认知篇 2
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 67
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 86
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 175
11.9 神经网络——深度学习 177
11.9.1 神经元 177
11.9.2 BP神经网络 180
11.9.3 损失函数 180
11.9.4 非线性分类 182
11.9.5 激励函数 186
11.9.6 卷积神经网络 188
11.9.7 循环神经网络 190
11.9.8 小结 193
11.10 本章小结 194
实践篇 196
第12章 数据采集 196
12.1 数据的源头 196
12.2 日志的收集 197
12.2.1 实时上传 197
12.2.2 延时上传 201
12.2.3 加密问题 202
12.2.4 压缩问题 203
12.2.5 连接方式 204
12.2.6 消息格式 206
12.2.7 维度分解 207
12.3 这只是不靠谱的开始 208
12.4 本章小结 209
第13章 数据存储 210
13.1 读写不对等 210
13.1.1 读多写少 211
13.1.2 读少写多 211
13.1.3 读写都多 212
13.2 进快还是出快 213
13.2.1 最快写入 213
13.2.2 读出最快 215
13.3 文件还是数据库 215
13.4 要不要支持事务 216
13.5 表分区和索引 218
13.5.1 表分区 219
13.5.2 索引 219
13.6 稳定最重要 222
13.7 安全性和副本 223
13.7.1 RAID 223
13.7.2 软冗余 225
13.8 本章小结 226
第14章 数据统计 227
14.1 此“统计”恐非彼“统计” 227
14.2 要精确还是要简洁 231
14.3 统计是万能的吗 232
14.4 注意性能 234
14.5 本章小结 234
第15章 数据建模 235
15.1 模型是宝贵的财富 236
15.2 量化是关键 236
15.3 该算法出马了 237
15.3.1 统计学模型 238
15.3.2 线性关系 238
15.3.3 复杂的非线性关系 238
15.4 算法的哲学 240
15.5 本章小结 241
第16章 数据可视化与分析 242
16.1 看得见，摸得着 242
16.2 颜色很重要 242
16.3 别说布局没有用 244
16.3.1 由上而下，由简而繁 244
16.3.2 总-分，分-总，总-分-总 245
16.3.3 毗邻吸引 246
16.4 有图就别要表格 248
16.5 分析的内涵 249
16.5.1 相关性分析 250
16.5.2 预测分析 251
16.5.3 其他分析 252
16.6 有趣的统计应用 252
16.6.1 不规则图形的面积 252
16.6.2 套出你的实话 253
16.6.3 巧测圆周率 253
16.7 仁者见仁，智者见智 255
16.8 永恒的困惑 256
16.9 本章小结 257
第17章 数据决策 258
17.1 决策就是“拍脑袋” 258
17.2 哪里有物质，哪里就有数据 259
17.2.1 目的的统一 259
17.2.2 数据胜于雄辩 260
17.3 这是风险博弈 260
17.3.1 性价比优先 261
17.3.2 小迭代至上 262
17.3.3 不要“输不起” 262
17.3.4 留得青山在 263
17.4 本章小结 264
第18章 案例分析 266
18.1 K线图里的秘密 266
18.1.1 什么是市场 267
18.1.2 谁在控制价格 267
18.1.3 货币价格的形成 270
18.1.4 零和博弈 271
18.1.5 涨跌都盈利 272
18.1.6 价格的预测 273
18.1.7 形态 274
18.1.8 K线图周期 276
18.1.9 造市商与点差 277
18.1.10 科学分析 277
18.1.11 小结 310
18.2 数学能救命 310
18.2.1 阴云下的大西洋 311
18.2.2 护航船队的救星 311
18.2.3 数学家的天下 317
18.2.4 小结 317
18.3 人人都能运筹帷幄 317
第19章 与本书相关内容的问与答 319
后记 325
附录A 326
A.1 VMware Workstation的安装 326
A.1.1 VMware简介 326
A.1.2 安装准备工作 326
A.2 在VMware上安装CentOS 329
A.2.1 下载 329
A.2.2 安装 329
A.3 在VMware上安装Ubuntu 335
A.4 Python语言简介 341
A.4.1 安装Python 341
A.4.2 Hello Python 341
A.4.3 行与缩进 341
A.4.4 变量类型 342
A.4.5 循环语句 343
A.4.6 函数 344
A.4.7 模块 345
A.4.8 小结 345
A.5 Scikit-learn库简介 346
A.6 安装Theano 346
A.7 安装Keras 347
A.8 安装MySQL 347
A.9 安装MySQL-Python驱动 349
A.10 MT4平台简介 350
参考文献 353