数据科学家修炼之道电子书

作者简介

内容提要

前言

第1章 数据科学与大数据

1.1 深挖大数据

1.2 大数据产业

1.3 数据科学的诞生

1.4 要点

第2章 数据科学的重要性

2.1 数据科学领域的历史

2.2 新规则

2.3 新思维与随之而来的变化

2.4 要点

第3章 数据科学家的类型

3.1 数据开发者

3.2 数据研究者

3.3 数据创意师

3.4 数据商务人士

3.5 混合/普适类型

3.6 要点

第4章 数据科学家的思维体系

4.1 特质

4.2 素质与能力

4.3 思维

4.4 抱负

4.5 要点

第5章 技术资质

5.1 综合的编程能力

5.2 科学背景

5.3 专业化知识

5.4 要点

第6章 经验

6.1 企业实战VS学术研究的经验

6.2 经验VS正规教育

6.3 如何获得第一桶经验

6.4 要点

第7章 社交圈

7.1 岂止于专业社交圈

7.2 与学术圈的关系

7.3 与商业世界的关系

7.4 要点

第8章 所用的软件

8.1 Hadoop套件和朋友们

8.2 面向对象编程语言

8.3 数据分析软件

8.4 可视化工具

8.5 集成大数据系统

8.6 其他一些程序

8.7 要点

第9章 学习新知与解决问题

9.1 研讨会

9.2 会议

9.3 在线课程

9.4 数据科学小组

9.5 需求问题

9.6 专业知识缺乏问题

9.7 综合运用各种工具

9.8 要点

第10章 机器学习与R语言平台

10.1 机器学习简史

10.2 人工智能的未来

10.3 机器学习VS统计方法

10.4 在数据科学中使用机器学习

10.5 R平台简介

10.6 机器学习和R语言资料

10.7 要点

第11章 数据科学的处理流程

11.1 数据准备

11.2 数据探索

11.3 数据表示

11.4 数据发现

11.5 数据学习

11.6 创造数据产品

11.7 洞察、交付以及可视化呈现

11.8 重点

第12章 所需的具体技能

12.1 人才市场目前看中的数据科学家所需技能

12.2 程序员的自我修养

12.2.1 面向对象编程程序员

12.2.2 软件开发工程师

12.2.3 其他编程相关工作

12.3 统计师和机器学习从业者的自我修养

12.3.1 统计背景

1．理论材料

2．编程语言

3．其他需要学习的内容

12.3.2 机器学习/人工智能背景

1．理论材料

2．编程语言

3．其他学习材料

12.3.3 混合背景

12.4 数据相关领域从业人员的自我修养

12.4.1 数据库管理员

12.4.2 数据架构师

12.4.3 商业智能分析师

12.5 学生的自我修养

12.6 要点

第13章 数据科学职位哪家寻

13.1 直接联系公司

13.2 专业人际关系

13.3 招聘网站

13.4 其他方法

13.5 要点

第14章 自我展示

14.1 关注雇主

14.2 灵活性和适应性

14.3 交付物

14.4 让自己从竞争中脱颖而出

14.5 独当一面

14.6 其他应该考虑的因素

14.7 要点

第15章 自由职业数据科学家之路

15.1 成为自由职业数据科学的利弊

15.2 自由职业生涯要持续多久

15.3 其他你可以提供的服务

15.4 一些自由数据分析工作

15.5 要点

第16章 职业数据科学家的案例学习

16.1 Raj Bondugula博士

16.1.1 基本职业背景与学历背景

16.1.2 数据科学实战

16.1.3 未来的数据科学

16.1.4 对数据科学新人的建议

16.2 Praneeth Vepakomma

16.2.1 基本职业背景与学历背景

16.2.2 数据科学实战

16.2.3 未来的数据科学

16.2.4 给数据科学家新人的建议

16.3 要点

第17章 资深数据科学家案例学习

17.1 基本职业背景与学历背景

17.2 对于数据科学实践的观点

17.3 数据科学的未来

17.4 给数据科学家新人的建议

17.5 要点

第18章 新数据科学家的召唤

18.1 针对入门级数据科学家的招聘广告

18.2 针对数据科学专家的招聘广告

18.3 针对资深数据科学家的招聘广告

18.4 网上搜索职位的一些建议

18.5 要点

结语

术语表

附录1 有用的网页链接

附录2 相关文章

附录3 线下资源

看完了