（精排）数据科学实战 (图灵程序设计丛书) ([美]舒特（Rachel Schutt） [美]奥尼尔

链接：https://pan.baidu.com/s/1qLSqtZPkRpflXrwcBOeUAQ?pwd=b2y3

提取码：b2y3

我的阅读笔记：

1. 数据科学基础： 数据科学的定义、范围、应用领域以及核心概念。

2. 数据获取和清洗： 数据获取、数据清洗和预处理的基本技术与工具。

3. 探索性数据分析（EDA）： 使用统计和可视化方法来理解数据的分布、关系和特征。

4. 机器学习： 机器学习算法的概述，包括监督学习和无监督学习方法。

5. 特征工程： 如何选择、转换和创建特征，以提高机器学习模型的性能。

6. 模型评估与选择： 评估不同机器学习模型的性能，并选择最适合问题的模型。

7. 监督学习应用： 在实际问题中应用监督学习，如分类和回归问题。

8. 无监督学习应用： 聚类、降维和关联规则等无监督学习方法的应用。

9. 深度学习基础： 简介深度学习的基本概念、神经网络结构和应用。

10. 模型部署： 将训练好的模型部署到实际生产环境中的方法和工具。

11. 实时数据分析： 处理实时数据流，实现实时数据分析和预测。

12. 伦理与隐私： 数据科学中的伦理问题，以及如何确保隐私和公平性。

13. 大数据处理： 大规模数据处理框架和工具的介绍与应用。

14. 案例研究： 提供实际数据科学项目的案例研究，以展示实际应用。

15. 数据科学工作流： 构建和管理数据科学项目的全面工作流程。

16. 可解释性： 解释和理解机器学习模型的输出，确保可解释性和可信度。

17. 自动化与自动化决策： 数据科学在自动化决策中的应用和相关问题。

18. 数据科学团队管理： 如何组建和管理高效的数据科学团队。

19. 持续学习： 数据科学领域快速发展的本质，以及持续学习的重要性。

20. 未来趋势： 探讨数据科学领域的未来趋势和发展方向。