數(shù)據(jù)科學(xué)項目管理實踐

目錄
前言
第一部分 什 么 是 數(shù) 據(jù) 科 學(xué)？
第 1 章 數(shù)據(jù)科學(xué)概論· 2
1.1 人工智能定義 3
1.1.1 數(shù)據(jù)科學(xué)的定義 3
1.1.2 數(shù)據(jù)科學(xué)的影響 4
1.1.3 數(shù)據(jù)科學(xué)的局限 4
1.2 機器學(xué)習(xí)導(dǎo)論 5
1.2.1 機器學(xué)習(xí)模型提供的決策和洞見· 5
1.2.2 機器學(xué)習(xí)模型需要的數(shù)據(jù) 6
1.2.3 機器學(xué)習(xí)的起源 7
1.2.4 機器學(xué)習(xí)剖析 7
1.2.5 機器學(xué)習(xí)可解決的任務(wù)類型 8
1.3 深度學(xué)習(xí)導(dǎo)論 · 11
1.3.1 自然語言理解應(yīng)用· 12
1.3.2 探究計算機視覺 13
1.4 深度學(xué)習(xí)用例 · 16
1.5 因果推理導(dǎo)論 · 16
1.6 本章小結(jié) · 19
第 2 章 機器學(xué)習(xí)模型測試 20
2.1 離線模型測試 · 20
2.1.1 模型誤差 20
2.1.2 誤差分解 21
2.1.3 技術(shù)度量指標 26
2.1.4 業(yè)務(wù)度量指標 32
2.2 在線模型測試 · 322.2.1 在線測試的意義 · 32
2.2.2 在線數(shù)據(jù)測試· 36
2.3 本章小結(jié) 36
第 3 章 人工智能基礎(chǔ) 37
3.1 理解數(shù)學(xué)優(yōu)化 37
3.2 理解統(tǒng)計學(xué) 41
3.2.1 頻率學(xué)派的概率 · 42
3.2.2 條件概率 42
3.2.3 關(guān)于概率的貝葉斯觀點 · 44
3.2.4 分布 44
3.2.5 利用數(shù)據(jù)樣本計算統(tǒng)計量 · 45
3.2.6 統(tǒng)計建模 46
3.3 機器如何學(xué)習(xí) 48
3.4 探究機器學(xué)習(xí) 52
3.4.1 機器學(xué)習(xí)簡介· 52
3.4.2 線性模型 53
3.4.3 分類與回歸樹· 53
3.4.4 集成模型 54
3.4.5 聚類模型 56
3.5 探究深度學(xué)習(xí) 58
3.5.1 建立神經(jīng)網(wǎng)絡(luò)· 61
3.5.2 計算機視覺應(yīng)用 · 62
3.5.3 自然語言處理應(yīng)用 · 64
3.6 本章小結(jié) 69
第二部分 項目團隊的組建與維持
第 4 章 理想的數(shù)據(jù)科學(xué)團隊 71
4.1 數(shù)據(jù)科學(xué)團隊的角色 71
4.2 探究數(shù)據(jù)科學(xué)團隊的角色及其職責(zé) 74
4.2.1 案例 1：應(yīng)用機器學(xué)習(xí)防止銀行詐騙 74
4.2.2 案例 2：機器學(xué)習(xí)在零售公司的應(yīng)用 75
4.2.3 數(shù)據(jù)科學(xué)家的關(guān)鍵技能 · 774.2.4 數(shù)據(jù)工程師的關(guān)鍵技能 · 78
4.2.5 數(shù)據(jù)科學(xué)項目經(jīng)理的關(guān)鍵技能 · 79
4.2.6 開發(fā)團隊的支持 80
4.3 本章小結(jié) · 80
第 5 章 數(shù)據(jù)科學(xué)團隊招聘面試 81
5.1 技術(shù)招聘面試的通病 · 81
5.1.1 發(fā)現(xiàn)不需要的候選者· 82
5.1.2 明確面試目的 84
5.2 將價值和倫理引入面試 · 85
5.3 面試設(shè)計 · 86
5.3.1 設(shè)計測試作業(yè) 87
5.3.2 不同數(shù)據(jù)科學(xué)角色的面試 · 90
5.4 本章小結(jié) · 92
第 6 章 組建數(shù)據(jù)科學(xué)團隊 93
6.1 鑄就團隊靈魂（ Zen，禪） 93
6.2 領(lǐng)導(dǎo)力和人員管理 · 96
6.2.1 以身作則 96
6.2.2 發(fā)揮情境領(lǐng)導(dǎo)力（ situational leadership） 97
6.2.3 明確任務(wù) 99
6.2.4 感情移入（ empathy，共情） 100
6.3 培養(yǎng)成長型思維 101
6.3.1 團隊整體的成長 101
6.3.2 面向個體成長的持續(xù)學(xué)習(xí) 102
6.3.3 提供更多的學(xué)習(xí)機會 103
6.3.4 利用績效評價幫助員工成長 104
6.4 案例：創(chuàng)建數(shù)據(jù)科學(xué)部門 106
6.5 本章小結(jié) 108
第三部分 數(shù)據(jù)科學(xué)項目的管理
第 7 章 創(chuàng)新管理· 110
7.1 理解創(chuàng)新 110
7.2 大型組織為何屢屢失敗？ 1117.2.1 市場的游戲規(guī)則 111
7.2.2 開拓新市場 112
7.3 探究創(chuàng)新管理 112
7.3.1 案例： MedVision 的創(chuàng)新周期· 114
7.3.2 集成創(chuàng)新 · 116
7.4 銷售、營銷、團隊領(lǐng)導(dǎo)方式以及技術(shù) 117
7.5 大公司的創(chuàng)新管理 119
7.5.1 大公司的創(chuàng)新管理簡介 119
7.5.2 案例：零售業(yè)務(wù)的數(shù)據(jù)科學(xué)項目 120
7.6 初創(chuàng)公司的創(chuàng)新管理 121
7.7 發(fā)現(xiàn)項目想法 122
7.7.1 從業(yè)務(wù)發(fā)現(xiàn)想法 122
7.7.2 從數(shù)據(jù)發(fā)現(xiàn)想法 123
7.8 本章小結(jié) 127
第 8 章 管理數(shù)據(jù)科學(xué)項目 128
8.1 理解數(shù)據(jù)科學(xué)項目的失敗 128
8.1.1 數(shù)據(jù)科學(xué)項目失敗的常見原因 128
8.1.2 數(shù)據(jù)科學(xué)管理方法 129
8.2 探究數(shù)據(jù)科學(xué)項目全生命周期 130
8.2.1 業(yè)務(wù)理解 · 130
8.2.2 數(shù)據(jù)理解 · 130
8.2.3 數(shù)據(jù)準備 · 131
8.2.4 建模 · 132
8.2.5 評價 · 133
8.2.6 部署 · 133
8.3 項目管理方法論的選擇 134
8.3.1 瀑布式管理 134
8.3.2 敏捷 · 135
8.3.3 Kanban · 135
8.3.4 Scrum 137
8.4 選擇適合項目的方法論 139
8.4.1 開展顛覆性創(chuàng)新 139
8.4.2 準備測試過的解決方案 1398.4.3 為客戶量身定制項目 139
8.5 估測數(shù)據(jù)科學(xué)項目 140
8.5.1 數(shù)據(jù)科學(xué)項目估測簡介 140
8.5.2 學(xué)會估測時間和成本 141
8.6 明確估測過程的目標 144
8.7 本章小結(jié) 144
第 9 章 數(shù)據(jù)科學(xué)項目的常見陷阱· 145
9.1 規(guī)避數(shù)據(jù)科學(xué)項目的常見風(fēng)險 145
9.2 推進研究項目 146
9.3 實施原型和最簡可行產(chǎn)品項目 147
9.3.1 原型和最簡可行產(chǎn)品開發(fā)簡介 147
9.3.2 案例：咨詢公司的最簡可行產(chǎn)品· 148
9.4 應(yīng)對實用型數(shù)據(jù)科學(xué)系統(tǒng)的風(fēng)險 149
9.4.1 實用型數(shù)據(jù)科學(xué)系統(tǒng)風(fēng)險及其解決方法 · 149
9.4.2 案例：將銷售預(yù)測系統(tǒng)投入應(yīng)用· 151
9.5 本章小結(jié) 152
第 10 章 創(chuàng)造產(chǎn)品與提升可重用性 153
10.1 產(chǎn)品思維 153
10.2 確定項目所處階段 154
10.2.1 項目類型和所處階段的劃分 154
10.2.2 案例：服務(wù)平臺調(diào)度系統(tǒng)的開發(fā) 155
10.3 提高可重用性 156
10.4 尋找和開發(fā)產(chǎn)品 157
10.4.1 尋找和開發(fā)產(chǎn)品簡介 · 157
10.4.2 隱私問題· 158
10.5 本章小結(jié) 158
第四部分 開發(fā)基礎(chǔ)環(huán)境的構(gòu)建
第 11 章 實施 ModelOps· 160
11.1 認識 ModelOps 160
11.2 了解 DevOps 161
11.2.1 數(shù)據(jù)科學(xué)項目基礎(chǔ)系統(tǒng)的特殊需求 16111.2.2 數(shù)據(jù)科學(xué)交付流程· 162
11.3 管理代碼版本和質(zhì)量 · 163
11.4 存儲數(shù)據(jù)和代碼 · 164
11.4.1 數(shù)據(jù)跟蹤與版本化· 165
11.4.2 實際的數(shù)據(jù)存儲· 165
11.5 管理環(huán)境 · 167
11.6 追蹤實驗 · 168
11.7 自動測試的重要性 · 170
11.8 代碼打包 · 171
11.9 模型的持續(xù)訓(xùn)練 · 172
11.10 案例：開發(fā)預(yù)測維護系統(tǒng)的 ModelOps · 173
11.11 項目的動力源 177
11.12 本章小結(jié) 179
第 12 章 建立技術(shù)棧 180
12.1 定義技術(shù)棧的要素 · 180
12.2 核心技術(shù)與項目專用技術(shù)的選擇 · 183
12.3 比較工具與產(chǎn)品 · 184
12.3.1 如何比較不同的工具與產(chǎn)品 · 184
12.3.2 案例：物流公司的需求預(yù)測 · 185
12.4 本章小結(jié) · 187
第 13 章 結(jié)論 188
13.1 增進知識 · 189
13.2 本章小結(jié)