本书与以往统计学中的概率论略有不同,添加了一些复杂数据类型的概率基础知识和模拟计算中的相关概率知识。具体安排如下所述。本书共分6章。第1章为概率与计数,基本内容是随机事件、概率空间、计数方法、概率的确定方法。第2章为条件概率,基本内容是条件概率与乘法公式、事件的独立性、全概率公式与贝叶斯公式。第3章为随机变量,基本内容是随机变量及其分布函数、随机变量的分类、二维随机向量、随机变量的独立性、随机变量函数的分布。第4章为常用的概率分布,基本内容是常用的离散型随机变量、常用的连续型随机变量、随机数的产生。第5章为随机变量的数字特征,基本内容是数学期望、方差和协方差、矩和矩母函数、条件期望。第6章为不等式和极限定理,基本内容是概率不等式、大数定律及其应用、中心极限定理。

本书内容分为八章，基本涵盖了目前较为常用的数据科学建模方法，包括现在热门的深度学习。书中不仅介绍模型的理论基础，还以大量案例结合现实数据为读者展示了数据分析中常见任务的处理流程，如分类、回归、聚类、推荐、图片识别等，帮助读者应用这些模型和方法解决实际问题。 第1章首先对数据科学的任务和重要性进行了概述，接着介绍数据科学的建模流程以及Python语言开发环境与常用库； 第二章介绍了回归模型，包括线性回归和逻辑回归模型； 第三章介绍了聚类模型，包括k-means算法、DBSCAN算法和DIANA算法； 第四章介绍了关联规则分析，包括Apriori算法和FP-Growth算法； 第五章介绍了决策树模型，包括ID3、C4.5和CART算法及树的剪枝方法； 第六章介绍了支持向量机，包括线性和非线性支持向量机以及向量机的求解与多分类问题； 第七章介绍

C#语言已经成为.NET平台中*流行的编程语言。本书以Visual Studio 2012和SQL Server 2008为开发平台，从实际应用的角度出发，重点介绍了使用C#开发Windows应用程序的方法和技术。全书共9章内容，第1章为C#概述，介绍了Microsoft.NET平台概述、C#语言简介、Visual Studio集成开发环境和C#程序结构介绍；第2~3章为C#程序设计基础，通过实例以循序渐进的方式介绍了C#语言的各种语法、知识点和面向对象的基本思想；第4~5章介绍了使用C#语言开发Windows窗体应用程序，包括Windows窗体常用控件、菜单编程、对话框和多文档编程；第6章介绍了各种文件操作；第7章介绍了进程，包括线程和多线程编程；第8章介绍了数据库编程；第9章通过开发一个图书馆管理系统，全面介绍了软件开发流程，阐述了使用Visual C# 2012开发Windows应用程序的基本知识。本书内容立足于课堂教学和实际应用，各章均配有

本书内容共分为7章。 第1章介绍了数据分析的应用背景、研究内容和基本概念。第2章聚焦于数据的可视化方法，并例举了现有网络工具的使用方法，本章内容几乎不需要编程基础。第3章着眼于数据分析与数学优化建模的联系，并介绍了常用的梯度下降优化算法。第4章凸显了数据降维和特征提取的必要性，给出了一些常用的降维算法。第5章和第6章详述了无监督学习和有监督学习的典型算法及示例。第7章介绍了深度学习的鲁棒性问题，这是当前数据分析的前沿领域。本书 的附录部分简述了深度神经网络的基本原理以及PyTorch开发框架。

本图书注重数字化转型的根本任务、核心路径、关键驱动要素。从价值体系优化、创新和重构，新型能力建设，数据要素驱动提出系统化推进数字化转型的一整套参考架构，提出能力单元的模型及建设要点，具有系统性、针对性、可执行性，具有很高的应用价值。本图书从按照价值体系优化、创新和重构的要求提出数字化转型的主要视角，以新型能力建设为主线提出数字化转型的过程方法，围绕数据要素驱动作用的逐步发挥提出数字化转型的发展阶段要求，构建一套数字化转型参考架构，从而支持相关各方更加系统化、体系化、全局化推进数字化转型这一复杂巨系统工程。 本图书面向开展数字化转型的企业及提供数字化转型服务的各类组织。

在全世界不同的文化中，数据的收集与组织都有着悠久的历史，甚至在计算机思想出现之前很久就已存在。但只是到了互联网时代，日常产生的数据量才开始变得 巨大，而且继续呈指数级增长，其中包括我们上传的文件、视频、照片、社交媒体信息、在线购物，甚至我们汽车的GPS导航数据。大数据这一术语所代表的不仅仅是一种量变，而是一种质变；其所指涉的不仅是新的技术，还有企业和政府利用它的方式。霍尔姆斯基于统计学、概率论和计算机科学，对大数据这一主题进行了概要性探讨，并强调指出，大数据不仅改变了商业的运营模式，而且改变了医疗研究的进行方式。与此同时，它也引起了一些重要的伦理问题，作者据此对斯诺登事件、数据安全，以及家庭智能设备可能被黑客挟持等实例进行了讨论。