Ch01｜基本知識簡單說

1.1 準備資料

1.2 挑選演算法

1.3 調整參數

1.4 評估結果

1.5 本章小結



Ch02｜k-平均分群演算法

2.1 尋找消費者群集

2.2 舉例：電影迷的性格特徵

2.3 定義群集

2.4 先天限制

2.5 本章小結



Ch03｜主成份分析

3.1 探索食物的營養成分

3.2 主成份

3.3 舉例：分析食物族群

3.4 先天限制

3.5 本章小節



Ch04｜關聯規則

4.1 找出消費模式

4.2 支持度、可信度與作用度

4.3 舉例：食品雜貨交易

4.4 先驗原則

4.5 先天限制

4.6 本章小結



Ch05｜社群網路分析

5.1 將關係地圖化

5.2 舉例：武器交易的地緣政治性

5.3 Louvain 演算法

5.4 PageRank 演算法



Ch06｜迴歸分析

6.1 推導一條趨勢線

6.2 舉例：預測房價

6.3 梯度下降

6.4 迴歸係數

6.5 相關係數

6.6 先天限制

6.7 本章小結



Ch07｜k-最近鄰演算法與異常檢測

7.1 食物取證

7.2 物以類聚

7.3 舉例：蒸餾出紅酒的不同成份

7.4 異常檢測

7.5 先天限制

7.6 本章小結



Ch08｜支持向量機

8.1 「不」或「噢不」？

8.2 舉例：預測心臟疾病

8.3 畫出最佳分界線

8.4 先天限制

8.5 本章小結



Ch09｜決策樹

9.1 預測災難中的存活機率

9.2 舉例：逃出鐵達尼號

9.3 產生一棵決策樹

9.4 先天限制

9.5 本章小結



Ch10｜隨機森林

10.1 群眾的智慧

10.2 舉例：預測犯罪

10.3 總體

10.4 引導聚集算法

10.5 先天限制

10.6 本章小結



Ch11｜類神經網路

11.1 建立一顆大腦

11.2 舉例：辨識手寫數字

11.3 類神經網路的組成

11.4 活化法則

11.5 先天限制

11.6 本章小結



Ch12｜A/B測試與多拉桿吃角子老虎機

12.1 A/B測試的基本概念

12.2 A/B測試的限制

12.3 Epsilon-Decreasing策略

12.4 舉例：多拉桿吃角子老虎機

12.5 有趣事實：跟緊贏家就對了？

12.6 Epsilon-Decreasing 策略的限制

12.7 本章小結

?

序



　　本書由兩位資料科學愛好者，撰寫而成。雖然資料科學越來越常被用來改善工作場域的種種決策，但許多人對這個領域的了解甚少。因此，我們將這些知識整理成一本書，幫助更多人學習，無論是有志深造的學生、積極進取的商業專業人士，或是任何有顆好奇心的人。



　　每一個教學課程涵蓋了各演算法的重要功能與假設，避開艱深的數學與生澀的術語。我們也使用現實世界的實際資料與例子來講述這些技法。



　　沒有以下這些人的幫助，我們不可能完成這本書。



　　感謝我們的文字編輯和好友Sonya Chan，她巧妙地融合了我們的寫作風格，確保我們的敘述流暢一致。



　　感謝Dora Tan為本書排版與彩圖提供建議。



　　感謝我們的好友Michelle Poh、Dennis Chew和Mark ho，他們為如何增進本書內容的可理解性提供非常寶貴的建議。



　　感謝密西根大學的Long Nguyen教授，史丹佛大學的Percy Liang教授與Michal Kosinski博士，謝謝諸位教授指導，並與我們兩位分享專業建言。



　　最後，我們想要感謝彼此，好友之間不免爭吵，但我們總是堅持到底，一起完成初衷。