Cuốn sách này là giáo trình cho khóa học đầu tiên về khoa học dữ liệu. Không cần kiến ​​thức trước về R, mặc dù một số kinh nghiệm lập trình có thể hữu ích. Cuốn sách được chia thành sáu phần: R, trực quan hóa dữ liệu, thống kê với R, xử lý dữ liệu, học máy và các công cụ năng suất. Mỗi phần có một số chương được trình bày dưới dạng một bài giảng. Tác giả sử dụng các nghiên cứu điển hình đầy động lực mô phỏng một cách thực tế trải nghiệm của một nhà khoa học dữ liệu.

Cuốn sách cung cấp nền tảng toàn diện cho sinh viên tiếp cận khoa học dữ liệu, từ khái niệm cơ bản đến các kỹ thuật phân tích nâng cao. Cuốn sách cũng nhấn mạnh tầm quan trọng của đạo đức trong toàn bộ chu trình khoa học dữ liệu, cách trực quan hóa dữ liệu hiệu quả và cách báo cáo kết quả một cách rõ ràng, chặt chẽ.

Cuốn sách này gồm có hai phần, phần đầu tiên được thiết kế để sử dụng trong khóa học lập trình cơ bản dành cho những sinh viên muốn học Python mà không có bất kỳ kinh nghiệm lập trình nào trước đó. Các khái niệm lập trình cơ bản được thảo luận, giải thích và minh họa bằng chương trình Python.

Cuốn sách truy cập mở này bao gồm toàn diện các nguyên tắc cơ bản của khoa học dữ liệu lâm sàng, tập trung vào thu thập dữ liệu, mô hình hóa và các ứng dụng lâm sàng. Các chủ đề được đề cập trong phần đầu tiên về thu thập dữ liệu bao gồm: nguồn dữ liệu, dữ liệu ở quy mô lớn (dữ liệu lớn), quản lý dữ liệu (dữ liệu FAIR) và các mối quan tâm liên quan đến quyền riêng tư. Các khía cạnh của mô hình dự đoán sử dụng các kỹ thuật như phân loại, hồi quy hoặc phân cụm và xác thực mô hình dự đoán sẽ được đề cập trong phần thứ hai. Phần thứ ba bao gồm các khía cạnh của hệ thống hỗ trợ quyết định lâm sàng (di động), sự xuất sắc trong hoạt động và chăm sóc sức khỏe dựa trên giá trị.

Trực quan hóa theo thời gian thực, dựa trên web và tương tác được chứng minh là các phương pháp và công cụ nổi bật trong nhiều lĩnh vực khi có sẵn kiến thức về khoa học dữ liệu phức tạp và kỹ thuật trực quan. Lý do cho điều này là do các phương pháp phân tích khoa học dữ liệu hiện đại như máy/học sâu hoặc trí tuệ nhân tạo, cũng như kết hợp kỹ thuật số, hứa hẹn cung cấp thông tin chi tiết về dữ liệu, cho phép đưa ra quyết định sáng suốt và tạo điều kiện cho các tương tác phong phú giữa các bên liên quan.

Cuốn sách này nhằm mục đích chứng minh vai trò hiện đại của lý thuyết thông tin trong một loạt các ứng dụng khoa học dữ liệu.

Cuốn sách giới thiệu toàn diện về Khoa học dữ liệu dành cho sinh viên mới bắt đầu, tập trung vào các nền tảng như phân tích dữ liệu thăm dò, cấu trúc dữ liệu, quan hệ nhân quả, học máy và lập trình Python với Jupyter Notebooks.

Cuốn sách này giúp bạn học cách sử dụng: IPython và Jupyter: cung cấp môi trường tính toán cho các nhà khoa học dữ liệu sử dụng Python; NumPy: bao gồm ndarray để lưu trữ và thao tác hiệu quả các mảng dữ liệu dày đặc trong Python; Pandas: có DataFrame để lưu trữ và thao tác hiệu quả dữ liệu được gắn nhãn/cột trong Python; Matplotlib: bao gồm các khả năng cho một loạt trực quan hóa dữ liệu linh hoạt trong Python; Scikit-Learn: để triển khai Python hiệu quả và rõ ràng các thuật toán học máy quan trọng và lâu đời nhất.

Người đọc cho cuốn sách này sẽ là người hiểu biết về định lượng và có hiểu biết cơ bản về các khái niệm thống kê và lập trình R.Sinh viên phải có hiểu biết cơ bản về suy luận thống kê như có trong Suy luận thống kê cho khoa học dữ liệu.

Cẩm nang thiết kế khoa học dữ liệu là nguồn cung cấp thông tin chi tiết thực tế nêu bật những gì thực sự quan trọng trong việc phân tích dữ liệu và cung cấp hiểu biết trực quan về cách sử dụng các khái niệm cốt lõi này.