第1章　為什么要懂點(diǎn)統(tǒng)計(jì)學(xué)
1.1 這些統(tǒng)計(jì)問(wèn)題，你會(huì)做嗎 2
1.2 統(tǒng)計(jì)學(xué)可以幫到你 6
1.3 到底什么是統(tǒng)計(jì)學(xué) 10
第2章　描述統(tǒng)計(jì)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(jì)圖表 21
第3章　推斷統(tǒng)計(jì)基礎(chǔ)
3.1 常見(jiàn)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(jì)分析
4.1 描述性統(tǒng)計(jì)分析基礎(chǔ) 40
4.2 頻數(shù)分布分析：用統(tǒng)計(jì)圖解決倫敦霍亂 40
4.3 關(guān)注數(shù)據(jù)代表性：統(tǒng)計(jì)學(xué)家改良轟炸機(jī) 44
4.4 異常值分析：1號(hào)店提升營(yíng)銷精準(zhǔn)率 48
4.5 對(duì)比分析：折線圖指導(dǎo)購(gòu)房者尋找合算房?jī)r(jià) 52
4.6 描述性統(tǒng)計(jì)分析概述：泰坦尼克號(hào)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(jià)值百萬(wàn)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(jī)的風(fēng)險(xiǎn)價(jià)值模型 64
5.4 評(píng)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(cè) 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(gòu)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(wèn)模式幫助電商優(yōu)化網(wǎng)站 83
6.4 快速聚類：通過(guò)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(shí)別
7.1 C4.5算法：電信客戶流失預(yù)測(cè) 100
7.2 自組織神經(jīng)網(wǎng)絡(luò)：**路徑和旅行商問(wèn)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(jī)：應(yīng)用廣泛的手寫識(shí)別與語(yǔ)音識(shí)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(shí)別綜述：日趨成熟的信用評(píng)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(jì)法：警務(wù)大數(shù)據(jù)預(yù)測(cè)犯罪 130
8.2 Flu Trends：谷歌流感趨勢(shì)幫助控制疫情 134
8.3 Apriori算法：透視美國(guó)國(guó)會(huì)投票模式 137
8.4 SVD簡(jiǎn)化數(shù)據(jù)：IBM軟件自動(dòng)生成新菜譜 142
8.5 文本分析：垃圾郵件過(guò)濾系統(tǒng) 146
8.6 AdaBoost元算法：偵測(cè)欺詐交易 150