我在这里找到了其他参考请求。特别是： 从哪里开始，哪些书籍 和 书籍关于数据科学中的“科学”？
我看了一眼：
- 人工智能：一种现代方法 (Russel & Norvig)
- 机器学习：理解数据的算法的艺术和科学（Flach）
- 从数据中学习（Abu-Mostafa 等人）
- 统计学习简介（James 等人）
- 统计学习的要素（Hastie 等人）
- 模式识别和机器学习（毕晓普）
现在很难评估它们是否符合我的需求，因为通常只有几页可以在线获得。然而，我的第一印象是他们没有。在《人工智能：一种现代方法》的附录中，我可以阅读：
数学家将向量定义为向量空间的成员，但我们将使用更具体的定义：向量是值的有序序列。
这正是我不想要的那种方法。
我正在寻找一本书，它假设读者对集合论、抽象代数、测度和概率论、统计学、拓扑、图论、复杂性理论等有很好的理解，并且偏爱形式和公理化的解释而不是冗长和基于基本数学对象和示例的所谓“直观”方法。此外，我不想要从一开始就看起来像食谱书的东西。我想要一本书，首先形式化所有数据科学方法的抽象和共同形式，以及它们的共同目标。只有在那之后，它才能开始解释不同的类别，明确说明每个类别假设了哪些进一步的假设，以及它们已知可以有效处理哪些案例/问题/领域。
最后，要明确一点，例如，通过特定的编程语言向我展示具体示例及其处理方法是没有问题的。我只是想让它排在第二位，作为概念解释的说明，而不是作为替代品。