互联网 类型
可以朗读 语音朗读
139千字 字数
2025-01-01 发行日期
展开全部

主编推荐语

本书以日常实例轻松解读数据驱动的分析与决策之道。

内容简介

数据分析的智慧其实就潜藏在我们的日常生活与职业生涯中，它无处不在。设想当你审视报告中的数字时，是否洞悉了那些数字背后隐藏的故事？它们的增长或减少，又向我们透露了怎样的信息？购房选址的策略，购车时机的选择，这些看似寻常的决策，实则都能在数据的指引下变得更为明智。

本书巧妙地从纠正基本的数据认知误区启程，逐步深入至统计学的奥秘、人工智能的前沿，并巧妙融合数据叙事与思维工具的运用，旨在将抽象的数据理论转化为生活中触手可及、工作中行之有效的智慧宝典，让“冷冰冰”的数据知识跃然成为解决实际问题的“金钥匙”。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 致谢
  • 资源与支持
  • 第0章 数据思维
  • 0.1 数据洞察万物规律
  • 0.2 数据背后的规律是算法
  • 0.3 对数据最重要的是分析和表达
  • 小结
  • 思考
  • 第1章 了解数据背后的真相
  • 1.1 平均值：不要被平均值骗了，它不能代表整体水平
  • 1.1.1 平均值在什么情况下才有价值
  • 1.1.2 分组结论和整体平均值不是一回事
  • 1.1.3 辛普森悖论的启示
  • 小结
  • 思考
  • 1.2 大数定律与小数陷阱：生活是随机的还是有定数的
  • 1.2.1 什么是大数定律
  • 1.2.2 什么是小数陷阱
  • 1.2.3 大数定律和小数陷阱给我们的启示
  • 小结
  • 思考
  • 1.3 数据的期望值：为什么你坐的飞机总是晚点
  • 1.3.1 墨菲的一个玩笑
  • 1.3.2 背后的数学原理
  • 1.3.3 解释墨菲定律
  • 1.3.4 如何规避墨菲定律
  • 小结
  • 思考
  • 1.4 随机对照试验：章鱼保罗真的是“预言帝”吗
  • 1.4.1 你认为的随机其实都是“伪随机”
  • 1.4.2 随机对照试验帮助你去伪存真
  • 1.4.3 幸存者偏差并不是随机对照试验
  • 小结
  • 思考
  • 1.5 指数和KPI：智商是怎么计算出来的
  • 1.5.1 简单的指数：上证指数
  • 1.5.2 较复杂的指数：用户忠诚度指数
  • 1.5.3 复杂的指数：智商
  • 小结
  • 思考
  • 1.6 因果陷阱：星座真的可以判定你的性格吗
  • 1.6.1 因果倒置——鸡叫导致天明
  • 1.6.2 相关性而非因果关系——吸烟真的致癌吗
  • 1.6.3 遗漏X变量——找到背后真实原因
  • 1.6.4 以偏概全——伯克森悖论
  • 1.6.5 控制数据范围——神枪手谬误
  • 1.6.6 时间长度不足——替代终点问题
  • 小结
  • 思考
  • 第2章 从数据中快速发现规律
  • 2.1 直方图与幂律分布：为什么全世界1%的人掌握着50%的财富
  • 2.1.1 直方图与柱状图
  • 2.1.2 神奇的直方图
  • 2.1.3 幂律分布与帕累托法则
  • 小结
  • 思考
  • 2.2 数据分布：房子应该买贵的还是买便宜的
  • 2.2.1 正态分布
  • 2.2.2 拉普拉斯分布
  • 小结
  • 思考
  • 2.3 散点图和相关性：如何从大量事实中快速发现规律
  • 2.3.1 散点图的历史
  • 2.3.2 散点图的制作原则
  • 2.3.3 通过散点图寻找规律
  • 2.3.4 散点图的易错点
  • 小结
  • 思考
  • 2.4 标准差：“靠不靠谱”其实看标准差
  • 2.4.1 标准差
  • 2.4.2 标准差的具体使用
  • 2.4.3 标准误差
  • 2.4.4 标准误差的具体使用
  • 小结
  • 思考
  • 2.5 数据抽样：大数据来了还需要抽样吗
  • 2.5.1 小数据抽样
  • 2.5.2 大数据时代是否还要抽样
  • 2.5.3 大数据环境下的抽样算法
  • 小结
  • 思考
  • 2.6 卡方检验和P值：不吃晚餐可不可以减肥
  • 2.6.1 什么是卡方检验
  • 2.6.2 如何进行卡方检验
  • 2.6.3 最常见的卡方检验套路
  • 2.6.4 卡方检验不适用的场景
  • 小结
  • 2.7 精确率与置信区间：两种预测，究竟应该相信哪一个
  • 2.7.1 准确率、精确率和召回率
  • 2.7.2 置信区间
  • 2.7.3 取舍的艺术
  • 小结
  • 思考
  • 第3章 深入浅出大数据算法
  • 3.1 趋势分析与回归：怎样才能培育出天才的下一代
  • 3.1.1 回归的种类与使用
  • 3.1.2 均值回归
  • 小结
  • 思考
  • 3.2 初识聚类算法：物以类聚，让复杂事物简单化
  • 3.2.1 聚类问题与场景
  • 3.2.2 聚类算法初探
  • 3.2.3 应用场景的展望
  • 小结
  • 思考
  • 3.3 初识分类算法：分而治之，不断进化
  • 3.3.1 分类算法的定义与使用场景
  • 3.3.2 分类算法初探
  • 3.3.3 应用场景的展望
  • 小结
  • 思考
  • 3.4 关联规则：为什么啤酒和尿布要放在一起卖
  • 3.4.1 关联规则的定义和使用场景
  • 3.4.2 关联规则算法初探
  • 3.4.3 应用场景的展望
  • 小结
  • 思考
  • 3.5 蒙特卡洛算法与拉斯维加斯算法：有限时间内如何获得最优解
  • 3.5.1 算法定义和使用场景
  • 3.5.2 蒙特卡洛算法与拉斯维加斯算法举例
  • 3.5.3 应用场景的展望
  • 小结
  • 思考
  • 3.6 马尔可夫链：你的未来只取决于你当下做了什么
  • 3.6.1 算法定义与使用场景
  • 3.6.2 马尔可夫链举例
  • 3.6.3 应用场景的展望
  • 小结
  • 思考
  • 3.7 协同过滤：你看到的短视频都是集体智慧的结晶
  • 3.7.1 算法定义与使用场景
  • 3.7.2 协同过滤算法初探
  • 3.7.3 协同过滤算法的应用与缺陷
  • 小结
  • 思考
  • 3.8 人工智能算法初探：阿尔法狗是怎样的一只“狗”
  • 3.8.1 人工智能算法历史与深度学习算法
  • 3.8.2 CNN和RNN
  • 3.8.3 深度学习算法使用举例——AlphaGo
  • 3.8.4 深度学习算法最新案例与未来
  • 小结
  • 思考
  • 第4章 有效地用数据说话
  • 4.1 确定问题：与利益无关的问题都不值得做数据分析
  • 4.1.1 如何确保数据分析有价值
  • 4.1.2 具体场景
  • 小结
  • 思考
  • 4.2 采集数据：用好一手数据和二手数据
  • 4.2.1 一手数据和二手数据
  • 4.2.2 数据探索
  • 4.2.3 具体示例
  • 小结
  • 思考
  • 4.3 写好故事线：你能利用数字推翻众人的理解吗
  • 4.3.1 回顾之前的发现
  • 4.3.2 设计故事线
  • 4.3.3 一图解千愁
  • 小结
  • 思考
  • 4.4 实践你的理论：数据驱动最终就是用结果说话
  • 4.4.1 何为精益的方法
  • 4.4.2 创新扩散模型
  • 4.4.3 实战练习
  • 小结
  • 思考
  • 4.5 数据分析：15种数据思维图（上）
  • 4.5.1 VRIO分析
  • 4.5.2 五力分析
  • 4.5.3 SWOT分析
  • 4.5.4 同理心地图
  • 4.5.5 4P竞争分析
  • 4.5.6 奥斯本检验表
  • 4.5.7 SUCCESs
  • 4.5.8 产品组合矩阵
  • 小结
  • 思考
  • 4.6 数据分析：15种数据思维图（下）
  • 4.6.1 商业模式画布
  • 4.6.2 AIDMA
  • 4.6.3 AARRR
  • 4.6.4 SMART
  • 4.6.5 PDCA
  • 4.6.6 RACI
  • 4.6.7 Will, Can, Must
  • 小结
  • 思考
  • 第5章 如何利用大模型进行数据分析
  • 5.1 大模型的威力
  • 5.1.1 什么是大模型
  • 5.1.2 大模型能帮我们做什么
  • 小结
  • 思考
  • 5.2 使用大模型做数据分析
  • 5.2.1 如何让大模型的回答更专业和有效
  • 5.2.2 如何使用大模型探查分析数据
  • 小结
  • 思考
  • 5.3 利用大模型生成专业的数据分析报告
  • 5.3.1 确定问题
  • 5.3.2 辅助数据探索
  • 5.3.3 辅助总结讨论
  • 小结
  • 思考
  • 5.4 数据分析工具展望
  • 5.4.1 数据存储与分析引擎——ClickHouse
  • 5.4.2 数据同步工具——Apache SeaTunnel
  • 5.4.3 数据处理与调度平台——Apache DolphinScheduler
  • 5.4.4 数据展示工具——Apache ECharts
  • 小结
  • 思考
  • 附录A A/B测试需要多少个样本才有效果
  • 附录B 哈勃定律
  • 附录C 标准差和标准误差公式
  • 附录D 蓄水池算法明细
  • 附录E 置信区间的计算过程
  • 附录F 用多边形推导圆周率
  • 附录G 文科生也可以看懂的AlphaGo算法
  • 附录H 数据分析行业个人职业发展方向
  • 附录I 常用的一些网站和信息渠道
  • 后记 我们不是神：数据分析既是天使也是魔鬼
展开全部

评分及书评

评分不足
2个评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。