導航:首頁 > 文檔加密 > 數據科學入門pdf

數據科學入門pdf

發布時間:2022-09-23 12:02:53

『壹』 《數據科學入門》pdf下載在線閱讀全文,求百度網盤雲資源

《數據科學入門》網路網盤pdf最新全集下載:
鏈接:https://pan..com/s/1s-MFDcy02kyK-MZLiZhQIA

?pwd=yhk9 提取碼:yhk9
簡介:作者選擇了功能強大、簡單易學的Python語言環境,親手搭建工具和實現演算法,並精心挑選了注釋良好、簡潔易讀的實現範例。書中涵蓋的所有代碼和數據都可以在GitHub上下載。

通過閱讀本書,你可以:

學到一堂Python速成課;

學習線性代數、統計和概率論的基本方法,了解它們是怎樣應用在數據科學中的;掌握如何收集、探索、清理、轉換和操作數據;深入理解機器學習的基礎;

運用k-近鄰、樸素貝葉斯、線性回歸和邏輯回歸、決策樹、神經網路和聚類等各種數據模型;探索推薦系統、自然語言處理、網路分析、MapRece和資料庫。

『貳』 《數據科學入門》pdf下載在線閱讀,求百度網盤雲資源

《數據科學入門》([美] Joel Grus)電子書網盤下載免費在線閱讀

資源鏈接:

鏈接:https://pan..com/s/13UnWxb2ecRvrgdSqFpXI5A

密碼:rpfq

書名:數據科學入門

作者:[美] Joel Grus

譯者:高蓉

豆瓣評分:7.0

出版社:人民郵電出版社

出版年份:2016-3

頁數:304

內容簡介:

數據科學是一個蓬勃發展、前途無限的行業,有人將數據科學家稱為「21世紀頭號性感職業」。本書從零開始講解數據科學工作,教授數據科學工作所必需的黑客技能,並帶領讀者熟悉數據科學的核心知識——數學和統計學。

作者選擇了功能強大、簡單易學的Python語言環境,親手搭建工具和實現演算法,並精心挑選了注釋良好、簡潔易讀的實現範例。書中涵蓋的所有代碼和數據都可以在GitHub上下載。

通過閱讀本書,你可以:

學到一堂Python速成課;

學習線性代數、統計和概率論的基本方法,了解它們是怎樣應用在數據科學中的;

掌握如何收集、探索、清理、轉換和操作數據;

深入理解機器學習的基礎;

運用k-近鄰、樸素貝葉斯、線性回歸和邏輯回歸、決策樹、神經網路和聚類等各種數據模型;

探索推薦系統、自然語言處理、網路分析、MapRece和資料庫。

作者簡介:

Joel Grus

是Google的一位軟體工程師,曾於數家創業公司擔任數據科學家。目前住在西雅圖,專注於數據科學工作並樂此不疲。偶爾在joelgrus.com發表博客,長期活躍於Twitter @joelgrus。

『叄』 《數據科學實戰手冊數據科學實戰手冊(R+Python)》pdf下載在線閱讀,求百度網盤雲資源

《數據科學實戰手冊數據科學實戰手冊(R+Python)》TonyOjeda(托尼·奧傑德)SeanPatrickMurphy(肖恩·派特里克·莫非)BenjaminBengfort(本傑明·班福特)電子書網盤下載免費在線閱讀

鏈接:https://pan..com/s/1EqFNGdBQW46Nj8UdHnVLmA


提取碼:bb2u

書名:數據科學實戰手冊
作者名:Tony Ojeda(托尼·奧傑德) / Sean Patrick Murphy(肖恩·派特里克·莫非) / Benjamin Bengfort(本傑明·班福特)
豆瓣評分:6.2
出版社:人民郵電出版社
出版年份:2016-8-1
頁數:326
內容介紹:
這本書是基於R和Python的數據科學項目案例集錦,內容涵蓋了基於數據科學的所有要素,包括數據採集、處理、清洗、分析、建模、可視化以及數據產品的搭建。案例包含了汽車數據分析、股票市場建模、社交網路分析、推薦系統、地理信息分析,以及Python代碼的計算優化。通過手把手的案例解析,令讀者知其然並知其所以然。業界的數據分析師、數據挖掘工程師、數據科學家都可以讀一讀。想要了解實際工作中如何用數據產生價值的在校學生,或者對數據科學感興趣的人也值得一讀。
作者介紹:
Tony Ojeda(托尼·奧傑德),華盛頓DC數據社區的聯合創始人,一位經驗豐富的數據科學家和企業家,他在佛羅里達國際大學獲得金融碩士學位,並且在德保羅大學獲得了MBA學位。 Sean Patrick Murphy(肖恩·派特里克·莫非),華盛頓DC數據社區的聯合創始人,曾在約翰霍普金斯大學的應用物理實驗室做了15年的高級科學家,他專注於機器學習、信號處理、高性能計算以及建模和模擬。現在他是舊金山、紐約和華盛頓DC多家公司的數據顧問。 Benjamin Bengfort(本傑明·班福特),一位非常有經驗的數據科學家和Python開發者。他曾在軍方、業界和學術界工作過8年。他目前在馬里蘭大學派克學院攻讀計算機博士學位,研究元識別和自然語言處理。他擁有北達科塔州立大學的計算機碩士學位,並是喬治城大學的客座教授。

『肆』 《精通數據科學:從線性回歸到深度學習》pdf下載在線閱讀,求百度網盤雲資源

《精通數據科學:從線性回歸到深度學習》(唐亘)電子書網盤下載免費在線閱讀

資源鏈接:

鏈接:https://pan..com/s/1usN9z4IAW5fTY_ajAh1n4A

提取碼:ymft

書名:精通數據科學:從線性回歸到深度學習

作者:唐亘

豆瓣評分:7.2

出版社:人民郵電出版社

出版年份:2018-5-8

頁數:432

內容簡介:

數據科學是一門內涵很廣的學科,它涉及到統計分析、機器學習以及計算機科學三方面的知識和技能。本書深入淺出、全面系統地介紹了這門學科的內容。

本書分為13章,最初的3章主要介紹數據科學想要解決的問題、常用的IT工具Python以及這門學科所涉及的數學基礎。第4-7章主要討論數據模型,主要包含三方面的內容:一是統計中最經典的線性回歸和邏輯回歸模型;二是計算機估算模型參數的隨機梯度下降法,這是模型工程實現的基礎;三是來自計量經濟學的啟示,主要涉及特徵提取的方法以及模型的穩定性。接下來的8-10章主要討論演算法模型,也就是機器學習領域比較經典的模型。這三章依次討論了監督式學習、生成式模型以及非監督式學習。目前數據科學最前沿的兩個領域分別是大數據和人工智慧。本書的第11章將介紹大數據中很重要的分布式機器學習,而本書的最後兩章將討論人工智慧領域的神經網路和深度學習。

本書通俗易懂,而且理論和實踐相結合,可作為數據科學家和數據工程師的學慣用書,也適合對數學科學有強烈興趣的初學者使用。同時也可作為高等院校計算機、數學及相關專業的師生用書和培訓學校的教材。

作者簡介:

唐亘,數據科學家,專注於機器學習和大數據,熱愛並積極參與Apache Spark、scikit-learn等開源項目。作為講師和技術顧問,為多家機構(包括惠普、華為、復旦大學等)提供百餘場技術培訓。

此前的工作和研究集中於經濟和量化金融,曾參與經濟合作與發展組織(OECD)的研究項目並發表論文,並擔任英國知名在線出版社Packt的技術審稿人。

曾獲得復旦大學的數學和計算機雙學士學位;巴黎綜合理工的金融碩士學位;法國國立統計與經濟管理學校的數據科學碩士學位。

『伍』 《數據分析實戰》pdf下載在線閱讀全文,求百度網盤雲資源

《數據分析實戰》([ 日] 酒卷隆治里洋平)電子書網盤下載免費在線閱讀

資源鏈接:

鏈接:

提取碼: vkkn

書名:數據分析實戰

作者:[ 日] 酒卷隆治里洋平

譯者:肖峰

豆瓣評分:7.1

出版社:人民郵電出版社

出版年份:2017-6

頁數:268

內容簡介:

本書由實戰經驗豐富的兩位數據分析師執筆,首先介紹了商業領域里通用的數據分析框架,然後根據該框架,結合8個真實的案例,詳細解說了通過數據分析解決各種商業問題的流程,讓讀者在解決問題的過程中學習各種數據分析方法,包括柱狀圖、交叉列表統計、A/B測試、多元回歸分析、邏輯回歸分析、主成分分析、聚類、決策樹分析、機器學習等。特別是書中使用的數據都是未經清洗的原始數據,能夠讓讀者了解真實的數據分析流程,避免紙上談兵。

作者簡介:

作者簡介:

酒卷隆治

浦和出身。環境學博士畢業。就職於株式會社DRECOM數據分析部門。擅長人類行動日誌的分析。現主要從事社交遊戲和在線服務的日誌分析工作。

里洋平

種子島出身。就職於株式會社DRECOM數據分析部門。擅長使用R語言進行數據分析,現主要從事數據分析環境的搭建和數據分析工作。合著有《數據科學養成讀本》(技術評論社)、《R包使用手冊》(東京圖書)。

譯者簡介:

肖峰

日本東京工業大學計算機工學博士。曾在日本樂天株式會社樂天技術研究所從事研究工作。2013年回國後加入新浪,現任新浪個性化推薦團隊演算法負責人。擁有豐富的數據分析與建模能力。

『陸』 有哪些 Python 經典書籍

【Python從入門到精通經典書籍推薦】




《Python編程入門:從入門到實踐》
【同時使用Python 2.X和3.X講解】

Amazon編程入門類榜首圖書,最值得關注的Python入門書

從基本概念到完整項目開發,幫助零基礎讀者迅速掌握Python編程,開發實際項目

這本書分兩部分:
第一部分介紹用Python編程所必須了解的基本概念,包括matplotlib、NumPy和Pygal等強大的Python庫和工具介紹,以及列表、字典、if語句、類、文件與異常、代碼測試等內容;
第二部分將理論付諸實踐,講解如何開發三個項目,包括簡單的Python 2D游戲開發,如何利用數據生成互動式的信息圖,以及創建和定製簡單的Web應用,並幫讀者解決常見編程問題和困惑。




《Python基礎教程(第2版·修訂版)》
【Python 2.5講解,Python 3上也能運行】


各大網店最暢銷的Python入門書

全書分為三部分。
第一部分講述Python語法,沒有廢話,還摻入了一些Python 3.0要注意的細節。
第二部分介紹了常用的GUI、框架等應用,點到即止,算是為第三部分做鋪墊了,從數目眾多的應用中可以了解到Python的強大。
第三部分是Project,全書最大的亮點,大家肯定喜歡。
作者將前面講述的內容應用到10個引人入勝的項目中,並以模板的形式介紹了項目的開發過程,手把手教授Python開發。



《Python語言及其應用》
【Python 3.X】

語言風格輕松詼諧,講解多種Python工具和第三方庫

實例涉及商業、科研以及藝術領域使用Python開發各種應用

亞馬遜最受歡迎的Python編程書之一,評分4.5

書中首先介紹了Python的基礎知識,然後逐漸深入多種主題,結合教程和攻略式風格來講解Python 3中的概念。每章結尾的練習可以幫助你鞏固所學的知識。
本書會為你學習Python打下堅實的基礎,包括測試、調試、代碼復用的最佳實踐以及其他開發技巧。


《Python編程入門(第3版)》
【Python 3.X 】

從算術運算、字元串、變數,到函數、數據結構、輸入輸出和異常處理,應有盡有


《父與子的編程之旅:與小卡特一起學Python》
【Python 2.X 】

原版Amazon 最受歡迎的青少年編程圖書

最簡單易學的內容組織方式,老少皆宜

第一版獲Jolt大獎

本書中,Warren和Carter父子以親切的筆調、通俗的語言,透徹全面地介紹了計算機編程世界。
他們以簡單易學的Python語言為例,通過可愛的漫畫、有趣的例子,生動地介紹了變數、循環、輸入和輸出、數據結構以及圖形用戶界面等編程的基本概念。
只要懂得計算機的基本操作,如啟動程序、保存文件,任何人都可以跟隨本書,由簡入難,學會編寫程序,甚至製作游戲。
本書內容經過教育專家的評審,經過孩子的親身檢驗,並得到了家長的認可。

《編程導論》
【Python 2.7】

以麻省理工學院開放式課程(OpenCourseWare)中最受歡迎的計算機科學課程為基礎,旨在培養讀者的編程思維,使讀者擁有計算機科學家的視野

本書涵蓋了Python的大部分特性,重點介紹如何使用Python這門語言,共包含編程基礎、Python程序設計語言、理解計算的關鍵概念、計算問題的解決技術等四個方面。
本書將Python語言特性和編程方法貫穿全書,目的是幫助讀者在學習Python的同時掌握如何使用計算來解決有趣的問題。


《流暢的Python》
【兼顧Python 3和Python 2】

PSF研究員、知名PyCon演講者心血之作

Python核心開發人員擔綱技術審校

全面深入,對Python語言關鍵特性剖析到位

大量詳盡代碼示例,並附有主題相關高質量參考文獻和視頻鏈接

本書致力於幫助Python開發人員挖掘這門語言及相關程序庫的優秀特性,避免重復勞動,同時寫出簡潔、流暢、易讀、易維護,並且具有地道Python風格的代碼。本書尤其深入探討了Python語言的高級用法,涵蓋數據結構、Python風格的對象、並行與並發,以及元編程等不同的方面。

《Python項目開發實戰(第2版)》
【Python 2.7】

網羅Python項目開發中的流程,讓你的編程事半功倍

Python項目與封裝/團隊開發環境/問題驅動開發/源碼管理(Mercurial) Jenkins持續集成(CI)/環境搭建與部署的自動化(Ansible)/Django框架……

這是一本偏工程的圖書,沒怎麼講Python語言基礎知識,直接告訴你怎麼搭建開發環境,做好代碼管理和文檔管理以及缺陷管理等工作。


《Python網路編程攻略》
【Python 2.7】

可作為任何一門網路編程課程中培養實踐技能的補充材料

需要讀者對Python語言及TCP/IP等基本的網路概念有了解,但即使不精通也能通過本書理解相關概念

本書全面介紹了Python網路編程涉及的重要問題,包括網路編程、系統和網路管理、網路監控以及Web應用開發。作者通過70多篇攻略,清晰簡明地描述了各種網路任務和問題,提出了可用於多種場景的解決方案,並細致地分析了整個操作過程。


《Python網路編程(第3版)》
【Python 3.X】

涵蓋網路編程所有經典話題,提供大量代碼清單及示例

從應用開發角度介紹網路編程基本概念、模塊以及第三方庫

本書針對想要深入理解使用Python來解決網路相關問題或是構建網路應用程序的技術人員,結合實例講解了網路協議、網路數據及錯誤、電子郵件、伺服器架構和HTTP及Web應用程序等經典話題。
具體內容包括:全面介紹Python3中最新提供的SSL支持,非同步I/O循環的編寫,用Flask框架在Python代碼中配置URL,跨站腳本以及跨站請求偽造攻擊網站的原理及保護方法,等等。


《Python性能分析與優化》
【Python 2.X】

全面掌握Python代碼性能分析和優化方法

消除性能瓶頸,迅速改善程序性能

本書首先介紹什麼是性能分析,性能分析如何在項目開發周期中發揮作用,以及通過在項目中進行性能分析實踐能夠取得的效果。
緊接著介紹分析性能所需的核心工具(性能分析器和可視化性能分析器)。
然後介紹一系列性能優化技術,最後一章會介紹一個具有實際意義的優化案例。


《精通Python設計模式》
【Python 3.X】

用現實例子展示各模式的關鍵特性

16種基本設計模式,輕松解決軟體設計常見問題

本書分三部分,共16章介紹一些常用的設計模式。
第一部分介紹處理對象創建的設計模式,包括工廠模式、建造者模式、原型模式;
第二部分介紹處理一個系統中不同實體(類、對象等)之間關系的設計模式,包括外觀模式、享元模式等;
第三部分介紹處理系統實體之間通信的設計模式,包括責任鏈模式、觀察者模式等。


《Flask Web開發:基於Python的Web應用開發實戰》
【Python 2.7和3.3】

從安裝與環境設置講起,一步一步搭建伺服器端Web應用

全流程講解Web應用開發,給出最佳實踐

本書共分三部分,全面介紹如何基於Python微框架Flask進行Web開發。
第一部分是Flask簡介,介紹使用Flask框架及擴展開發Web程序的必備基礎知識。
第二部分則給出一個實例,真正帶領大家一步步開發完整的博客和社交應用Flasky,從而將前述知識融會貫通,付諸實踐。
第三部分介紹了發布應用之前必須考慮的事項,如單元測試策略、性能分析技術、Flask程序的部署方式等。


《Python Web開發:測試驅動方法》
【(Django、Selenium)相關部分使用Python 3.3講解】

亞馬遜4.8星評好書

實戰式TDD開發指南,使用Django等流行框架開發現代Web應用!

學習Django、Selenium、Git、jQuery和Mock,以及其他當前流行Web開發技術

「這本書很棒、很有趣,所講的全都是重點知識。如果有人想用Python做測試、學習Django或者想使用Selenium,我極力推薦這本書。要使開發者保持頭腦清醒,測試可謂至關重要。Harry完成了一項不可思議的工作,他不僅吸引了我們對測試的關注,而且還探索了切實可行的測試實踐方案。」

——Michael Foord,Python核心開發者,unittest維護者



《數據科學入門》
【Python 2.7】

Google數據科學家、軟體工程師Joel Grus作品

用Python從零開始講解數據科學的重量級讀本

數據科學、機器學習、模式識別領域必備

本書從零開始講解數據科學。
具體內容包括Python簡介,可視化數據,線性代數,統計,概率,假設與推斷,梯度下降法,如何獲取數據,k近鄰法,樸素貝葉斯演算法等。
作者藉助大量具體例子以及數據挖掘、統計學、機器學習等領域的重要概念,通過講解基礎數據科學工具和演算法實現,帶你快速跨入數據科學大門。
書中含大量數據科學領域的庫、框架、模塊和工具包。


《機器學習實戰》
【Python 2.7】

最暢銷機器學習圖書

介紹並實現機器學習的主流演算法

面向日常任務的高效實戰內容

全書通過精心編排的實例,切入日常工作任務,摒棄學術化語言,利用高效的可復用Python代碼來闡釋如何處理統計數據,進行數據分析及可視化。
通過各種實例,讀者可從中學會機器學習的核心演算法,並能將其運用於一些策略性任務中,如分類、預測、推薦。另外,還可用它們來實現一些更高級的功能,如匯總和簡化等。


《機器學習系統設計》
【Python 2.7及以上】

微軟Bing核心團隊成員推出

聚焦演算法編寫和編程方式

結合大量實例學會解決實際問題

本書將向讀者展示如何從原始數據中發現模式,首先從Python與機器學習的關系講起,再介紹一些庫,然後就開始基於數據集進行比較正式的項目開發了,涉及建模、推薦及改進,以及聲音與圖像處理。通過流行的開源庫,我們可以掌握如何高效處理文本、圖片和聲音。同時,讀者也能掌握如何評估、比較和選擇適用的機器學習技術。


《Python數據處理》
【Python 2.7】

將數據處理過程自動化!

全面掌握用Python進行爬蟲抓取以及數據清洗與分析的方法,輕松實現高效數據處理!

本書採用基於項目的方法,介紹用Python完成數據獲取、數據清洗、數據探索、數據呈現、數據規模化和自動化的過程。
主要內容包括:Python基礎知識,如何從CSV、Excel、XML、JSON和PDF文件中提取數據,如何獲取與存儲數據,各種數據清洗與分析技術,數據可視化方法,如何從網站和API中提取數據。


《Python數據分析基礎教程:NumPy學習指南(第2版)》
【Python 2.7】

NumPy中文入門教程,Python數據分析首選

從最基礎的知識講起,手把手帶你進入大數據挖掘領域

囊括大量具有啟發性與實用價值的實戰案例

本書從NumPy安裝講起,逐漸過渡到數組對象、常用函數、矩陣運算、線性代數、金融函數、窗函數、質量控制等內容,致力於向初中級Python編程人員全面講述NumPy及其使用。
另外,通過書中豐富的示例,你還將學會Matplotlib繪圖,並結合使用其他Python科學計算庫(如SciPy和Scikits),讓工作更有成效,讓代碼更加簡潔而高效。


《Python數據挖掘入門與實踐》
【Python 3.4】

全面釋放Python的數據分析能力

掌握大數據時代核心技術,輕松入門數據挖掘技術並將其應用於實際項目

本書使用簡單易學且擁有豐富第三方庫和良好社區氛圍的Python語言,由淺入深,以真實數據作為研究對象,真刀實槍地向讀者介紹Python數據挖掘的實現方法。通過本書,讀者將邁入數據挖掘的殿堂,透徹理解數據挖掘基礎知識,掌握解決數據挖掘實際問題的最佳實踐!


《Python科學計算基礎教程》
【Python 2.7及以上】

精彩案例展示Numpy等科學計算模塊的強大功能和廣泛應用

剖析Python關於並行與大數據計算的方法

總結科學計算的任務、難點以及最佳實踐經驗

本書是將Python用於科學計算的實用指南,既介紹了相關的基礎知識,又提供了豐富的精彩案例,並為讀者總結了最佳實踐經驗。
其主要內容包括:科學計算的基本概念與選擇Python的理由,科學工作流和科學計算的結構,科學項目相關數據的各個方面,用於科學計算的API和工具包,如何利用Python的NumPy和SciPy包完成數值計算,用Python做符號計算,數據分析與可視化,並行與大規模計算,等等。


《Python數據分析實戰》
【Python 2.X】

了解Python在信息處理、管理和檢索方面的強大功能

學會如何利用Python及其衍生工具處理、分析數據

三個真實Python數據分析案例,將理論付諸實踐

《Python數據分析實戰》展示了如何利用Python 語言的強大功能,以最小的編程代價進行數據的提取、處理和分析,主要內容包括:數據分析和Python 的基本介紹,NumPy 庫,pandas 庫,如何使用pandas 讀寫和提取數據,用matplotlib 庫和scikit-learn 庫分別實現數據可視化和機器學習,以實例演示如何從原始數據獲得信息、D3 庫嵌入和手寫體數字的識別。


《Python網路數據採集》
【Python 3.X】

原書4.6星好評,一本書搞定數據採集

涵蓋數據抓取、數據挖掘和數據分析

提供詳細代碼示例,快速解決實際問題

本書介紹網路數據採集,並為採集新式網路中的各種數據類型提供了全面的指導。
第一部分重點介紹網路數據採集的基本原理:如何用Python從網路伺服器請求信息,如何對伺服器的響應進行基本處理,以及如何以自動化手段與網站進行交互。
第二部分介紹如何用網路爬蟲測試網站,自動化處理,以及如何通過更多的方式接入網路。


《Python計算機視覺編程》
【Python 2.6及以上】

亞馬遜計算機視覺類圖書No.1

詳細剖析多種計算機視覺工具

大量示例極易上手

本書是計算機視覺編程的權威實踐指南,通過Python語言講解了基礎理論與演算法,並通過大量示例細致分析了對象識別、基於內容的圖像搜索、光學字元識別、光流法、跟蹤、3D重建、立體成像、增強現實、姿態估計、全景創建、圖像分割、降噪、圖像分組等技術。

『柒』 《數據科學家修煉之道》pdf下載在線閱讀全文,求百度網盤雲資源

《數據科學家修煉之道》網路網盤pdf最新全集下載:
鏈接: https://pan..com/s/1j07q9c1KMlPSPQJcU9hUJQ

?pwd=p6ie 提取碼: p6ie
簡介:這是一本跟數據科學和數據科學家有關的「手冊」,它還包含傳統統計學、編程或計算機科學教科書中所沒有的信息。

『捌』 求《數據科學導引》pdf

大數據(big data),指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合,是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。大數據的5V特點(IBM提出):Volume(大量)、Velocity(高速)、Variety(多樣)、Value(低價值密度)、Veracity(真實性),平台有hadoop

『玖』 數據科學 怎樣進行大數據的入門級學習

數據科學 怎樣進行大數據的入門級學習?

數據科學並沒有一個獨立的學科體系,統計學,機器學習,數據挖掘,資料庫,分布式計算,雲計算,信息可視化等技術或方法來對付數據。
但從狹義上來看,我認為數據科學就是解決三個問題:
1. data pre-processing;(數據預處理)
2. data interpretation;(數據解讀)
3.data modeling and analysis.(數據建模與分析)
這也就是我們做數據工作的三個大步驟:
1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程,才能形成高質量的數據;
2、我們想看看數據「長什麼樣」,有什麼特點和規律;
3、按照自己的需要,比如要對數據貼標簽分類,或者預測,或者想要從大量復雜的數據中提取有價值的且不易發現的信息,都要對數據建模,得到output。
這三個步驟未必嚴謹,每個大步驟下面可能依問題的不同也會有不同的小步驟,但按我這幾年的經驗來看,按照這個大思路走,數據一般不會做跑偏。
這樣看來,數據科學其實就是門復合型的技術,既然是技術就從編程語言談起吧,為了簡練,只說說R和Python。但既然是薦數據科學方面的書,我這里就不提R/Python編程基礎之類的書了,直接上跟數據科學相關的。
R programming
如果只是想初步了解一下R語言已經R在數據分析方面的應用,那不妨就看看這兩本:
R in action:我的R語言大數據101。其實對於一個沒有任何編程基礎的人來說,一開始就學這本書,學習曲線可能會比較陡峭。但如果配合上一些輔助材料,如官方發布的R basics(http://cran.r-project.org/doc/contrib/usingR.pdf),stackoverflow上有tag-R的問題集(Newest 『r』 Questions),遇到復雜的問題可在上面搜索,總會找到解決方案的。這樣一來,用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕松,緊貼實戰。
Data analysis and graphics using R:使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰,沒有過多地講解統計學理論,所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強,也就是說哪怕你手頭沒電腦寫不了代碼,有事沒事拿出這本書翻一翻,也能讀得進去。
但如果你先用R來從事實實在在的數據工作,那麼上面兩本恐怕不夠,還需要這些:
Modern applied statistics with S:這本書里統計學的理論就講得比較多了,好處就是你可以用一本書既復習了統計學,又學了R語言。(S/Splus和R的關系就類似於Unix和Linux,所以用S教程學習R,一點問題都沒有)
Data manipulation with R:這本書實務性很強,它教給你怎麼從不同格式的原始數據文件里讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣,本書也有豐富的真實數據或模擬數據供你練習。對於真正從事數據處理工作的人來說,這本書的內容非常重要,因為對於任何研究,一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則,你的研究總是要等待你的數據。
R Graphics Cookbook:想用R做可視化,就用這本書吧。150多個recipes,足以幫你應付絕大多數類型的數據。以我現在極業余的可視化操作水平來看,R是最容易做出最漂亮的圖表的工具了。
An introction to statistical learning with application in R:這本書算是著名的the element of statistical learning的姊妹篇,後者更注重統計(機器)學習的模型和演算法,而前者所涉及的模型和演算法原沒有後者全面或深入,但卻是用R來學習和應用機器學習的很好的入口。
A handbook of statistical analysis using R:這本書內容同樣非常扎實,很多統計學的學生就是用這本書來學慣用R來進行統計建模的。
Python
Think Python,Think Stats,Think Bayes:這是Allen B. Downey寫的著名的Think X series三大卷。其實是三本精緻的小冊子,如果想快速地掌握Python在統計方面的操作,好好閱讀這三本書,認真做習題,答案鏈接在書里有。這三本書學通了,就可以上手用Python進行基本的統計建模了。
Python For Data Analysis: 作者是pandas的主要開發者,也正是Pandas使Python能夠像R一樣擁有dataframe的功能,能夠處理結構比較復雜的數據。這本書其實analysis講得不多,說成數據處理應該更合適。掌握了這本書,處理各種糟心的數據就問題不大了。
Introction to Python for Econometrics, Statistics and Data Analysis:這本書第一章就告訴你要安裝Numpy, Scipy, Matplotlib, Pandas, IPython等等。然後接下來的十好幾章就是逐一介紹這幾個庫該怎麼用。很全面,但讀起來比較枯燥,可以用來當工具書。
Practical Data Analysis: 這本書挺奇葩,貌似很暢銷,但作者把內容安排得東一榔頭西一棒子,什麼都講一點,但一個都沒講透。這本書可以作為我們學習數據分析的一個索引,看到哪塊內容有意思,就順著它這個藤去摸更多的瓜。
Python Data Visualization Cookbook: 用Python做可視化的教材肯定不少,我看過的也就這一本,覺得還不錯。其實這類書差別都不會很大,咬住一本啃下來就是王道
Exploratory Data Analysis 和 Data Visualization
Exploratory Data Analysis:John Tukey寫於1977年的經典老教材,是這一領域的開山之作。如今EDA已經是統計學里的重要一支,但當時還是有很多人對他的工作不屑一顧。可他愛數據,堅信數據可以以一種出人意料的方式呈現出來。正是他的努力,讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了,內容略過時。要想完整地了解EDA,推薦下一本:
Exploratory Data Analysis with MATLAB:這本書雖然標題帶了個MATLAB,但實際上內容幾乎沒怎麼講MATLAB,只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在於,這是我讀過的講EDA最系統的一本書,除了對visualization有不輸於John Tucky的講解外,對於高維的數據集,通過怎樣的方法才能讓我們從中找到潛在的pattern,這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼,而且還提供了GUI(圖形用戶界面)。所以這本書學起來還是相當輕松愉悅的。
Visualize This:中譯本叫「鮮活的數據」,作者是個「超級數據迷」,建立了一個叫http://flowingdata.com的網頁展示他的數據可視化作品,這本書告訴你該選擇什麼樣的可視化工具,然後告訴你怎樣visualize關系型數據、時間序列、空間數據等,最後你就可以用數據講故事了。如果你只想感受一下數據可視化是個什麼,可以直接點開下面這個鏈接感受下吧!A tour through the visualization zoo(A Tour Through the Visualization Zoo)
Machine Learning & Data Mining
這一塊就不多說了,不是因為它不重要,而是因為它太太太重要。所以這一部分就推兩本書,都是」世界名著「,都比較難讀,需要一點點地啃。這兩本書拿下,基本就算是登堂入室了。其實作為機器學習的延伸和深化,概率圖模型(PGM)和深度學習(deep learning)同樣值得研究,特別是後者現在簡直火得不得了。但PGM偏難,啃K.Daphne那本大作實在太燒腦,也沒必要,而且在數據領域的應用也不算很廣。deep learning目前工業界的步子邁得比學術界的大,各個domain的應用如火如荼,但要有公認的好教材問世則還需時日,所以PGM和deep learning這兩塊就不薦書了。
The Element of Statistical Learning:要學機器學習,如果讓我只推薦一本書,我就推薦這本巨著。Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了,大廈建得夠高夠大,結構也非常嚴謹,而且很有前瞻性,納入了很多前沿的內容,而不僅僅是一部綜述性的教材。(圖表也做得非常漂亮,應該是用R語言的ggplot2做的。)這本書注重講解模型和演算法本身,所以需要具備比較扎實的數理基礎,啃起這本書來才不會太吃力。事實上掌握模型和演算法的原理非常重要。機器學習(統計學習)的庫現在已經非常豐富,即使你沒有完全搞懂某個模型或演算法的原理和過程,只要會用那幾個庫,機器學習也能做得下去。但你會發現你把數據代進去,效果永遠都不好。但是,當你透徹地理解了模型和演算法本身,你再調用那幾個庫的時候,心情是完全不一樣的,效果也不一樣。
Data Mining: Concepts and Techniques, by Jiawei Han and Micheline Kamber 數據挖掘的教材汗牛充棟,之所以推薦這本韓家煒爺爺的,是因為雖然他這本書的出發點是應用,但原理上的內容也一點沒有落下,內容非常完整。而且緊跟時代,更新的很快,我看過的是第二版,就已經加進去了social network analysis這種當時的前沿內容。現在已經有第三版了,我還沒看過,但應該也加入了不少新內容。其實這本書並不難讀,只是篇幅較長,啃起來比較耗時。
其實這兩本書里單拎出來一塊內容可能又是幾本書的節奏,比如bayesian方法,再拿出兩三本書來講也不為過,我個人用到的比較多,而且也確實有不少好書。但並非是所有data scientist都要用到,所以這一塊就不再細說。
還有一些印象比較深刻的書:
Big Data Glossary: 主要講解大數據處理技術及工具,內容涵蓋了NoSQL,MapRece,Storage,Servers,NLP庫與工具包,機器學習工具包,數據可視化工具包,數據清洗,序列化指南等等。總之,是一本辭典式的大數據入門指導。
Mining of Massive Datasets:這本書是斯坦福大學Web Mining的講義,裡面很多內容與韓家煒的Data Mining那本書重合,但這本書里詳細地講了MapRece的設計原理,PageRank(Google創業時期的核心排序演算法,現在也在不斷優化更新)講解得也比較詳細。
Developing Analytic Talent: 作者是個從事了十幾年數據工作的geek,技術博客寫得很有個人風格,寫的內容都比較偏門,通常只有具備相關數據處理經驗的人能體會出來,絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎麼辦,或者MapRece在什麼時候不好用的問題,才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的博客文章的集結,用how to become a data scientist的邏輯把他近幾年的博客文章串聯了起來。
Past, Present and Future of Statistical Science:這本書是由COPSS(統計學社主席委員會,由國際各大統計學會的帶頭人組成)在50周年出版的一本紀念冊,裡面有50位統計學家每人分別貢獻出的一兩篇文章,有的回憶了自己當年如何走上統計學這條路,有的探討了一些統計學的根本問題,有的談了談自己在從事的前沿研究,有的則給年輕一代寫下了寄語。非常有愛的一本書。
其它資料
Harvard Data Science:這是H大的Data science在線課,我沒有修過,但口碑很好。這門課需要費用8千刀左右,比起華盛頓大學的4千刀的Data science在線課雖貴一倍,但比斯坦福的14千刀要便宜將近一半(而且斯坦福的更偏計算機)。如果想自學,早有好心人分享了slides:(https://drive.google.com/folderview?id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing)和homeworks and solutions:(https://github.com/cs109/content)
PyData:PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會,期間會有各路牛人舉行一些規模不大的seminar或workshop,有好心人已經把video上傳到github,有興趣的去認領吧(DataTau/datascience-anthology-pydata · GitHub)
工具
R/Python/MATLAB(必備):如果是做數據分析和模型開發,以我的觀察來看,使用這三種工具的最多。R生來就是一個統計學家開發的軟體,所做的事也自然圍繞統計學展開。MATLAB雖然算不上是個專業的數據分析工具,但因為很多人不是專業做數據的,做數據還是為了自己的domain expertise(特別是科學計算、信號處理等),而MATLAB又是個強大無比的Domain expertise工具,所以很多人也就順帶讓MATLAB也承擔了數據處理的工作,雖然它有時候顯得效率不高。Python雖然不是做數據分析的專業軟體,但作為一個面向對象的高級動態語言,其開源的生態使Python擁有無比豐富的庫,Numpy, Scipy 實現了矩陣運算/科學計算,相當於實現了MATLAB的功能,Pandas又使Python能夠像R一樣處理dataframe,scikit-learn又實現了機器學習。
SQL(必備):雖然現在人們都說傳統的關系型資料庫如Oracle、MySQL越來越無法適應大數據的發展,但對於很多人來說,他們每天都有處理數據的需要,但可能一輩子都沒機會接觸TB級的數據。不管怎麼說,不論是用關系型還是非關系型資料庫,SQL語言是必須要掌握的技能,用什麼資料庫視具體情況而定。
MongoDB(可選):目前最受歡迎的非關系型資料庫NoSQL之一,不少人認為MongoDB完全可以取代mySQL。確實MongoDB方便易用,擴展性強,Web2.0時代的必需品。
Hadoop/Spark/Storm(可選): MapRece是當前最著名也是運用最廣泛的分布式計算框架,由Google建立。Hadoop/Spark/storm都是基於MapRece的框架建立起來的分布式計算系統,要說他們之間的區別就是,Hadoop用硬碟存儲數據,Spark用內存存儲數據,Storm只接受實時數據流而不存儲數據。一言以蔽之,如果數據是離線的,如果數據比較復雜且對處理速度要求一般,就Hadoop,如果要速度,就Spark,如果數據是在線的實時的流數據,就Storm。
OpenRefine(可選):Google開發的一個易於操作的數據清洗工具,可以實現一些基本的清洗功能。
Tableau(可選):一個可交互的數據可視化工具,操作簡單,開箱即用。而且圖表都設計得非常漂亮。專業版1999美刀,終身使用。媒體和公關方面用得比較多。
Gephi(可選):跟Tableau類似,都是那種可交互的可視化工具,不需要編程基礎,生成的圖表在美學和設計上也是花了心血的。更擅長復雜網路的可視化。

閱讀全文

與數據科學入門pdf相關的資料

熱點內容
phpfopen用法 瀏覽:805
cuda文件和cpp混合編譯 瀏覽:191
鴻蒙自帶主題在哪個文件夾 瀏覽:941
c寫一個簡單的中文編譯器 瀏覽:413
反編譯圖片怎麼弄 瀏覽:100
水空調需要壓縮機嗎 瀏覽:824
h3cdns配置命令 瀏覽:735
曹操傳找不到視頻解壓文件 瀏覽:939
zblogphp插件 瀏覽:649
好興動app怎麼掌上取現 瀏覽:133
python折舊率 瀏覽:539
漣源雲伺服器 瀏覽:992
linux中代表什麼 瀏覽:33
androidphone模塊 瀏覽:35
linux中斷表 瀏覽:177
文本寫的java如何編譯運行 瀏覽:524
單片機pwm控制舵機 瀏覽:318
壓縮機sd是什麼 瀏覽:772
php獲取數據轉json數據 瀏覽:525
程序員入職比期望薪資高 瀏覽:889