深入浅出数据分析
当前位置:首页 > 网络编程 > 计算机理论基础知识 > 深入浅出数据分析
出版社:电子工业出版社
出版日期:2009
ISBN:9787121116933
作者:Michael Milton
页数:445页
内容概要
Michael Milton将自己的大半职业生涯献给了非盈利机构，帮助这些机构解析和处理从赞助人那里收集来的数据，提高融资能力。Michael Milton拥有新佛罗里达学院哲学学位及耶鲁大学宗教伦理学学位。多年来，他博览群书，这些书籍虽字字珠玑，却枯燥乏味； 蓦然抬首， 深入浅出（Head First）系列图书让他眼前一亮，他欣然抓住机会，写出了这本同样字字珠玑，兼振奋人心的书。
走出图书馆和书店，人们会看到他在跑步，摄影，以及亲手酿制啤酒。
书籍目录
1 数据分析引言：分解数据 1
2 实验：检验你的理论 37
3 最优化：寻找最大值 75
4 数据图形化：图形让你更精明 111
5 假设检验：假设并非如此 139
6 贝叶斯统计：穿越第一关 169
7 主观概率：信念数字化 191
8 启发法：凭人类的天性作分析 225
9 直方图：数字的形状 251
10 回归：预测 279
11 误差：合理误差 315
12 相关数据库：你能关联吗？ 359
13 整理数据：井然有序 385
附录一 尾声：正文未及的十大要诀 417
附录二 安装R：启动R！ 427
附录三 安装Excel分析工具：ToolPak 431
作者简介
《深入浅出数据分析》以类似“章回小说”的活泼形式，生动地向读者展现优秀的数据分析人员应知应会的技术：数据分析基本步骤、实验方法、最优化方法、假设检验方法、贝叶斯统计方法、主观概率法、启发法、直方图法、回归法、误差处理、相关数据库、数据整理技巧；正文以后，意犹未尽地以三篇附录介绍数据分析十大要务、R工具及ToolPak工具，在充分展现目标知识以外，为读者搭建了走向深入研究的桥梁。
本书构思跌宕起伏，行文妙趣横生，无论是职场老手，还是业界新人，无论是字斟句酌，还是信手翻阅，相信都能跟着文字在职场中走上几回，去体味数据分析领域的乐趣与挑战。
图书封面
发布书评
精彩书评 (总计25条)
-
稍微看了一下电子版 以及 中文翻译的第一章，觉得翻译很到位。有很多人评价书籍讲的太浅，看一遍之后就没有多大价值，个人不太认同这种说法，理由如下：（1）“Head First”本身就是“入门”的意思，让大家能够明白 数据分析 可以做什么？特别是其中 数据分析方法 联系 具体的实例（如星巴仕咖啡），以及董事长给CEO的通牒等等，让我们明白了 商业逻辑。（2）能够深入的理解 数据分析的思想，比起看过的教材，没有留下任何印象，也不知道哪里会用上这些“知识”，“Head First”给我们带来了更多。（3）真正最后用 数据分析 的人，肯定还需要补充一些，但这表示已经有了收获。 -
内容讲得很简单，感觉像是在看故事一样，对于一些原理性强，或者比较难理解的点，又没有进行深入浅出的剖析，所以看完的感觉就是懂的还是懂的，不懂的还是不懂，没有从阅读中学到什么东西。而且排版那么多的大字与图，浪费了很多纸张。。。。。。。。 -
1.A/B Test: 控制组与实验组（随机分配实验组，最大限度避免混杂因素干扰）2.通过目标函数C₁X₁ + C₂X₂ = P解决问题（C表示约束变量，X表示决策变量，P表示期望最大化对象）3.使用二维散点图探索原因（增加平均线作为判断标准）4.当描述数据图形时，需要论述可相互换用的两种因果模型或图解。5.汇集正相关和负相关变量，构建一个具备因果关系的网络模型；提出各种假设；证伪法排除；通过证据的诊断性找出否定性最小的假设（分列+-）6.贝叶斯规则：计算条件概率（利用基础概率）；修正主观概率7.直方图与回归线的数据分析作用；8.作为一种量度方式，相对于回归线的机会误差（均方根误差）分布与相对于平均值的标准偏差具有相同用途。9.分割数据有助管理误差。
精彩短评 (总计56条)
-
帮别人买的，看不懂 -
插图很多，适合零基础作快速入门或消遣读物，可以让你对数据分析大概是干什么的，以及一些最基本概念做大致了解。另，译者将bell curve译成铃形曲线实在不够严谨。 -
入门书，很容易读 -
真的是浅…出…，太浅了……，到统计学理论就一带而过，但是看起来快，四五天看完四五百页…有成就感，后面有应用到R，入门也还行 -
2016.11.24读过，这本书感觉帮助不大，读书的收获是知道自己要学习统计学的一些内容、可以试着用一下R工具。其他的感觉意义不大，可能是自己不适合这一系列书吧 -
除了工具的介绍……还有思考数据分析的思路…… -
很好的入门书！ -
心智模型 -
了解大致概念，框架的入门书。 -
里面的思维挺好用的。但是内容太偏商科，太基础了。效率有点低 -
如何用数理统计解决实际问题的建模思路和计算、纠偏、验证过程的演示，入门读物 -
很好的数据分析入门书 -
真浅，当训练思维的书可看，当然其实这个浅的基础要建立在你已经刷过了统计学和R语言，还是有用的，特别是Excel的部分 -
接地气的东西不多，有些思维可以借鉴。 -
读完，确实挺基础的。另外看完忽然意识到，自己没有一个数据分析的体系，知道的都是一些很具体的方法和细节，要么就是看文章（又忘记）的碎片化内容 -
数据分析 -
浅显易懂，但是略微耽误时间。基础好的人就不用去看了。 -
理论部分比较浅，适合入门。价值在于，举的例子都比较有趣，不是“鸢尾花”这类经典的教科书式案例，更加贴合实际商业问题。通过问题的剖析和分析方法的推导，可以更好地理解数据分析方法如何应用于实际问题的解决，对于思路的厘清还是挺有帮助的。 -
阅读感受简单有趣和愉悦.每一章都以一个例子开始着手解决问题,往往中间会有一次神转折,更具现实意义.看着一个个具有普遍意义的例子用数据分析解决,挺让人惊奇不已,忍不住也想自己动手实践解决那些之前是凭经验和直觉解决的个人问题.这本书提供了很多有用的工具供数据分析使用,当然这本书是供人思考的,而不是一本工具书(比如罗列各种图表,解释优缺点之类),因此都值得一看,也适合那些想要学习数据分析的同学作为第一本书阅读. -
只是在说数据，很少分析业务。逻辑性不强，给数据入门级看看还差不多。 -
作为入门可以打8.5..这本书关注的是假设和建模范围的事情，能清楚地解释概念、模型，且能讲得通俗有趣，已经很不错了。豆瓣评分低大概是觉得太浅吧 -
看完了，翻得真快啊 -
优点：1.）用接近真实的案例让教学一点也不枯燥，每个都像是生活中面对的事情，很有趣；2.）够浅，不需要太多基础就能读；3.）确实了解了很多数据分析方面的基础知识。缺点：1.)真的有必要用那么大的纸印，又空那么多？浪费钱哦 2.）我唯二难受的就是Excel和R的应用。给的链接都下不了，而且要求要有一定的基础，不然看公式根本看不懂。看完我决定，放弃R，好好学Excel -
确实是入门级，不过这个入门程度太浅了，很多内容其实在高中、大学的课堂当中已经学习了。不过对于了解数据分析还是有一定帮助，特别是前面 -
废话太多… -
通俗易懂，很快就能读完，也不累，对数据分析有了大致了解，再看一本深入浅出统计学后再详细点评这两本书 -
入门的话，这书真的有可读性，没有那么沉闷难懂，也大概了解了数据分析的框架，但是仅仅是皮毛吧。有些地方，的确太浅显了一些，市面上，总体比较来看，这本书还是很值得的。 -
再次购买headfirst系列的书籍 -
哪里深入了 -
引我入门的经典。真的如同书名一样深入浅出。书中图比较多，看着不累，很快就看完了 -
通俗易懂 -
入门第一本书，看起来比较容易:) -
果然值得看一遍，但不值得看第二遍 -
注重解决问题的思维过程大过数据分析技术的一本书，4.5 -
讲的不错，但是内容太少了，想学数据分析其实看深入浅出统计学那本更合适。 -
非统计与数学专业的，看这书还是挺有意思的，入门读物 -
是本不错的教材，难度不大，看完对数据分析了解的更加全面，可惜的是书上用到的数据必须越狱才能加载。 -
这本书是类似于“章回小说”的活泼生动形式，让数据小白们，诠释了数据分析的基本步骤，实验方法，最优化方法/假设检验法/贝叶斯统计法/等等方法论，还有更重要的是数据分析整理技巧，这个太重要了。 -
浅了些 -
书中有些观点我是存在'疑问'的，也可以说是对于我来说成因果关系的有些牵强，不具有说服力（也可能是因为我知识面太浅显或者理解力不够吧。但不可否认的是书中解决问题的思路的确很有引导性，也很清晰。内容很符合书名，深入！浅出！ -
买来给需要的人 -
挺好的入门科普书 用实例展示了多种数据分析的方法... 贝叶斯统计算疫苗检测概率印象很深刻 就是插图里面人的颜值不太够... -
head first书籍比较科普性 看起来厚但是很好读 很快就可以读完了 入门级读物 -
挺有意思的一本书啊，更偏向数据分析思维的训练，还有一些小方法，不是一本技术实操书。出版社实习的巨大魅力之一就是免费看书哈哈哈O(∩_∩)O~~而且还是看最新版 -
真的非常浅，废话多，而且翻译的废话显得更加废话……可以在一天之内略微感觉到数据分析师是干嘛的，需要哪些技能。这本书也算完成了它的任务吧。 -
初级入门读物，可读性比较强 -
大数据时代再来看看有一些内容过时了。不过基本思路还是差不多的：发现问题，细化纬度，评估数据，给出建议。适合初入门。 -
示例浅显易懂，但也只能入个门。 -
深入浅出，first step -
内容相当浅显且比较分散，不适合作为入门书。 -
很不错的入门书 -
入门是够了，深度差的很多啊。但是作为入门书，已经足够全面。 -
内容比较简单，信息量不大 -
十分钟读完还觉得为什么会网购浪费钱买这么个玩意。。。。 -
通过例子理解数据分析的各种重要概念和方法，值得多次阅读，收益不少。理解了如何做实验，通过数字化理解概率，假设验证的方法。 -
很多方法都是介绍的浅显易懂，每个都可以根据工作需要深入去挖掘和学习，只能说革命尚未成功。