数据科学是一门内涵很广的学科，它涉及到统计分析、机器学习以及计算机科学三方面的知识和技能。本书深入浅出、全面系统地介绍了这门学科的内容。
本书分为13章，最初的3章主要介绍数据科学想要解决的问题、常用的IT工具Python以及这门学科所涉及的数学基础。第4-7章主要讨论数据模型，主要包含三方面的内容：一是统计中最经典的线性回归和逻辑回归模型；二是计算机估算模型参数的随机梯度下降法，这是模型工程实现的基础；三是来自计量经济学的启示，主要涉及特征提取的方法以及模型的稳定性。接下来的8-10章主要讨论算法模型，也就是机器学习领域比较经典的模型。这三章依次讨论了监督式学习、生成式模型以及非监督式学习。目前数据科学最前沿的两个领域分别是大数据和人工智能。本书的第11章将介绍大数据中很重要的分布式机器学习，而本书的最后两章将讨论人工智能领域的神经网络和深度学习。
本书通俗易懂，而且理论和实践相结合，可作为数据科学家和数据工程师的学习用书，也适合对数学科学有强烈兴趣的初学者使用。同时也可作为高等院校计算机、数学及相关专业的师生用书和培训学校的教材。

《社会科学因果推断的理论基础》系统介绍了反事实的因果推论框架以及如何采用倾向值方法帮助社会科学经验研究者进行因果推论。除了基本的统计学原理之外，《社会科学因果推断的理论基础》回顾了倾向值方法的历史、发展及其对调查研究的意义，以及如何利用倾向值方法处理因果关系中的多类别性、中介性与异质性。除此之外，《社会科学因果推断的理论基础》还通过专门章节分析了比较个案研究中的综合控制个案方法以及因果推论过程中如何确定分析样本的样本量以及统计检定力。