Thomas Nield's O'Reilly book — linear algebra, calculus, probability, and statistics rebuilt from scratch in plain Python (numpy/sympy), ending at linear/logistic regression and a from-scratch neural network. The math floor under the data-science dark horse: every Dune query, index-quality rule, and anomaly detector in that track leans on exactly these four subjects.
Read it the way the book is built — code first, proofs never. One chapter at a time, and after each chapter replace its toy dataset with an on-chain one: probability on MEV bundle inclusion, descriptive statistics and outlier rules on a BTC/KRW multi-exchange feed (the index-operations card's attack set), linear regression on gas price vs. block fullness, logistic regression on "did this market resolve Yes". The book's own tools (numpy, sympy, scikit-learn) are already the Dark Horse stack — no new toolchain, just new data. Finish line: the closing neural-network chapter re-implemented against one Verex order-flow dataset.
Why
The Jayverse plan's §10 names 데이터 과학 (pandas/numpy, Dune/The Graph) as a dark-horse track, and the honest gap is not tooling but the math underneath it — a trimmed mean, a staleness cutoff, or a manipulation-cost curve is a statistics decision before it is a line of code. This book is the shortest respectable path through that gap: four subjects, one notebook language, no measure theory. It also feeds the Math curriculum (the 50-item list) with worked, code-backed examples rather than definitions.
How it works
Chapter map — book subject → on-chain use
Book subject
Where it lands in this workspace
Probability (incl. Bayes)
MEV bundle inclusion; "how likely is this market to resolve Yes" priors
Descriptive stats & distributions
Multi-exchange feed quality: outlier wicks, staleness, trimmed means
Linear algebra
Portfolio/exposure math; the matrix under every regression below
Calculus & gradient descent
Manipulation-cost curves; fitting anything by hand once
Linear & logistic regression
Gas price vs. block fullness; resolution prediction on Verex markets
Neural network (from scratch)
The capstone — one small net on Verex order flow, no framework
Why this book and not a course
Every construct is built in numpy/sympy in front of you — the same stack the Dark Horse track already names — so "finished the chapter" and "have working code for the track" are the same event.
Thomas Nield 의 O'Reilly 책 — 선형대수·미적분·확률·통계를 순수 Python(numpy/sympy)으로 바닥부터 다시 쌓아, 선형/로지스틱 회귀와 손으로 만든 신경망까지 갑니다. 데이터 과학 다크호스의 수학 바닥입니다: 그 트랙의 모든 Dune 쿼리, 지수 품질 규칙, 이상 탐지기가 정확히 이 네 과목 위에 서 있습니다.
책이 만들어진 방식 그대로 읽습니다 — 코드 먼저, 증명은 안 함. 한 장씩 읽고, 각 장의 장난감 데이터셋을 온체인 데이터로 바꿉니다: MEV 번들 포함 여부에 확률을, BTC/KRW 복수 거래소 피드에 기술통계와 이상치 규칙을(지수 운영 카드의 공격 세트), 가스 가격 대 블록 점유율에 선형회귀를, "이 마켓이 Yes 로 끝났는가"에 로지스틱 회귀를. 책의 도구(numpy, sympy, scikit-learn)가 이미 다크호스 스택이라 새 툴체인 없이 데이터만 바꾸면 됩니다. 결승선: 마지막 신경망 장을 Verex 주문 흐름 데이터셋 하나로 재구현.
왜
Jayverse 계획 §10 이 데이터 과학(pandas/numpy, Dune/The Graph)을 다크호스 트랙으로 지목했는데, 정직한 공백은 도구가 아니라 그 밑의 수학입니다 — 절사 평균, 신선도 컷오프, 조작 비용 곡선은 코드 한 줄이기 전에 통계 결정입니다. 이 책은 그 공백을 지나는 가장 짧고 점잖은 길입니다: 네 과목, 노트북 언어 하나, 측도론 없음. Math 커리큘럼(50개 목록)에도 정의 대신 코드로 뒷받침된 실전 예제를 공급합니다.
동작 방식
장별 지도 — 책 과목 → 온체인 쓰임새
책 과목
이 워크스페이스에서의 자리
확률 (베이즈 포함)
MEV 번들 포함 확률; "이 마켓이 Yes 로 끝날 확률" 사전 분포
기술통계·분포
복수 거래소 피드 품질: 이상치 심지, 신선도, 절사 평균
선형대수
포트폴리오/익스포저 계산; 아래 모든 회귀 밑의 행렬
미적분·경사하강
조작 비용 곡선; 무엇이든 한 번은 손으로 적합
선형·로지스틱 회귀
가스 가격 대 블록 점유율; Verex 마켓 결과 예측
신경망 (바닥부터)
마무리 — Verex 주문 흐름에 프레임워크 없는 작은 신경망
왜 강의가 아니라 이 책인가
모든 개념을 눈앞에서 numpy/sympy 로 직접 짓습니다 — 다크호스 트랙이 이미 지목한 그 스택이라, "장을 끝냈다"와 "트랙에 쓸 작동 코드가 있다"가 같은 사건이 됩니다.