪心法——局部最优 155
11.7 迭代法——步步逼近 156
11.7.1 牛顿法 157
11.7.2 梯度下降法 158
11.7.3 遗传算法 159
11.8 机器学习——自动归纳 161
11.8.1 非监督学习 162
11.8.2 监督学习 164
11.8.3 强化学习 176
11.9 神经网络——深度学习 178
11.9.1 神经元 178
11.9.2 BP神经网络 180
11.9.3 损失函数 181
11.9.4 非线性分类 183
11.9.5 激励函数 187
11.9.6 卷积神经网络 189
11.9.7 循环神经网络 191
11.9.8 小结 194
11.10 本章小结 195
实践篇
第12章 数据采集 198
12.1 数据的源头 198
12.2 日志收集 199
12.2.1 实时上传 200
12.2.2 延时上传 203
12.2.3 加密问题 204
12.2.4 压缩问题 205
12.2.5 连接方式 206
12.2.6 消息格式 208
12.2.7 维度分解 210
12.3 这只是不靠谱的开始 211
12.4 本章小结 212
第13章 数据存储 213
13.1 读写不对等 213
13.1.1 读多写少 214
13.1.2 读少写多 214
13.1.3 读写都多 215
13.2 进快还是出快 216
13.2.1 最快写入 216
13.2.2 读出最快 218
13.3 文件还是数据库 218
13.4 要不要支持事务 219
13.5 表分区和索引 221
13.5.1 表分区 222
13.5.2 索引 222
13.6 稳定最重要 225
13.7 安全性和副本 226
13.7.1 RAID 226
13.7.2 软冗余 228
13.8 本章小结 229
第14章 数据统计 230
14.1 此“统计”恐非彼“统计” 230
14.2 要精确还是要简洁 234
14.3 统计是万能的吗 235
14.4 注意性能 237
14.5 本章小结 238
第15章 数据建模 239
15.1 模型是宝贵的财富 240
15.2 量化是关键 241
15.3 该算法出马了 241
15.3.1 统计学模型 242
15.3.2 线性关系 243
15.3.3 复杂的非线性关系 243
15.4 算法的哲学 244
15.5 本章小结 245
第16章 数据可视化与分析 247
16.1 看得见,摸得着 247
16.2 颜色很重要 247
16.3 别说布局没有用 249
16.3.1 由上而下,由简而繁 249
16.3.2 总-分,分-总,总-分-总 251
16.3.3 毗邻吸引 252
16.4 有图就别要表格 253
16.5 分析的内涵 254
16.5.1 相关性分析 255
16.5.2 预测分析 256
16.5.3 其他分析 257
16.6 有趣的统计应用 257
16.6.1 不规则图形的面积 258
16.6.2 套出你的实话 258
16.6.3 巧测圆周率 259
16.7 仁者见仁,智者见智 260
16.8 永恒的困惑 261
16.9 本章小结 263
第17章 数据决策 264
17.1 决策就是“拍脑袋” 264
17.2 哪里有物质,哪里就有数据 265
17.2.1 目的的统一 265
17.2.2 数据胜于雄辩 266
17.3 这是风险博弈 267
17.3.1 性价比优先 267
17.3.2 小迭代至上 268
17.3.3 不要“输不起” 268
17.3.4 留得青山在 269
17.4 本章小结 270
第18章 案例分析 272
18.1 K线图里的秘密 272
18.1.1 什么是市场 273
18.1.2 谁在控制价格 273
18.1.3 货币价格的形成 276
18.1.4 零和博弈 277
18.1.5 涨跌都盈利 278
18.1.6 价格的预测 279
18.1.7 形态 280
18.1.8 K线图周期 282
18.1.9 造市商与点差 283
18.1.10 科学分析 284
18.1.11 小结 317
18.2 数学能救命 317
18.2.1 阴云下的大西洋 317
18.2.2 护航船队的救星 318
18.2.3 数学家的天下 324
18.2.4 小结 324
18.3 人人都能运筹帷幄 325
第19章 与本书相关内容的问与答 326
后记 333
附录A 335
A.1 VMware Workstation的安装 335
A.1.1 VMware简介 335
A.1.2 安装准备工作 335
A.2 CentOS虚拟机的安装 338
A.2.1 下载DVD镜像 338
A.2.2 创建VMware虚拟机 338
A.3 Ubuntu虚拟机的安装 344
A.4 Python语言简介 350
A.4.1 安装Python 350
A.4.2 Hello Python 350
A.4.3 行与缩进 350
A.4.4 变量类型 351
A.4.5 循环语句 352
A.4.6 函数 353
A.4.7 模块 354
A.4.8 小结 354
A.5 Scikit-learn库简介 355
A.6 安装Theano 356
A.7 安装Keras 356
A.8 安装MySQL 357
A.9 安装MySQL-Python驱动 358
A.10 MT4平台简介 359
参考文献 363
页码(选填)
这本书已经添加了这些章节,请勾选或者新建你的书摘所属的章节
add
up
down
remove
认知篇
第1章 什么是科学家 2
1.1 从太阳东升西落开始 2
1.1.1 农历 2
1.1.2 公历 5
1.1.3 小结 7
1.2 阿基米德爱洗澡? 7
1.3 托勒密的秘密 10
1.4 牛顿为什么那么牛 11
1.4.1 苹果和三大定律 11
1.4.2 极限和微积分 12
1.5 高斯——高,实在是高 15
1.6 离经叛道的爱因斯坦 17
1.7 本章小结 20
第2章 什么是科学 23
2.1 科学之科 23
2.2 边界的迷茫 23
2.3 科学之殇 26
2.4 本章小结 27
第3章 数据与数学 28
3.1 什么是数据 28
3.2 数学的奥妙 29
3.2.1 《几何原本》 29
3.2.2 《九章算术》 30
3.2.3 高等数学 34
3.3 本章小结 37
第4章 数据科学的使命 38
4.1 走近数据科学 38
4.1.1 介质 38
4.1.2 从信息到数据 41
4.1.3 数据科学的本质 43
4.2 万能的数据科学 44
4.2.1 测量 44
4.2.2 统计计算 47
4.2.3 指标 52
4.3 使命必达 53
4.3.1 高效生产 53
4.3.2 破除迷信 56
4.3.3 目标一致与不一致 57
4.4 本章小结 58
第5章 矛盾的世界 59
5.1 古希腊——学者高产的国度 59
5.2 矛盾无处不在 61
5.3 世界究竟是否可知 63
5.4 薛定谔的“喵星人” 64
5.5 本章小结 66
第6章 实验和哲学 68
6.1 朴素的认知方法 68
6.1.1 眼见为实 69
6.1.2 归纳与总结 70
6.2 哲学靠谱吗 71
6.3 数学的尽头是哲学 72
6.4 本章小结 73
第7章 辩证思维 74
7.1 要不要辩证有多大区别 74
7.2 谁对谁错 76
7.3 做到客观不容易 77
7.4 观念的存弭 79
7.5 本章小结 82
分化篇
第8章 统计学 86
8.1 数理统计鼻祖—阿道夫·凯特勒 86
8.2 统计就是统共合计 88
8.3 数据来源 90
8.4 抽样 91
8.5 对照实验 91
8.6 误差 94
8.6.1 抽样误差 94
8.6.2 非抽样误差 96
8.7 概括性度量 97
8.7.1 集中趋势度量 98
8.7.2 离散程度度量 100
8.7.3 小结 100
8.8 概率与分布 100
8.8.1 数学期望 102
8.8.2 正态分布 103
8.8.3 其他分布 106
8.9 统计学与大数据 107
第9章 信息论 109
9.1 模拟信号 109
9.2 信息量与信息熵 110
9.3 香农公式 111
9.4 数字信号 112
9.5 编码与压缩 113
9.5.1 无损压缩 114
9.5.2 有损压缩 117
9.6 本章小结 126
第10章 混沌论 127
10.1 洛伦兹在想什么 128
10.2 罗伯特·梅的养鱼计划 129
10.3 有限的大脑,无限的维 130
10.4 谋杀上帝的拉普拉斯 132
10.5 庞加莱不是省油的灯 134
10.6 未知居然还能做预测 137
10.7 本章小结 137
第11章 算法学 139
11.1 离散的世界 139
11.2 成本的度量 142
11.3 穷举法——暴力破解 143
11.4 分治法——化繁为简 152
11.5 回溯法——能省则省 154
11.6 贪心法——局部最优 155
11.7 迭代法——步步逼近 156
11.7.1 牛顿法 157
11.7.2 梯度下降法 158
11.7.3 遗传算法 159
11.8 机器学习——自动归纳 161
11.8.1 非监督学习 162
11.8.2 监督学习 164
11.8.3 强化学习 176
11.9 神经网络——深度学习 178
11.9.1 神经元 178
11.9.2 BP神经网络 180
11.9.3 损失函数 181
11.9.4 非线性分类 183
11.9.5 激励函数 187
11.9.6 卷积神经网络 189
11.9.7 循环神经网络 191
11.9.8 小结 194
11.10 本章小结 195
实践篇
第12章 数据采集 198
12.1 数据的源头 198
12.2 日志收集 199
12.2.1 实时上传 200
12.2.2 延时上传 203
12.2.3 加密问题 204
12.2.4 压缩问题 205
12.2.5 连接方式 206
12.2.6 消息格式 208
12.2.7 维度分解 210
12.3 这只是不靠谱的开始 211
12.4 本章小结 212
第13章 数据存储 213
13.1 读写不对等 213
13.1.1 读多写少 214
13.1.2 读少写多 214
13.1.3 读写都多 215
13.2 进快还是出快 216
13.2.1 最快写入 216
13.2.2 读出最快 218
13.3 文件还是数据库 218
13.4 要不要支持事务 219
13.5 表分区和索引 221
13.5.1 表分区 222
13.5.2 索引 222
13.6 稳定最重要 225
13.7 安全性和副本 226
13.7.1 RAID 226
13.7.2 软冗余 228
13.8 本章小结 229
第14章 数据统计 230
14.1 此“统计”恐非彼“统计” 230
14.2 要精确还是要简洁 234
14.3 统计是万能的吗 235
14.4 注意性能 237
14.5 本章小结 238
第15章 数据建模 239
15.1 模型是宝贵的财富 240
15.2 量化是关键 241
15.3 该算法出马了 241
15.3.1 统计学模型 242
15.3.2 线性关系 243
15.3.3 复杂的非线性关系 243
15.4 算法的哲学 244
15.5 本章小结 245
第16章 数据可视化与分析 247
16.1 看得见,摸得着 247
16.2 颜色很重要 247
16.3 别说布局没有用 249
16.3.1 由上而下,由简而繁 249
16.3.2 总-分,分-总,总-分-总 251
16.3.3 毗邻吸引 252
16.4 有图就别要表格 253
16.5 分析的内涵 254
16.5.1 相关性分析 255
16.5.2 预测分析 256
16.5.3 其他分析 257
16.6 有趣的统计应用 257
16.6.1 不规则图形的面积 258
16.6.2 套出你的实话 258
16.6.3 巧测圆周率 259
16.7 仁者见仁,智者见智 260
16.8 永恒的困惑 261
16.9 本章小结 263
第17章 数据决策 264
17.1 决策就是“拍脑袋” 264
17.2 哪里有物质,哪里就有数据 265
17.2.1 目的的统一 265
17.2.2 数据胜于雄辩 266
17.3 这是风险博弈 267
17.3.1 性价比优先 267
17.3.2 小迭代至上 268
17.3.3 不要“输不起” 268
17.3.4 留得青山在 269
17.4 本章小结 270
第18章 案例分析 272
18.1 K线图里的秘密 272
18.1.1 什么是市场 273
18.1.2 谁在控制价格 273
18.1.3 货币价格的形成 276
18.1.4 零和博弈 277
18.1.5 涨跌都盈利 278
18.1.6 价格的预测 279
18.1.7 形态 280
18.1.8 K线图周期 282
18.1.9 造市商与点差 283
18.1.10 科学分析 284
18.1.11 小结 317
18.2 数学能救命 317
18.2.1 阴云下的大西洋 317
18.2.2 护航船队的救星 318
18.2.3 数学家的天下 324
18.2.4 小结 324
18.3 人人都能运筹帷幄 325
第19章 与本书相关内容的问与答 326
后记 333
附录A 335
A.1 VMware Workstation的安装 335
A.1.1 VMware简介 335
A.1.2 安装准备工作 335
A.2 CentOS虚拟机的安装 338
A.2.1 下载DVD镜像 338
A.2.2 创建VMware虚拟机 338
A.3 Ubuntu虚拟机的安装 344
A.4 Python语言简介 350
A.4.1 安装Python 350
A.4.2 Hello Python 350
A.4.3 行与缩进 350
A.4.4 变量类型 351
A.4.5 循环语句 352
A.4.6 函数 353
A.4.7 模块 354
A.4.8 小结 354
A.5 Scikit-learn库简介 355
A.6 安装Theano 356
A.7 安装Keras 356
A.8 安装MySQL 357
A.9 安装MySQL-Python驱动 358
A.10 MT4平台简介 359
参考文献 363
×
添加一个书摘本
搜索创建书摘本
搜索
正在搜索...
不对,换一下
书名
作者
出版社
备注
ISBN
*
*
×
编辑书摘
书摘
最少还需要输入
10
字
写点笔记吧
最少还需要输入
10
字
*
这条书摘是属于哪一章节的?
认知篇
第1章 什么是科学家 2
1.1 从太阳东升西落开始 2
1.1.1 农历 2
1.1.2 公历 5
1.1.3 小结 7
1.2 阿基米德爱洗澡? 7
1.3 托勒密的秘密 10
1.4 牛顿为什么那么牛 11
1.4.1 苹果和三大定律 11
1.4.2 极限和微积分 12
1.5 高斯——高,实在是高 15
1.6 离经叛道的爱因斯坦 17
1.7 本章小结 20
第2章 什么是科学 23
2.1 科学之科 23
2.2 边界的迷茫 23
2.3 科学之殇 26
2.4 本章小结 27
第3章 数据与数学 28
3.1 什么是数据 28
3.2 数学的奥妙 29
3.2.1 《几何原本》 29
3.2.2 《九章算术》 30
3.2.3 高等数学 34
3.3 本章小结 37
第4章 数据科学的使命 38
4.1 走近数据科学 38
4.1.1 介质 38
4.1.2 从信息到数据 41
4.1.3 数据科学的本质 43
4.2 万能的数据科学 44
4.2.1 测量 44
4.2.2 统计计算 47
4.2.3 指标 52
4.3 使命必达 53
4.3.1 高效生产 53
4.3.2 破除迷信 56
4.3.3 目标一致与不一致 57
4.4 本章小结 58
第5章 矛盾的世界 59
5.1 古希腊——学者高产的国度 59
5.2 矛盾无处不在 61
5.3 世界究竟是否可知 63
5.4 薛定谔的“喵星人” 64
5.5 本章小结 66
第6章 实验和哲学 68
6.1 朴素的认知方法 68
6.1.1 眼见为实 69
6.1.2 归纳与总结 70
6.2 哲学靠谱吗 71
6.3 数学的尽头是哲学 72
6.4 本章小结 73
第7章 辩证思维 74
7.1 要不要辩证有多大区别 74
7.2 谁对谁错 76
7.3 做到客观不容易 77
7.4 观念的存弭 79
7.5 本章小结 82
分化篇
第8章 统计学 86
8.1 数理统计鼻祖—阿道夫·凯特勒 86
8.2 统计就是统共合计 88
8.3 数据来源 90
8.4 抽样 91
8.5 对照实验 91
8.6 误差 94
8.6.1 抽样误差 94
8.6.2 非抽样误差 96
8.7 概括性度量 97
8.7.1 集中趋势度量 98
8.7.2 离散程度度量 100
8.7.3 小结 100
8.8 概率与分布 100
8.8.1 数学期望 102
8.8.2 正态分布 103
8.8.3 其他分布 106
8.9 统计学与大数据 107
第9章 信息论 109
9.1 模拟信号 109
9.2 信息量与信息熵 110
9.3 香农公式 111
9.4 数字信号 112
9.5 编码与压缩 113
9.5.1 无损压缩 114
9.5.2 有损压缩 117
9.6 本章小结 126
第10章 混沌论 127
10.1 洛伦兹在想什么 128
10.2 罗伯特·梅的养鱼计划 129
10.3 有限的大脑,无限的维 130
10.4 谋杀上帝的拉普拉斯 132
10.5 庞加莱不是省油的灯 134
10.6 未知居然还能做预测 137
10.7 本章小结 137
第11章 算法学 139
11.1 离散的世界 139
11.2 成本的度量 142
11.3 穷举法——暴力破解 143
11.4 分治法——化繁为简 152
11.5 回溯法——能省则省 154
11.6 贪心法——局部最优 155
11.7 迭代法——步步逼近 156
11.7.1 牛顿法 157
11.7.2 梯度下降法 158
11.7.3 遗传算法 159
11.8 机器学习——自动归纳 161
11.8.1 非监督学习 162
11.8.2 监督学习 164
11.8.3 强化学习 176
11.9 神经网络——深度学习 178
11.9.1 神经元 178
11.9.2 BP神经网络 180
11.9.3 损失函数 181
11.9.4 非线性分类 183
11.9.5 激励函数 187
11.9.6 卷积神经网络 189
11.9.7 循环神经网络 191
11.9.8 小结 194
11.10 本章小结 195
实践篇
第12章 数据采集 198
12.1 数据的源头 198
12.2 日志收集 199
12.2.1 实时上传 200
12.2.2 延时上传 203
12.2.3 加密问题 204
12.2.4 压缩问题 205
12.2.5 连接方式 206
12.2.6 消息格式 208
12.2.7 维度分解 210
12.3 这只是不靠谱的开始 211
12.4 本章小结 212
第13章 数据存储 213
13.1 读写不对等 213
13.1.1 读多写少 214
13.1.2 读少写多 214
13.1.3 读写都多 215
13.2 进快还是出快 216
13.2.1 最快写入 216
13.2.2 读出最快 218
13.3 文件还是数据库 218
13.4 要不要支持事务 219
13.5 表分区和索引 221
13.5.1 表分区 222
13.5.2 索引 222
13.6 稳定最重要 225
13.7 安全性和副本 226
13.7.1 RAID 226
13.7.2 软冗余 228
13.8 本章小结 229
第14章 数据统计 230
14.1 此“统计”恐非彼“统计” 230
14.2 要精确还是要简洁 234
14.3 统计是万能的吗 235
14.4 注意性能 237
14.5 本章小结 238
第15章 数据建模 239
15.1 模型是宝贵的财富 240
15.2 量化是关键 241
15.3 该算法出马了 241
15.3.1 统计学模型 242
15.3.2 线性关系 243
15.3.3 复杂的非线性关系 243
15.4 算法的哲学 244
15.5 本章小结 245
第16章 数据可视化与分析 247
16.1 看得见,摸得着 247
16.2 颜色很重要 247
16.3 别说布局没有用 249
16.3.1 由上而下,由简而繁 249
16.3.2 总-分,分-总,总-分-总 251
16.3.3 毗邻吸引 252
16.4 有图就别要表格 253
16.5 分析的内涵 254
16.5.1 相关性分析 255
16.5.2 预测分析 256
16.5.3 其他分析 257
16.6 有趣的统计应用 257
16.6.1 不规则图形的面积 258
16.6.2 套出你的实话 258
16.6.3 巧测圆周率 259
16.7 仁者见仁,智者见智 260
16.8 永恒的困惑 261
16.9 本章小结 263
第17章 数据决策 264
17.1 决策就是“拍脑袋” 264
17.2 哪里有物质,哪里就有数据 265
17.2.1 目的的统一 265
17.2.2 数据胜于雄辩 266
17.3 这是风险博弈 267
17.3.1 性价比优先 267
17.3.2 小迭代至上 268
17.3.3 不要“输不起” 268
17.3.4 留得青山在 269
17.4 本章小结 270
第18章 案例分析 272
18.1 K线图里的秘密 272
18.1.1 什么是市场 273
18.1.2 谁在控制价格 273
18.1.3 货币价格的形成 276
18.1.4 零和博弈 277
18.1.5 涨跌都盈利 278
18.1.6 价格的预测 279
18.1.7 形态 280
18.1.8 K线图周期 282
18.1.9 造市商与点差 283
18.1.10 科学分析 284
18.1.11 小结 317
18.2 数学能救命 317
18.2.1 阴云下的大西洋 317
18.2.2 护航船队的救星 318
18.2.3 数学家的天下 324
18.2.4 小结 324
18.3 人人都能运筹帷幄 325
第19章 与本书相关内容的问与答 326
后记 333
附录A 335
A.1 VMware Workstation的安装 335
A.1.1 VMware简介 335
A.1.2 安装准备工作 335
A.2 CentOS虚拟机的安装 338
A.2.1 下载DVD镜像 338
A.2.2 创建VMware虚拟机 338
A.3 Ubuntu虚拟机的安装 344
A.4 Python语言简介 350
A.4.1 安装Python 350
A.4.2 Hello Python 350
A.4.3 行与缩进 350
A.4.4 变量类型 351
A.4.5 循环语句 352
A.4.6 函数 353
A.4.7 模块 354
A.4.8 小结 354
A.5 Scikit-learn库简介 355
A.6 安装Theano 356
A.7 安装Keras 356
A.8 安装MySQL 357
A.9 安装MySQL-Python驱动 358
A.10 MT4平台简介 359
参考文献 363
*
页码
×
删除
您确定要删除吗?
提出。如果把这种仅仅停留在纯粹的观察结果层面的描述记录算作科学成果,就有些不严肃了。在这里,我并不是全盘否认中国古代天文学的成就,只是说把一次孤立的天文现象观测记录算作天文学发现有失严谨。
是在哪个科学领域,万变不离其宗。
(1)原则一:复杂到谁都理解不了的东西不能被认定为科学。只有极少数人在极少数的场景下能够应验的东西,本身就违背了科学性。
(2)原则二:科学的东西都具有体系性、精确性。如果其中之一不具备,那它就不是科学的,不论是谁在为它背书,都不能被认为是科学的,因为它不符合科学的基本特征和定义。