本書圍繞數據全生命周期介紹了數據科學與工程的基本理論，具體包括七部分內容：第一部分緒論；第二部分大規模數據的采集、加工、管理和數據工程；第三部分數據可視化；第四部分數據分析；第五部分數據應用；第六部分數據科學倫理；第七部分數據科學的高級實現。

●算法/程序列表
第一部分 數據科學與工程概述
第1章
緒論
1.1 信息文明與數據簡史
1.2 數據科學與工程的基本內涵
1.3 第四範式：數據密集型科學
1.4 數據科學與工程的應用
1.5 實踐：以Git與Python為中心
1.6 本章小結
1.7 習題與實踐
第2章
數據思維與問題求解
2.1 問題求解與思維方式
2.2 計算思維與數據思維
2.3 計算思維與數據思維實例
2.4 實踐：Python問題求解
2.5 本章小結
2.6 習題與實踐
第二部分 數據與計算的基礎設施
第3章
數據的模型與結構
3.1 比特與數據
3.2 進制與數據表達
3.3 數據的編碼與存儲
3.4 數據的模型
3.5 數據的結構
3.6 實踐：Python數據結構
3.7 本章小結
3.8 習題與實踐
第4章
數據的計算與程序表達
4.1 數據的計算
4.2 算法分析
4.3 算法的實例
4.4 計算機編程語言
4.5 實踐：Python算法
4.6 本章小結
4.7 習題與實踐
第5章
計算基礎設施
5.1 數據處理的通用機器
5.2 程序執行過程
5.3 計算機繫統結構
5.4 基礎設施軟件
5.5 雲計算與數據中心
5.6 實踐：基礎設施數據采集與分析
5.7 本章小結
5.8 習題與實踐
第6章
數據的全生命周期管理
6.1 數據采集
6.2 數據存儲
6.3 數據管理
6.4 數據計算
6.5 數據分析
6.6 數據展示
6.7 實踐：Python網絡爬蟲
6.8 本章小結
6.9 習題與實踐
第7章
數據庫繫統
7.1 數據庫的起源與發展
7.2 關繫數據庫
7.3 數據倉庫與OLAP
7.4 SQL語言
7.5 實踐：SQL數據處理與分析
7.6 本章小結
7.7 習題與實踐
第8章
大數據繫統
8.1 大數據的基本概念
8.2 Hadoop和Spark生態
8.3 SQL與Hadoop的組合
8.4 大數據繫統的發展與未來
8.5 實踐：Hadoop與Spark大數據處理
8.6 本章小結
8.7 習題與實踐
第三部分 數據分析的原理與方法
第9章
數據科學過程
9.1 數據科學過程基礎
9.2 數據科學工作流
9.3 實踐：KNIME數據科學工作流
9.4 本章小結
9.5 習題與實踐
第10章
統計分析的原理
10.1 數據科學的數學基礎
10.2 概率與統計基礎
10.3 統計建模：線性回歸模型
10.4 數據分析的工具
10.5 實踐：Python統計分析
10.6 本章小結
10.7 習題與實踐
第11章
機器學習方法
11.1 機器學習發展歷史
11.2 機器學習方法
11.3 機器學習近期新發展
11.4 經典機器學習算法
11.5 實踐：Python機器學習
11.6 本章小結
11.7 習題與實踐
第12章
深度學習
12.1 深度學習介紹
12.2 深度學習價值
12.3 誤差反向傳播算法
12.4 卷積神經網絡
12.5 深度學習工具
12.6 實踐：Python深度學習——手寫漢字識別
12.7 本章小結
12.8 習題與實踐
第13章
數據挖掘基礎
13.1 初識數據挖掘
13.2 數據挖掘技術
13.3 典型數據挖掘算法
13.4 實踐：Python圖像分類
13.5 本章小結
13.6 習題與實踐
第14章
非結構化數據挖掘
14.1 自然語言處理
14.2 語音信號處理
14.3 圖像處理與理解
14.4 實踐：Python文本數據挖掘
14.5 本章小結
14.6 習題與實踐
第四部分 數據應用與社會問題
第15章
數據綜合應用
15.1 搜索引擎
15.2 智能運維
15.3 開源數字年報
15.4 本章小結
15.5 習題與實踐
第16章
數據道德與職業行為準則
16.1 開放的世界
16.2 數據科學與工程職業規劃
16.3 數據隱私與社會問題
16.4 數據與人工智能倫理
16.5 本章小結
16.6 習題與實踐
文獻閱讀
參考文獻
附錄

《數據科學與工程導論》圍繞數據全生命周期介紹了數據科學與工程的基本理論，具體包括七部分內容：第一部分緒論；第二部分大規模數據的采集、加工、管理和數據工程；第三部分數據可視化；第四部分數據分析；第五部分數據應用；第六部分數據科學倫理；第七部分數據科學的高級實現。