转行数据科学路上看过的一些书总结推荐_上海数据分析网

转行数据科学路上看过的一些书总结推荐

前言

这些书的看书周期大概有一年半吧

一年半前决定转行数据科学

当然转行不能只是说说而已，还是要下功夫的，于是买了很多书，也被送了很多书，下面谈谈我这一年半看过的相关的书：

SQL

SQL 学习指南

个人推荐指数：★ ★ ★

SQL 是学数据分析挖掘必须会的，这本书因为之前买的，就看的这个，个人感觉，初学者会在多表连接和查询那里纠结很久，当然，我 SQL 学的并不是很好，还需多多加强，可惜的一点是，这本书的数据好像并没有提供，所以我没办法实操一下。

Python

Python 基础教程

个人推荐指数：★

书的内容是用 Python2 写的，不太适合初学者学习，因为 Python2 不久将不在维护，还是学 Python3 好，在京东等商城销量很高，但是不建议作为入门书籍，因为第六章就开始写到参数魔法，新手会很难理解，入门书应当是生动有趣易理解的，这也是我写 Python 从零开始入门连载的原因之一。

听说已经出的第三版是 Python3 写的

像计算机科学家一样思考 Python

个人推荐指数：★

这本书销量很高，看的时候印象最深的就是递归的思想，如果你已经看过我的 Python 入门基础课，可以不看这本，这本书相对多出来的知识点问我在 Python 进阶文章前几篇已经写出来了。这本书不适合作为入门书，原因是每个点讲的不全面。

Head First Python

个人推荐指数：★ ★ ★ ★

这本书是我最开始接触 Python 看的几本书之一，书中大量插画，使用 Python 解决一些实际问题，初学者可以不按照本书内容敲代码，看懂即可，因为本书代码量太大，可能让初学者从入门到放弃。

Python 程序设计基础

个人推荐指数：★ ★ ★

这本书推荐给喜欢应试教育的朋友，作为入门书也是很合适的，基于 Python3 写的，再说 Python 已经加入全国计算机二级考试，这本书作为教材也是很 OK 的。

流畅的 Python

个人推荐指数：★ ★ ★ ★

这本书是奉献给那些想将 Python 写的更优雅的朋友，深度剖析 Python 的深层内容，细细品读，每章都有极大收获，当然，书很厚，我还没看完。

网络爬虫

精通 Python 网络爬虫

个人推荐指数：★ ★ ★

我学网络爬虫是看的韦玮老师视频，通俗易懂，很棒！之后韦玮老师这本书出版之后，就看了一遍，书中对网络爬虫原理，urllib 库，正则表达式，scrapy 讲得比较透彻，推荐大家额外看看 BeautifulSoup，xpath 等给力解析库，本书使用 Fiddler 抓包分析，但我更推荐谷歌浏览器的开发者模式。

数据分析

深入浅出数据分析

个人推荐指数：★ ★ ★ ★

这本书适合作为学数据分析的入门书，书中大量插图，生动形象，深入浅出，每章都是为了解决特定问题而反复思考迭代。

机器学习

白话大数据与机器学习

个人推荐指数：★ ★ ★ ★

推荐这本书入门机器学习，不要纠结书中的代码，看每种机器学习的举例介绍，通俗易懂，书中很多漫画插图，算法原理推导基本不深，特别是隐马尔可夫部分讲的很棒，作为入门机器学习的书非常棒！

机器学习

个人推荐指数：★ ★ ★ ★ ★

周志华老师的机器学习，应当算是国内机器学习书籍销量最高了吧，除去国外书籍，这是你学机器学习必看的经典书籍（因为我所了解的国外有好几本经典的机器学习书籍）。这本书从西瓜数据开始，到西瓜数据结束，每个算法点到即止（不代表深度不够，这里指的是篇幅上不废话）。对我帮助最大的是本书第二章的模型评估选择，讲的非常成体系。当然，书上的理论推导很难，有兴趣可以看看一些学习笔记。

机器学习基础教程

个人推荐指数：★ ★

这本书是理论书，从线性回归开始，将最小二乘法和极大似然法实现全都详细推导一遍，酣畅淋漓，之后的贝叶斯方法和贝叶斯推理，理论性太强，看的让人想撕书，不过通俗易懂，再之后的分类聚类降维写的没什么特色。数学好的同学可以挑战看看。

集体智慧编程

个人推荐指数：★ ★

这本书 Python 代码是 2 版本，书比较老（经典）了，这本书我看了一部分就放弃了，原因是书中的数据提供的网站很多都失效了，不过这本书的思想还是不错的，以后还会回来看看的。

机器学习实战

个人推荐指数：★ ★ ★ ★ ★

这本书非常给力，基本不用 sklearn 等别人造好的轮子，基本都是自己定义函数实现功能，对你从底层了解机器学习代码实现非常有帮助，注释不够多，你可能不明白某段代码的含义，你可以使用 print 函数输出看看，然后加以理解，遇到没见过的方法，可以百度它的作用，因为书比较老，所以有些方法已经改动过或者不用，你百度最新替代的方法试试。

Python 机器学习及实践

个人推荐指数：★ ★ ★

整本书 180 页，不到两天就能撸完，书中提供的代码是 Python2，自己稍作修改改成 3 运行一遍，有 Python 基础就跳过第一章，第二章将常见机器学习算法的实现，主要有用的是 sklearn，通过看完这章，你就知道了用 sklearn 做机器学习的步骤：导入数据，数据预处理，训练数据训练模型，测试数据预测，模型性能评估。第三章是本书两点，讲到了特征提升、模型正则化、模型检验、超参数搜索优化。本书在模型的欠拟合和过拟合部分阐述的很好，之后讲到了一些流行的库，包括 NLTK、Word2Vec、XGBoost、Tensorflow，涉及自然语言处理，深度学习。全本书原理一笔带过，最后一章讲到鼓励参加 Kaggle 比赛，并拿出了三个案例讲解。本书适合学完 sklearn 基础的朋友想用 sklearn 实现完整机器学习项目，缺点是书中模型基本使用的都是默认参数。

统计学习方法

个人推荐指数：★ ★ ★ ★ ★

想学数据挖掘或者机器学习不可避免要接触数学相关理论，尽管你可以只用 sklearn 等做机器学习，但不懂底层理论，是无法做深入的，而这本书，就是给你打好机器学习基础的书，先修内容大学数学三件套（高等数学、线性代数、概率论与数理统计），如果你不是数学基础特别好，看这本书的时候会像我一样看不懂一些公式推导，莫慌，百度一下别人的学习笔记或者技术博客，慢慢钻研，本书适合看多次，每次都有新的收获，书本身不厚，230 页，建议边看边将感悟推导公司等写在旁边，方便下次看。

数据挖掘

数据挖掘导论

个人推荐指数：★ ★ ★