本系列教程为《Python数据科学——技术详解与商业实践》的读书笔记。该书以Python为实现工具，以商业实战为导向，从技术、业务、商业实战3个维度来展开学习。本书共19章（Python环境安装和Python基础语法法本系列教程不做讲解），内容较多，旨在学习和记录。但惶恐自身能力有限，未及原书三分，故征得原书作者同意，才敢动笔。

1.1 数据科学的基本概念

数据科学并不是一门学科，它是为了完成商业或工业上的目标，从数据获取知识，为行动提出建议的方法、技术和流程的最佳实践。
本书提供了数据科学工作者的工作范式图，这里将这个工作范式图简单进行描述：数据通过维度分析转换为信息；信息通过建模分析得到知识；知识结合业务目标以此进行决策和行动。
与数据科学相关的知识设计多个学科和领域，包括统计学、数据挖掘、模式识别、机器学习（人工智能）、数据库等。

1.2 数理统计技术

1.2.1 描述性统计分析

新闻报道中的居民收入情况，并不需要把每个人的收入都念一遍，而是取的均值。描述性统计分析就是从总体数据中提取变量的统计量。在日常的业务分析报告中，常使用该方法完成。在实际中，也就是通过Python进行数据统计，完成统计表和统计图的呈现即可。

1.2.2 统计推断与统计建模

统计推断及统计建模，含义是建议解释变量与被解释变量之间可解释的、稳定的，最好是具有因果关系的表达式（下文会详细介绍）。

1.3 数据挖掘技术和方法

数据挖掘的方法分为描述性和预测性。预测性模型从历史数据中找到规律，并用于预测未来；描述性模型用于直观反映历史状况，为后续的分析提供灵感。
例如：判断客户是否违约，可通过客户的性别、年龄、收入、历史信用状况等因素进行预测。这里就是预测性模型。
通过客户标签对用户细分，以便针对不同客户做不同运营；根据客户的产品购买，发现产品间的相关性，用于捆绑营销。这些就是属于描述性模型。

1.3.1 描述性数据挖掘算法

• 聚类分析
• 关联规则分析

1.3.2 预测性数据挖掘算法

• 决策树
• KNN算法
• Logistic回归
• 神经网络
• 支持向量机
• 集成算法
  具体的算法在后文中一一讲解。

总结

第一章主要是起到总的作用，首先介绍了数据科学的概念和流程。接下来针对问题的难易，将数据科学需要用到的技术划分为：数理统计技术和数据挖掘技术。这些技术也就是数据科学家的武器库。