作者：Pranav Dar
翻譯：季洋
校對：張玲
本文約6000字，建議閱讀10分鐘。
本文為你介紹了27本有關(guān)數(shù)據(jù)科學方面的精彩書籍。
每個人都有自己的學習方法，而助我闖入數(shù)據(jù)科學領(lǐng)域的則是書籍。書籍將知識世界壓縮成幾百頁，沒有什么能像它一樣打開你的思維，我從未在其他任何學習方法中發(fā)現(xiàn)這種魔力和魅力。
“如果你只是閱讀人人都在閱讀的書，你可能只能想到人人都在想的東西?！?/p>
—— 村上春樹
靠自己來學習數(shù)據(jù)科學可能是一項非常艱巨的任務！現(xiàn)在有許多方法來學習 – 網(wǎng)絡公開課、研討會、學位、文憑和文章，諸如此類。但是，系統(tǒng)化安排它們，致力于形成一條結(jié)構(gòu)化的學習路線，以成為一名數(shù)據(jù)科學家，是至關(guān)重要的。
一條結(jié)構(gòu)化的學習路線：https://trainings.analyticsvidhya.com/courses/coursev1:AnalyticsVidhya+LPDS2019+LPDS2019_T1/info?utm_source=booksarticle&utm_medium=blog
成為一名數(shù)據(jù)科學家，是：https://trainings.analyticsvidhya.com/courses/coursev1:AnalyticsVidhya+LPDS2019+LPDS2019_T1/info?utm_source=booksarticle&utm_medium=blog
關(guān)于數(shù)據(jù)科學的書，已經(jīng)有了成百上千本，你該如何選擇開始之處呢？怎么選擇適合學習某種技術(shù)或領(lǐng)域的書呢？盡管對于這個問題沒有一刀切的答案，我已經(jīng)竭盡所能，精減書單，得到一份只有27本的簡短書單。
將這些書分成不同的領(lǐng)域，以易于你理解。
統(tǒng)計學書籍
概率學書籍
機器學習書籍
深度學習書籍
自然語言處理（NLP）書籍
計算機視覺書籍
人工智能書籍
工具/語言書籍
Python
R
福利：
在這篇文章底部，你將會發(fā)現(xiàn)一個極好的說明圖表，涵蓋上述提及的每一本書。你可以將它作為一個“待讀”書單，當你讀完一本書時，可從單子上將它們一一劃去！你也可以下載這個圖表的一個高分辨率版本，打印出來非常完美，因為它是PDF格式。
好了，讓我們現(xiàn)在就進入正題。
這個圖表的一個高分辨率版本：https://discuss.analyticsvidhya.com/t/download-hd-infographic-27-essential-data-science-books/75604
《白話統(tǒng)計學》
https://www.amazon.in/Statistics-Plain-English-Third-1/dp/041587291X
作者：蒂莫西·C·烏爾單（Timothy C. Urdan）
正是這本美好的書，開始了我在統(tǒng)計學世界的旅程。它完全是為初學者寫的，總能吸引你回來以查找更多的內(nèi)容，而且寫作風格和解釋內(nèi)容恰到好處地呼應書名-白話統(tǒng)計學。你可以推薦這本書給任何一位非技術(shù)人員，他們應該能夠掌握這些原理，因為它就是這么出色！
《思考統(tǒng)計: 程序員的概率學和統(tǒng)計學》
http://greenteapress.com/thinkstats/thinkstats.pdf
作者：艾倫·B·唐尼（Allen B. Downey）
在大多數(shù)的數(shù)據(jù)科學書單中，你都可以發(fā)現(xiàn)這本書位列第一。這本書有大量的資源，點擊上面鏈接，進入這本書的主頁，你將看到數(shù)據(jù)文件、代碼、解決方案等資料。對于已經(jīng)了解Python基礎知識的人來說，它是特別有用的，因為在這本書中，用來演示實例的正是python語言。
《統(tǒng)計學習導論》
作者：加雷思·詹姆斯（Gareth James）, 達尼埃拉·威滕（Daniela Witten）, 特雷弗·哈西蒂（Trevor Hastie）和 羅布·蒂布里亞尼（Robert Tibshirani）
這是一本經(jīng)典之作，大多數(shù)我看過的機器學習課程都推薦或引用了這本書，當然是因為它寫的好的緣故。它涵蓋了基礎的統(tǒng)計學和機器學習技術(shù)，最棒的是，每個觀點都會用R語言的案例分析來說明。一旦你學會編程，就來回反復驗證每個觀點，還有什么方法比多次練習能更好地鞏固一個觀點呢？
《概率學：給熱情的初學者》
https://www.amazon.in/Probability-Enthusiastic-Beginner-David-Morin/dp/1523318678
作者：大衛(wèi)·莫林（David Morin）
這是一本針對初學者的完美書籍。這本書是為學院學生們而寫的，所以，所有傾向于從零開始學習概率學的同學們都很會很欣賞這本書的寫作方式。它涵蓋了所有的基礎內(nèi)容-組合數(shù)學、概率學規(guī)則、貝葉斯定理、期望值、偏差、概率密度、常見概率分布、大數(shù)定律、中心極限定理、相關(guān)性和回歸分析。
《概率學導論》
https://www.math.dartmouth.edu/~prob/prob/prob.pdf
作者：J·勞里·斯內(nèi)爾（J. Laurie Snell）和 查爾斯·米勒·格里斯（Charles Miller Grinstead）
這是另一本入門級的書籍，涵蓋了基礎的概率學概念。像上本書一樣，這本書是針對大學畢業(yè)生而寫的，因而進行了詳盡的文字描述。你可能會奇怪為什么我一直重復這一點，這是因為我想強調(diào)：總有一個地方是可以讓我們從零開始學習的，它是一本為那些從未探索進入這個領(lǐng)域的學生而寫的書。
《概率論及其應用概論》
作者：威廉·費勒（William Feller）
正如這本書的描述所說的，它完全是一本關(guān)于概率論及其應用的入門指導書。如果你真的想深深地扎入概率學的世界，我推薦你讀這本書，因為它是一本非常詳細的教科書，但可能不符合一個初學者的口味。如果你學習概率學只是為了進入數(shù)據(jù)科學，你可以避開這本，只閱讀上面提到的兩本概率學書籍中的任意一本就好了。
《機器學習百頁書》
http://www.themlbook.com/
作者：安德里·布爾科夫（Andriy Burkov）
閱讀了大量試圖從不同的角度和觀點來教授機器學習的書籍，我努力想要找尋能夠一本能夠簡明地歸納費解的原理和方程式的書。直到安德里·布爾科夫用100多頁設法做到了這點，我喜歡上了這本書。它寫得很出色，易于理解，而且還有彼德·諾維格（Peter Norvig）等思想領(lǐng)袖為其背書。還需要我說更多嗎？初學者也許已經(jīng)成名，因此，每個數(shù)據(jù)科學家都應該擁有這本書。
《機器學習》
https://www.amazon.in/Machine-Learning-Tom-M-Mitchell/dp/1259096955
作者：湯姆·米切爾（Tom Mitchell）
在所有機器學習書大肆宣傳之前，湯姆·米切爾關(guān)于機器學習的書是理解各種技術(shù)和算法背后數(shù)學原理的首要選擇。我會建議在拿起這本書之前先復習一下數(shù)學，但你并不需要有任何人工智能和統(tǒng)計學的背景來理解這些概念。它是我機器學習的第一本書！ 它售價不高，因此它絕對值得加入你們的收藏。
《統(tǒng)計學學習要素》
https://web.stanford.edu/~hastie/Papers/ESLII.pdf
作者：特雷弗·哈西蒂（Trevor Hastie），羅布·蒂布里亞尼（Robert Tibshirani）和 耶羅梅·弗里德曼（Jerome Friedman）
現(xiàn)在我們回到哈西蒂和蒂布里亞尼的另一本經(jīng)典！它是我們之前提到的《統(tǒng)計學習導論》自然續(xù)篇。盡管和那本書有一些重復，但這本書更進一步地分析了我們所說的機器學習算法。除了一般的機器學習技術(shù)，它還涵蓋其他機器學習技術(shù)，諸如神經(jīng)網(wǎng)絡、矩陣分解法、譜聚類法這些內(nèi)容。
《深度學習》
https://www.deeplearningbook.org/
作者：伊恩·古德費羅（Ian Goodfellow），義華·本焦（Yoshua Bengio）和阿倫·考維爾（Aaron Courville）
這本書的作者們都是巨星級的！《深度學習》這本書被廣泛地認為是初學者最好的學習資源。它分為三個章節(jié)：應用數(shù)學和機器學習基礎、現(xiàn)代深度學習實踐框架和深度學習研究。迄今為止，它是深度學習社區(qū)引用最多的一本書。床邊放一本，膜拜它并經(jīng)常查閱它 –無論什么時候你開始深度學習旅程，這種情形將一直伴隨著你。
《和Python一起深度學習》
https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438
作者：弗朗索瓦·喬萊(Francois Chollet)
通過編程和理論并行學習深度學習（或機器學習），真的很酷，這也是弗朗索瓦·喬萊在《和Python一起深度學習》書中所遵循的方法。常用的Keras庫可以幫助你學習深度學習概念，而弗朗索瓦是Keras的創(chuàng)建者，所以，還會有誰比他更適合來教這個領(lǐng)域的知識呢？我也建議在推特上關(guān)注一下弗朗索瓦 – 那里有很多我們學習的東西。
《神經(jīng)網(wǎng)絡和深度學習》
http://neuralnetworksanddeeplearning.com/
作者：邁克爾·尼爾森（Michael Nielsen）
這是一本免費的在線書籍，以幫助學習為深度學習賦能的核心組件 – 神經(jīng)網(wǎng)絡。我很喜歡這本書的寫作方式，它采用一種實踐的方式來教授基本概念，還從初學者的視角來看待深度學習的研究課題。在這本書里，你學不到任何一種編程語言，因為它是一本解釋神經(jīng)網(wǎng)絡背后基礎概念的教科書，偏老式風格但很好。
《用Python自然語言處理》
https://www.nltk.org/book/
作者：斯蒂文·伯德（Steven Bird），伊旺·克萊恩（Ewan Klein）和 愛德華·洛珀（Edward Loper）
這是另外一本堅持邊做邊學原則的書，你將學到一些在其他地方學不到的python概念知識，這樣才能利用NLTK（Natural Language Toolkit自然語言工具）庫在NLP（Natural Language Processing自然語言處理）的世界里暢游。盡管這本書不是你學習NLP唯一參考的資源（NLP太復雜了，不是一下能說清楚的），但它還是在這一課題上提供一個相當不錯的介紹。
《統(tǒng)計學自然語言處理基礎》
https://www.cs.vassar.edu/~cs366/docs/Manning_Schuetze_StatisticalNLP.pdf
作者：克里斯多夫·曼寧（Christopher Manning）和 欣里奇·舒埃策（Hinrich Schutze）
這本書已經(jīng)出版了20年，依然能夠作為一本優(yōu)秀的自然語言處理入門書。它對NLP下廣泛的子課題對非常詳盡的指引，如文本分類、詞性標注、概率句法分析和其它內(nèi)容。作者在數(shù)學和語言的基礎上對這些課題做了非常嚴謹而且十分詳細的分析，我們要謹記這一點。
《語音和語言處理》
https://web.stanford.edu/~jurafsky/slp3/ed3book.pdf
作者：丹尼爾·尤拉夫斯基（Daniel Jurafsky）和 詹姆斯·H·馬?。↗ames H. Martin）
這本書著重介紹的是，自然語言和語音的實際應用和科學評估。我將這本書列入書單是為了開闊我們在文本處理以外的眼界 – 也來看一看語音識別。為什么不呢？每天都有不計其數(shù)的語音識別應用出現(xiàn)，可見，它是一個日益繁榮的研究領(lǐng)域。尤拉夫斯基和馬丁合著的這本書是自然語言處理領(lǐng)域和計算機語言學非常有深度的一本書。同樣，這也是一本大師們自己寫的書。
《計算機視覺：算法和應用》
http://szeliski.org/Book/
作者：理查德·謝利斯基（Richard Szeliski）
這本書中探討了很多常見的計算機視覺技術(shù)，尤其是那些用來分析和解析圖像的技術(shù)。雖然這本書大在約九年前出版，但理查德·謝利斯基舉例說明所用的例子和方法學在當今還是很實用的。它是一本教科書，詳細介紹了如何采用科學方法來解決計算機視覺領(lǐng)域中的基本挑戰(zhàn)。點擊上面書名，就可以免費獲得這本書的PDF版本。
《用Python編程計算機視覺》
http://programmingcomputervision.com/
作者：揚·埃里克·索勒姆（Jan Erik Solem）
在你探究這本令人驚嘆的書之前，點擊書名，進入網(wǎng)站，下載數(shù)據(jù)包、代碼以及從Github目錄上復制下來的資源庫。這本書是一本真正具有實踐指導意義的計算機視覺導論書，而這些豐富的學習資源則有助于你有效地閱讀它，正如作者所說的，“當你練習這些用Python編寫的例子時，你將學會一些技術(shù)如物體識別、3D重建、立體成像、增強現(xiàn)實和其它的計算機視覺應用?！?/p>
《計算機視覺：建模，學習，和推理》
http://www.computervisionmodels.com/
作者：西蒙·J·D·普林斯博士（Dr. Simon J.D. Prince）
這本書從最基本的概率學基本概念開始介紹，然后非?？斓匾源饲腥胝}。盡管書里介紹的有些框架出現(xiàn)更新版本，但這本書在當今的大環(huán)境中還是有價值的。它介紹了70多個算法，而且完美地補充了350多個示例說明。如果你喜歡幻燈片的學習方式，那么請點擊書名鏈接，進入網(wǎng)站下載。
《人工智能：一種現(xiàn)代的方法》
http://aima.cs.berkeley.edu/
作者：斯圖爾特·羅素（Stuart Russell）和 彼德·諾維格（Peter Norvig）
這是一本斯圖爾特·羅素和彼德·諾維格寫的書，是人工智能界首屈一指的好書，100多個國家、超過1300個高等學府在他們的課程中參考或引用了這本書。提到作者是誰，就不會驚訝于書的厚度 – 1100頁，涵蓋了人工智能的方方面面 – 語音識別、自動駕駛、機器翻譯和計算機視覺等其他內(nèi)容，這本書可以認為是人工智能界的圣經(jīng)。
《人工智能》
https://www.amazon.in/Artificial-Intelligence-Humans-Fundamental-Algorithms-ebook/dp/B00HAT0APE
作者：杰夫·西頓（Jeff Heaton）
人工智能的基本算法是什么？這本書打包了大量的技術(shù)知識，僅編成區(qū)區(qū)222頁。這還只是人工智能技術(shù)系列書籍的第一卷（維度、距離度量、聚類、誤差計算、爬山算法、內(nèi)爾德·米德算法以及線性回歸）。此外，還有一個伴生網(wǎng)站包含了這本書引用的范例和一個包含其代碼的GitHub資源庫。
伴生網(wǎng)站：https://www.heatonresearch.com/aifh/vol1/GitHub資源庫：https://github.com/jeffheaton/aifh
《終極算法》
作者：佩德羅·多明戈斯（Pedro Domingos）
如果你想找一本人工智能方面的技術(shù)書，這本不是。但它是什么呢？它用極具說服性的文字闡述了機器學習是如何改變商業(yè)、政治、科學和戰(zhàn)爭的書，是一本討論人工智能現(xiàn)在在哪里以及未來可能帶領(lǐng)人類去哪里的書，論證深入而且發(fā)人深省。我們將有可能找到有能力通過數(shù)據(jù)推進所有知識的唯一一個算法（或“主算法”）嗎？加入佩德羅·多明戈斯的探索來一起找出答案。
《流暢的Python：清晰、簡練以及高效編程》
https://www.amazon.in/Fluent-Python-Concise-Effective-Programming-ebook/dp/B0131L3PW4
作者：盧西亞諾·拉馬爾霍（Luciano Ramalho）
有很多資源可以用來學習Python，但是沒有能夠像這本優(yōu)秀的教科書一樣教你如何編程。就如你渴望從一本編程書上得到的一樣，它是一本具有操作性的指導書，可以幫助你理解Python是如何工作的以及怎樣寫出精彩且高效的Python代碼。盧西亞諾·拉馬爾霍還網(wǎng)羅了一些流行的代碼庫，你會發(fā)現(xiàn)自己經(jīng)常在數(shù)據(jù)科學項目中用到這些庫。有足足794頁的長度，這本書真是物有所值。
《Python編程：強大的面向?qū)ο缶幊獭?/strong>
https://www.amazon.in/Programming-Python-4e-Mark-Lutz/dp/0596158106
作者：馬克·盧茨（Mark Lutz）
如果你認為上本書已經(jīng)教會你所有需要了解的Python知識，那么請再考慮考慮這部書。畢竟，Python是一個龐大的編程語言，還有很多其它內(nèi)容沒有覆蓋。一旦你從上面那本盧西亞諾·拉馬爾霍的書中掌握了基本原理，就可以來看看馬克·盧茨的這本書。它在很多研究問題上都有深入詳盡的教程：數(shù)據(jù)庫、網(wǎng)絡、文本處理和圖形用戶界面（GUIs）等等，書中有大量例子，是代碼迷必須讀的一本書。
《數(shù)據(jù)科學Python手冊》
作者：薩米爾·馬達文（Samir Madhavan）
目前為止，前面介紹的兩本書都是從編程語言角度來學習Python，現(xiàn)在是時候從數(shù)據(jù)科學的角度來學習它了。哪些數(shù)據(jù)科學庫正被普遍使用，并且怎么用？你如何能在Python中創(chuàng)建數(shù)據(jù)可視化并按圖表挖掘數(shù)據(jù)？并且你如何能將高級的數(shù)據(jù)科學/機器學習技術(shù)編成代碼從而建立數(shù)據(jù)模型？薩米爾·馬達文在這本精心著作的書中回答了這些以及其他更多的問題。
《數(shù)據(jù)科學的R編程》
https://r4ds.had.co.nz/
作者：加勒特·格羅勒蒙德（Garrett Grolemund）和 哈德利·韋翰（Hadley Wickham）
只要是稍稍聽說過R編程的人都將會接觸到哈德利·韋翰的成果，他在這個語言的成就是舉世無雙的 – 關(guān)于他我可以滔滔不絕，怎么極力推薦這本書都不為過。你將學會如何導入不同種類的數(shù)據(jù)進R和不同的數(shù)據(jù)結(jié)構(gòu)以及如何轉(zhuǎn)變、可視化與建模你的數(shù)據(jù)。因此，這是一本通過R編程學習數(shù)據(jù)科學的書，特別好。
《大家來學R》
https://www.amazon.in/R-Everyone-Advanced-Analytics-Graphics/dp/9332539243
作者：賈里德·蘭德（Jared P. Lander）
我在聽說Python之前就已經(jīng)學習R了，因此在我心中，它占據(jù)了一個特殊的位置，而賈里德·蘭德的《大家來學R》在其中起了很大的作用。我從一個朋友那里得到了這本書，并且很快被它精彩的寫作所吸引了。它聲稱是寫給“大家”的，實至名歸。如果你沒有技術(shù)和統(tǒng)計學背景的話，這是一本很好的書。
《R學習書》
https://www.amazon.in/Cookbook-Recipes-Analysis-Statistics-Graphics/dp/9350233797?tag=googinhydr18418-21&tag=googinkenshoo-21&ascsubtag=_k_EAIaIQobChMIqZ3q0uvy3wIV2SMrCh0M3w3nEAYYASABEgJmJ_D_BwE_k_&gclid=EAIaIQobChMIqZ3q0uvy3wIV2SMrCh0M3w3nEAYYASABEgJmJ_D_BwE
聯(lián)系客服
