来源书籍
图灵程序设计丛书：数据科学从入门到实战
数据科学实践类
类别清单覆盖
7/7
已覆盖 7
补充生成 0
未覆盖 0
全书概览
图灵程序设计丛书：数据科学从入门到实战（套装全8册）
类别：数据科学实践类
四象限结论：工程实践（高浓度 + 低稳定性）
整体评级
四象限结论：工程实践（高浓度 + 低稳定性）
评级理由： 这套书覆盖数据科学的核心工作流、统计推断、探索性数据分析、数据清洗、机器学习、推荐系统、实验设计、因果关系、数据工程与伦理等主题，其中《统计思维》《面向数据科学家的实用统计学》《数据科学实战》包含较多可迁移的原理：例如用分布而不是单点均值理解数据，用抽样分布和假设检验控制不确定性，用模型评价和数据泄漏识别建模风险，用数据伦理约束模型影响。这些内容信息浓度较高。
但全书作为套装也包含大量绑定具体工具和当时环境的教程式内容，例如 Enthought Canopy、IPython/Jupyter、NumPy、Pandas、Matplotlib、Excel、Vagrant、命令行工具、Spark 等安装、调用和操作步骤。工具细节会随版本变化而过时，因此整体稳定性不能按最高档处理。综合看，它更适合作为数据科学工程实践的体系化入口，而不是纯粹的经典原理书。
章节重点
| 章节号 | 章节标题 | 精读/略读 | 状态 | 卡片数 |
|---|---|---|---|---|
| 01 | 数据科学入门（第2版） | 精读 | done | 3 |
| 02 | Python数据科学与机器学习：从入门到实践 | 略读 | done | 0 |
| 03 | 统计思维：程序员数学之概率统计（第2版） | 精读 | done | 3 |
| 04 | 面向数据科学家的实用统计学 | 精读 | done | 3 |
| 05 | 干净的数据：数据清洗入门与实践 | 精读 | done | 3 |
| 06 | 命令行中的数据科学 | 精读 | done | 3 |
| 07 | Python数据科学手册 | 略读 | done | 0 |
| 08 | 数据科学实战 | 精读 | done | 4 |
划分理由
- 01 数据科学入门（第2版）：用一条虚拟社交网络产品线串起数据科学、线性代数、统计、概率、机器学习、推荐、MapReduce 和伦理，概念覆盖广且有可迁移骨架。
- 02 Python数据科学与机器学习：从入门到实践：课程式操作较多，围绕 Python 环境、示例代码和具体模型调用推进，适合查用但卡片价值较低。
- 03 统计思维：程序员数学之概率统计（第2版）：围绕分布、估计、假设检验、回归、时间序列和生存分析建立统计思维，原理稳定。
- 04 面向数据科学家的实用统计学：强调稳健估计、抽样、显著性检验、回归、分类、机器学习和无监督学习的实践判断，适合沉淀成工作原则。
- 05 干净的数据：数据清洗入门与实践：虽然有工具操作，但对格式、编码、空值、转换、采集、关系数据库和数据分享的原则有工程价值。
- 06 命令行中的数据科学：工具细节不少，但 OSEMN 工作流、管道化、可复用命令行工具和并行处理思想对工程效率有迁移价值。
- 07 Python数据科学手册：高质量工具手册，但主体是 IPython、NumPy、Pandas、Matplotlib、Scikit-Learn 的 API 和用法，适合作为速查材料略读。
- 08 数据科学实战：从真实案例讨论工作流、实验、算法、推荐、因果、数据泄漏、工程规模和职业伦理，信息浓度高。
类别清单核对（数据科学实践类）
| 必答维度 | 覆盖状态 | 已有卡片/说明 |
|---|---|---|
| 问题定义与数据科学工作流 | 已覆盖 | [[数据科学闭环]]、[[OSEMN流程]] |
| 数据获取、清洗与质量语义 | 已覆盖 | [[清洗是语义]]、[[空值有含义]] |
| 探索、统计推断与不确定性 | 已覆盖 | [[先看分布]]、[[抽样分布]]、[[假设检验防错]] |
| 特征、模型与评价 | 已覆盖 | [[模型是近似]]、[[评价先于模型]] |
| 实验、因果与数据泄漏 | 已覆盖 | [[相关不等因果]]、[[数据泄漏]] |
| 工具、可复现与工程化 | 已覆盖 | [[工具可组合]]、[[流程脚本化]]、[[分享要可复现]] |
| 业务价值、伦理与沟通 | 已覆盖 | [[数据伦理边界]]、[[职业伦理]] |
章节与卡片
01 数据科学入门（第2版）
03 统计思维：程序员数学之概率统计（第2版）
04 面向数据科学家的实用统计学
05 干净的数据：数据清洗入门与实践
06 命令行中的数据科学
08 数据科学实战
相关主题
暂无公开主题。