第1章　為什么要懂點統(tǒng)計學(xué)
1.1 這些統(tǒng)計問題，你會做嗎 2
1.2 統(tǒng)計學(xué)可以幫到你 6
1.3 到底什么是統(tǒng)計學(xué) 10
第2章　描述統(tǒng)計基礎(chǔ)
2.1 基本概念 14
2.2 數(shù)據(jù)預(yù)處理 17
2.3 繪制統(tǒng)計圖表 21
第3章　推斷統(tǒng)計基礎(chǔ)
3.1 常見的幾種概率分布 28
3.2 相關(guān)分析與回歸分析基礎(chǔ) 34
第4章　描述性統(tǒng)計分析
4.1 描述性統(tǒng)計分析基礎(chǔ) 40
4.2 頻數(shù)分布分析：用統(tǒng)計圖解決倫敦霍亂 40
4.3 關(guān)注數(shù)據(jù)代表性：統(tǒng)計學(xué)家改良轟炸機 44
4.4 異常值分析：1號店提升營銷精準率 48
4.5 對比分析：折線圖指導(dǎo)購房者尋找合算房價 52
4.6 描述性統(tǒng)計分析概述：泰坦尼克號生還數(shù)據(jù) 55
第5章　相關(guān)分析與回歸分析
5.1 相關(guān)分析與回歸分析概述 60
5.2 矩陣分解：價值百萬美元的Netflix推薦系統(tǒng) 61
5.3 一元線性回歸：引發(fā)金融危機的風(fēng)險價值模型 64
5.4 評分系統(tǒng)：星巴克選址借力大數(shù)據(jù) 68
5.5 相關(guān)與回歸概述：航空乘客數(shù)量預(yù)測 71
第6章　關(guān)聯(lián)分析與聚類分析
6.1 關(guān)聯(lián)分析與聚類分析概述 78
6.2 購物籃分析：啤酒與尿布的經(jīng)典案例 79
6.3 序列模式挖掘：Web訪問模式幫助電商優(yōu)化網(wǎng)站 83
6.4 快速聚類：通過分類降低客戶退貨率 87
6.5 層次聚類：為鳶尾花分類 91
6.6 關(guān)聯(lián)與聚類綜述：加州極客的聚類分析把妹法 95
第7章　決策樹與模式識別
7.1 C4.5算法：電信客戶流失預(yù)測 100
7.2 自組織神經(jīng)網(wǎng)絡(luò)：**路徑和旅行商問題 105
7.3 貝葉斯決策：神奇的谷歌智能翻譯 110
7.4 支持向量機：應(yīng)用廣泛的手寫識別與語音識別 114
7.5 判別分析：電信行業(yè)構(gòu)建客戶流失模型 119
7.6 模式識別綜述：日趨成熟的信用評分模型 124
第8章　更多的數(shù)據(jù)挖掘算法
8.1 核密度估計法：警務(wù)大數(shù)據(jù)預(yù)測犯罪 130
8.2 Flu Trends：谷歌流感趨勢幫助控制疫情 134
8.3 Apriori算法：透視美國國會投票模式 137
8.4 SVD簡化數(shù)據(jù)：IBM軟件自動生成新菜譜 142
8.5 文本分析：垃圾郵件過濾系統(tǒng) 146
8.6 AdaBoost元算法：偵測欺詐交易 150