第1章 数据科学与大数据 1
1.1 深挖大数据 1
1.2 大数据产业 5
1.3 数据科学的诞生 7
1.4 要点 9
第2章 数据科学的重要性 10
2.1 数据科学领域的历史 10
2.2 新规则 14
2.3 新思维与随之而来的变化 17
2.4 要点 18
第3章 数据科学家的类型 19
3.1 数据开发者 19
3.2 数据研究者 20
3.3 数据创意师 21
3.4 数据商务人士 21
3.5 混合／普适类型 22
3.6 要点 22
第4章 数据科学家的思维体系 24
4.1 特质 24
4.2 素质与能力 27
4.3 思维 32
4.4 抱负 34
4.5 要点 36
第5章 技术资质 37
5.1 综合的编程能力 37
5.2 科学背景 39
5.3 专业化知识 40
5.4 要点 42
第6章 经验 44
6.1 企业实战VS学术研究的经验 44
6.2 经验VS正规教育 46
6.3 如何获得第一桶经验 46
6.4 要点 48
第7章 社交圈 49
7.1 岂止于专业社交圈 49
7.2 与学术圈的关系 50
7.3 与商业世界的关系 51
7.4 要点 52
第8章 所用的软件 53
8.1 Hadoop套件和朋友们 53
8.2 面向对象编程语言 60
8.3 数据分析软件 63
8.4 可视化工具 66
8.5 集成大数据系统 68
8.6 其他一些程序 69
8.7 要点 72
第9章 学习新知与解决问题 74
9.1 研讨会 74
9.2 会议 76
9.3 在线课程 76
9.4 数据科学小组 80
9.5 需求问题 82
9.6 专业知识缺乏问题 83
9.7 综合运用各种工具 84
9.8 要点 85
第10章 机器学习与R语言平台 86
10.1 机器学习简史 86
10.2 人工智能的未来 89
10.3 机器学习VS统计方法 90
10.4 在数据科学中使用机器学习 93
10.5 R平台简介 95
10.6 机器学习和R语言资料 99
10.7 要点 101
第11章 数据科学的处理流程 103
11.1 数据准备 104
11.2 数据探索 108
11.3 数据表示 109
11.4 数据发现 110
11.5 数据学习 111
11.6 创造数据产品 112
11.7 洞察、交付以及可视化呈现 115
11.8 重点 117
第12章 所需的具体技能 119
12.1 人才市场目前看中的数据科学家所需技能 119
12.2 程序员的自我修养 121
12.3 统计师和机器学习从业者的自我修养 125
12.4 数据相关领域从业人员的自我修养 135
12.5 学生的自我修养 140
12.6 要点 141
第13章 数据科学职位哪家寻 145
13.1 直接联系公司 146
13.2 专业人际关系 149
13.3 招聘网站 154
13.4 其他方法 158
13.5 要点 159
第14章 自我展示 160
14.1 关注雇主 161
14.2 灵活性和适应性 162
14.3 交付物 163
14.4 让自己从竞争中脱颖而出 164
14.5 独当一面 167
14.6 其他应该考虑的因素 168
14.7 要点 168
第15章 自由职业数据科学家之路 170
15.1 成为自由职业数据科学的利弊 171
15.2 自由职业生涯要持续多久 172
15.3 其他你可以提供的服务 173
15.4 一些自由数据分析工作 174
15.5 要点 177
第16章 职业数据科学家的案例学习 179
16.1 Raj Bondugula博士 179
16.2 Praneeth Vepakomma 183
16.3 要点 186
第17章 资深数据科学家案例学习 188
17.1 基本职业背景与学历背景 188
17.2 对于数据科学实践的观点 189
17.3 数据科学的未来 190
17.4 给数据科学家新人的建议 191
17.5 要点 191
第18章 新数据科学家的召唤 193
18.1 针对入门级数据科学家的招聘广告 193
18.2 针对数据科学专家的招聘广告 195
18.3 针对资深数据科学家的招聘广告 198
18.4 网上搜索职位的一些建议 200
8.5 要点 202
结语 203
术语表 205
附录1 有用的网页链接 223
附录2 相关文章 226
附录3 线下资源 229