豆瓣评论

  • bruce
    写得什么乱七八糟的东西!前言中说将技术与商业场景紧密结合,强调开放性商业问题在量化分析上的收敛,但没有任何实际的商业问题的分析推导思路,全是简单的案例,行文没有逻辑,代码质量很差,完全不知道在说什么。08-26
  • Utopia
    这本书涵盖了商业理解、量化模型、数据技术3个方向,介绍了数据科学的应用场景、理论支撑和技术,很适合从业者阅读。06-29
  • 用脚趾想
    机器学习章节一般,其余章节还行,介绍了一些不常见的方法07-19
  • 天堂的恶魔
    想学数据科学的所有知识点不现实也没必要,这本书把关键节点介绍到了,可以作为初入职场的修炼手册。06-29
  • Arc
    能看出来很苦口婆心了09-02
  • Starry
    用于了解,内容不够扎实02-12
  • Trim
    有些章节很开阔视野,是完全没听过的研究方法...如果有paper标注就更好了06-28
  • vito
    近二十位作者共创、众包完成的书,以后看到这么多人写的拼盘书籍,一定要躲得远远的。除了前两章还有点水平,后面真的是不值得一看。选题挺不错,但是质量不敢恭维,一本用 python 解决项目的书,居然还有个案例半中间出现了 R 语言,拼盘也要讲究点风格统一吧,挺失望的。12-21
  • clmz
    没有具体的业务场景不建议看…08-04
  • 大憨
    有点东西,SVD原理及推导是见过的中的讲的最通俗易懂的。08-15
  • 杀意大名
    认为这个书的水平没有到达工作2年分析师的水准, 原因有三: 问题的背景和定义讲不明白; 数学公式和方法本质说不清楚; 半本书靠代码充数, 且代码只是掉包和堆叠. 唯一的用处是抛出了一些问题, 帮助了解不同业务中数据科学方法的使用. 非常遗憾...08-31
  • 谷粒粒
    给ab实验两分。其他的部分看目录以为会有深入的业务结合,结果实际内容并没有比谷歌关键词来得多… 还有,这种大段代码是哪里来的风气,凑字数吗?05-30
  • 佳吉
    纯技术,就有些难读懂03-31
  • 一袋米扛几楼
    还不错,能开阔视野,可作为数据科学的入门书籍09-23