很多資料科學、機器學習的書，內容充滿各種建模的技術展示、完美的案例分析，卻忘記了更重要的「資料」。唯有掌握好手中的資料，才是機器學習成功建模的第一步。 　　無法了解資料，深度學習也救不了你；相反的，正確蒐集資料，輕鬆建模沒煩惱。 　　如何了解資料？當然要從統計觀念開始。學習統計一定都要看抽象複雜的數學嗎？並不是！本書所使用的範例，會告訴大家「為什麼統計學要如此定義」、「為什麼技巧要那樣使用」。當讀者了解統計背後的觀念時，才不會迷失在複雜的數學。此外，有別於一般市售書籍總是用漂亮案例展示程式運行結果，此書用相當多的範例都是「專家也會犯的錯誤」，相信讀者同時學習成功以及失敗的案例後，可以更全面地了解資料科學的分析流程觀念。 　　本書會介紹資料分析中的許多技術的基本觀念，如變異數分析、偏相關係數、自相關函數、Bonferroni校正、Holm校正、隨機對照試驗、斷點迴歸分析、傾向評分匹配、T檢定、F檢定、分層多階段抽樣法等，介紹的過程中會直擊分析技術的思維，而非僅展示漂亮的數學。 　　本書亦會說明身為資料科學家該有的素養，來避免確認偏誤、倖存者偏誤、選擇偏誤、發表偏誤、自願者偏誤、可得性偏誤、樂觀偏誤、常態偏誤、後此謬論、賭徒謬誤、辛普森謬論、p-hacking、HARKing、單方論證、霍桑效應、畢馬龍效應等資料分析中可能踩到的陷阱。 目錄 序言 第一篇 資料特性的相關知識 第1章 測量其實並非易事 1.1 測量資料 1.2 測量的難處 1.3 測量誤差之外的誤差 第2章 資料誤差 2.1 測量標準的選擇 2.2 問卷帶來的問題 2.3 抽樣母體誤差 2.4 沒觀測誤差 2.5 回答者帶來的問題 2.6 發表偏誤（Publication Bias） 第3章 測量誤差中的隨機誤差 (Random Error) 與偏誤 (Bias) 3.1 測量誤差（Measurement Error）的分析 3.2 誤差與機率分佈（Probability Distribution） 3.3 機率分佈的相關知識 3.4 處理隨機誤差 (Random Error) 第4章 資料抽樣方法論 4.1 抽樣的概念 4.2 抽樣的方法 第二篇 資料分析的相關知識 第5章 資料分析的基本流程 5.1 檢查手中資料 5.2 正確分析資料 5.3 妥善管理資料 第6章 干擾因子（Confounding Factor）與因果關係 6.1 兩個變數之間的關聯 6.2 面對並處理干擾因子（Confounding Factor） 6.3 無法使用隨機對照試驗（Randomized Controlled Trial）的處理方式 第7章 單一變數的分析手法 7.1 探討敘述統計量 (Descriptive Statistics) 7.2 探討資料分佈 7.3 探討理論分佈 7.4 探討時序資料 第8章 探究變數之間的關係 – 假設檢定（Hypothesis Testing）、檢定三步驟、手法選擇、相關係數、效應大小（Effect Size） 8.1 比較兩個變數的數值 8.2 關於假設檢定的思維 8.3 研究兩個變數的相關性 第9章 解讀多變數資料 9.1 探索分析與多重檢定 9.2 變異數分析（Analysis of Variance）與多重比較 9.3 探究相關結構 9.4 分析方法整理 第10章 數學模型的要點 10.1 簡介數學模型 10.2 配合目標來建立模型 10.3 使用模型進行預測（Prediction） 第三篇 資料活用的相關知識 第11章 分析資料的陷阱 11.1 資料操作時容易遇到的陷阱 11.2 資料有限時容易遇到的陷阱 11.3 資料推論時容易遇到的陷阱 第12章 解讀資料的陷阱 12.1 分析結果的可信度 12.2 解讀資料的認知偏誤 第13章 運用資料的陷阱 13.1 依不同目標做出評估跟決策 13.2 獲取資料的實際考量 13.3 現實世界與資料分析的差異