* amazon.com 五顆星讀者無差評
* 史丹佛大學、劍橋大學相關課程指定教材

雖然資料科學越來越常被用來改善工作場域的種種決策，但對普羅大眾來說，這仍然是個神祕難懂的領域。本書避開艱深的數學與生澀的術語，以直觀的例子來說明各演算法功能與特色，例如，用預測犯罪事件的例子來解釋隨機森林，用分群演算法來分析各類電影迷的人格特質等，本書所選用的例子能夠幫助讀者明確理解各演算法及實際應用，即使您不曾接觸過資料科學，也能藉由本書掌握基本概念。

本書特色：
．淺白的解釋，以及大量的圖解說明
．以實際的例子解說演算法的應用
．每章最後會有重點歸納加強學習效果

---

來自各界的讚譽

「以圖解的方式解說重要的資料科學相關演算法，對於剛接觸資料科學領域的新手、從事數據分析相關的商業人士而言，極有幫助。」- Dr. David Stillwell, 劍橋大學大數據課程講師

「以視覺化的方式解釋機器學習的概念，可以幫助不具備相關技術背景的學生了解這些抽象的概念。同時也能幫助剛接觸資料科學領域的學生掌握相關的基礎知識。」Ethan Chan,史丹佛大學大數據課程講師

「對資料科學與機器學習做了清楚的介紹，沒有拗口的術語，內容在廣度與深度也取得極佳的平衡。本書刻意避開數學推導，程式碼實作，在介紹不同機器學習方法的應用時也使用許多真實的問題。整體而言，本書對資料科學有相當生動的詮釋，我極力推薦。」- 陳俊杉, 台灣大學土木工程系教授

Annalyn Ng
畢業自美國密西根大學，曾任大學部統計學助教。她在英國劍橋大學心理計量中心取得研究碩士學位，經手挖掘社群媒體資料，投放定向廣告，並撰寫招募人才的認知測驗程式等項目。隨後應迪士尼研究中心（Disney Research）延攬，加入行為科學小組，負責研究消費者的心理輪廓。

Kenneth Soo
擁有史丹佛大學統計碩士學位。在英國華威大學求學的三年間，在「數學、作業研究、統計學與經濟學」系中名列前茅。他同時擔任「作業研究與管理科學小組」的研究助理，研究雙目標穩定優化策略，以解決易受隨機故障影響的網路應用端。

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。

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