内容简介
《真实数据科学》的核心目标是引导读者进行负责任、可信赖的数据科学实践。本书跳出了单纯讲解算法和工具的局限，直击数据科学实践中最核心却常被忽视的挑战——如何确保数据分析结果的可信与可靠。书中提出了独特的PCS框架（可预测性、可计算性、稳定性），该框架贯穿于数据科学生命周期的全流程，旨在通过批判性思维和实证评估，帮助从业者避免“数据窥探”和得出误导性结论。
在内容组织上，本书主要分为三大部分：
1.基础概念篇：介绍PCS框架的精髓、数据科学生命周期（DSLC），并指导如何高效组织数据科学项目、运用开发工具确保可重复性。
2.数据准备与探索篇：深入探讨数据清理、预处理、探索性数据分析（EDA）、主成分分析及聚类等核心技术，并辅以PCS审查。
3.预测与分析篇：聚焦预测问题，介绍基于常见统计和机器学习算法（如最小二乘法、逻辑回归、决策树与随机森林等）的预测技术，并运用PCS框架评估预测结果的可信度。 全书借助全球器官捐献数据、美国农业部食物营养数据等真实案例，详细演示了从数据清洗、探索性数据分析到模型构建的全流程，展现了如何在复杂的真实数据场景中得出严谨、可信的结论。
作者介绍
本书作者之一的郁彬教授是国际著名的统计学家，现任加利福尼亚大学伯克利分校统计系、电子工程系和计算生物中心的校长杰出教授。她是美国国家科学院院士和美国艺术与科学院院士。郁彬教授在统计机器学习理论、高维数据分析、可信人工智能等领域成就斐然，并致力于广泛的跨学科研究。她曾于2013-2014年期间担任国际数理统计学会（IMS）主席，并获得多项重要荣誉。并获得多项重要荣誉。
另外，合著者丽贝卡·L·巴特于2019年毕业于加州大学伯克利分校取得统计学博士学位，现为犹他大学研究助理教授。她致力于改进统计学与数据素养的教学方法，并深入研究医疗数据，开发预测模型和进行解释性的数据可视化。
核心理念
本书的核心思想与PCS框架非常精要，其理念是：PCS框架旨在将预测和复制的科学原理嵌入到数据驱动的决策中，同时认识到计算的中心作用。它可以作为科学假设生成和实验设计的推荐系统，用于负责任的、可靠的、可复制的和透明的分析。
此外，本书强调运用批判性思维评估和建立可信度，并关注“多重因素如何影响分析质量，以及如何通过严谨的全流程管理提升结果的可靠性”。
小慕有话说
这本书为大家在以下三个层面提供了帮助：
聚焦可信赖的实践：不同于大多数讲解技术和算法的数据科学书籍，本书直面数据分析中的可信度与可靠性这一核心挑战，帮助大家从“会写代码”提升到“能做出负责任决策”的层次。
权威作者深厚积淀：作者郁彬教授是统计学和机器学习领域的国际权威，其深厚的学术背景和丰富的跨学科研究经验，保证了本书内容的深度与前瞻性。
PCS框架的强实用性：提供的PCS框架具有极强的可操作性，能系统地指导大家评估和提升数据分析各个阶段的质量，培养批判性思维习惯。
文 字 | 李明玥
排 版 | 贺宁新
责任编辑 ｜ 肖 曈
二 审 | 贺明慧
三 审 | 田瑜辉
