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.
Where it lands in Jayverse
Number: require a trimmed mean and staleness cutoff before a reading counts as an indicator. Implement the book's descriptive-statistics chapter directly as Number's outlier and staleness rules, since those are statistics decisions before they are code.
Verex: use the logistic-regression chapter as the resolution-prediction baseline. Build "did this market resolve Yes" as a logistic regression first, then the from-scratch neural-network capstone over Verex order flow, framework-free.
Auditor: require the fitting method and inputs documented for any manipulation-cost curve. Whether it's fit by gradient descent or a closed form, the methodology needs writing down before a consumer relies on it, the same rule as the Kaiko item.
Key expressions
Words and phrases from this page worth keeping, with the Korean meaning and the sentence they come from.
Expression
뜻 · 쓰이는 자리
the math floor under
~의 밑바탕이 되는 수학적 기초 · "The math floor under the data-science dark horse"
lean on
~에 의존하다, 기대다 · "leans on exactly these four subjects"
code first, proofs never
증명보다 코드 실습부터 시작하는 방식 · "code first, proofs never"
trimmed mean
극단값을 잘라내고 낸 평균(절사평균) · "a trimmed mean, a staleness cutoff"
staleness cutoff
데이터가 낡았다고 보는 기준선 · "a staleness cutoff"
dark horse
의외의 복병, 숨은 강자 · "the data-science dark horse"
finish line
최종 목표 지점 · "Finish line: the closing neural-network chapter"
code-backed
코드로 뒷받침된 · "worked, code-backed examples"
MEV
최대 추출 가능 가치(Maximal Extractable Value) · 블록 생성자가 순서를 조작해 얻는 이익, 여기서는 번들 포함 확률의 예측 대상. "probability on MEV bundle inclusion"
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.
Jayverse에서의 위치
Number: 읽기가 지표로 인정되기 전에 절사평균과 신선도 컷오프를 요구한다. 책의 기술통계 챕터를 Number의 이상치·신선도 규칙으로 직접 구현한다. 이는 코드이기 전에 통계적 결정이기 때문이다.
Verex: 로지스틱 회귀 챕터를 정산 예측의 베이스라인으로 쓴다. "이 마켓이 Yes로 정산될까"를 먼저 로지스틱 회귀로 만들고, 그다음 프레임워크 없이 Verex 주문 흐름 위에 처음부터 만든 신경망 캡스톤으로 이어간다.
Auditor: 조작 비용 곡선의 피팅 방법과 입력을 문서화하도록 요구한다. 경사하강법으로 맞추든 닫힌 형태로 맞추든, 소비자가 의존하기 전에 방법론을 적어둔다. Kaiko 항목과 같은 규칙이다.
핵심 표현
이 페이지의 영어 본문에서 배울 만한 단어와 표현, 뜻과 나온 자리.
Expression
뜻 · 쓰이는 자리
the math floor under
~의 밑바탕이 되는 수학적 기초 · "The math floor under the data-science dark horse"
lean on
~에 의존하다, 기대다 · "leans on exactly these four subjects"
code first, proofs never
증명보다 코드 실습부터 시작하는 방식 · "code first, proofs never"
trimmed mean
극단값을 잘라내고 낸 평균(절사평균) · "a trimmed mean, a staleness cutoff"
staleness cutoff
데이터가 낡았다고 보는 기준선 · "a staleness cutoff"
dark horse
의외의 복병, 숨은 강자 · "the data-science dark horse"
finish line
최종 목표 지점 · "Finish line: the closing neural-network chapter"
code-backed
코드로 뒷받침된 · "worked, code-backed examples"
MEV
최대 추출 가능 가치(Maximal Extractable Value) · 블록 생성자가 순서를 조작해 얻는 이익, 여기서는 번들 포함 확률의 예측 대상. "probability on MEV bundle inclusion"