怎樣

選書 選擇一本合適

的數(shù)據(jù)科學(xué)書至關(guān)重要，一本不適合

的書會(huì)糜費(fèi)

你的時(shí)間以及肉體

。 有時(shí)分

，書的大綱可能正合你意。但是隨著你深化

閱讀時(shí)，可能會(huì)發(fā)現(xiàn)作者只觸及了表面

，并不夠深化

。這種狀況

之前也發(fā)在我的身上，我寫這篇文章就是為了讓你避免

這種狀況

。 當(dāng)我們選擇數(shù)據(jù)科學(xué)相關(guān)書籍時(shí)，能夠

考錄一下幾點(diǎn)： · 看作者的個(gè)人簡(jiǎn)介：能夠

輔佐

了解

作者的背景，他的研討

和主要興味

，同時(shí)也展示

了本書的一些細(xì)節(jié)。但也要給新的作者機(jī)遇

，不要把這一點(diǎn)作為關(guān)鍵。 · 認(rèn)真

閱讀序文

：大部分

圖書在網(wǎng)上都能免費(fèi)閱讀其序文

部分

。請(qǐng)認(rèn)真

閱讀該部分

。大多數(shù)狀況

下，在此部分

作者不只

會(huì)引見

寫書背景，也會(huì)論述

各章節(jié)的細(xì)節(jié)。 · 選擇有獨(dú)立章節(jié)的書：這是我的個(gè)人喜好

，比較

一本技術(shù)型的書不是小說。固然

從書中由易到難、逐步

學(xué)習(xí)很重要，但選擇一本或多或少帶有獨(dú)立章節(jié)的書能讓你結(jié)構(gòu)

性的把握此書。 · 去書店逛逛：固然

往常

能夠

在網(wǎng)上找到一切

的東西，但是在書店能夠

給你更直觀的感受。有時(shí)分

，當(dāng)閱讀

一本書的關(guān)鍵章節(jié)時(shí)，我可能會(huì)改動(dòng)

主見

，去選擇另一本書。 · 閱讀在線評(píng)論：第一

不要置信

一切

評(píng)論，畢竟評(píng)論是客觀

的，但在線評(píng)論能夠

了解

人們對(duì)此書的普遍見地

。我們常說：不要以一本書的封面來判別

其好壞。亞馬遜的評(píng)論值得參考，人們會(huì)對(duì)作者做出有見地的評(píng)論和批判

。

感興味

的書籍 數(shù)據(jù)科學(xué)有很多好書，在本文末尾，我列出了39本我所讀過的

細(xì)致

的回想 一次回想

一堆書是一個(gè)艱巨的任務(wù)。將一切

這些書放在一同

的緣由

是，我以為

概念和理論上有一些堆疊

的部分

，其中最具應(yīng)戰(zhàn)

是大部分

時(shí)間它們都是以不同的詞匯呈現(xiàn)和論述

的。以下是我列出的，在閱讀數(shù)據(jù)科學(xué)書之前值得一看的理想書籍清單。記住，你永遠(yuǎn)不會(huì)從一本書中取得

足夠的學(xué)問

，由于

科學(xué)范疇

是十分

復(fù)雜的，一本書是遠(yuǎn)遠(yuǎn)不夠的。 在下文中，我依據(jù)

每個(gè)規(guī)范

選擇了這些書籍中的前5名。

書籍長(zhǎng)度（頁數(shù)） 一本書的長(zhǎng)度的確

取決于所討論

的內(nèi)容。固然

這不是對(duì)質(zhì)量的權(quán)衡

規(guī)范

，但我們能夠

假定

你閱讀的內(nèi)容越多，所取得

的學(xué)問

就越多。以下是我依據(jù)

書籍中討論

的內(nèi)容多少排名前5名的書籍。

The Elements of Statistical Learning Trevor Hastie and Robert Tibshirani Python in a Nutshell: A Desktop Quick Reference? Alex Martelli, Anna Ravenscroft, Steve Holden Data Structures and Algorithms in Python Michael T. Goodrich and Roberto Tamassia Doing Data Science Cathy O’Neil and Rachel Schu Python Machine Learning Sebastian Raschka

寫作作風(fēng) 對(duì)科學(xué)范疇

中止

論述

很有應(yīng)戰(zhàn)

性，不能讓每個(gè)人都稱心

，這取決于目的

受眾。有些作者有這方面的天賦，能夠

以簡(jiǎn)單明了的方式傳達(dá)復(fù)雜的概念。同樣，經(jīng)過

巧妙的結(jié)構(gòu)

和良好的學(xué)習(xí)方式解釋概念，有助于學(xué)習(xí)。以下是寫作作風(fēng)

方面前5名的書籍。

The Elements of Statistical Learning Trevor Hastie and Robert Tibshirani Python Machine Learning Sebastian Raschka The Art of Data Science Roger D. Peng, Elizabeth Matsui Machine Learning: The Art and Science of Algorithms that Make Sense of Data Peter Flach Real World Machine Learning Henrik Brink and Joseph Richards

結(jié)構(gòu) 教授數(shù)據(jù)科學(xué)并非易事，但也沒有那么難，我們只需了解

應(yīng)怎樣

構(gòu)建內(nèi)容，從而確保信息被保管

。關(guān)于這點(diǎn)有兩個(gè)主要的辦法

。我們能夠

構(gòu)建獨(dú)立的模塊，當(dāng)中的內(nèi)容能夠

不具備相關(guān)性，但還是屬于數(shù)據(jù)科學(xué)剖析

流程的內(nèi)容。單獨(dú)論述

這些概念不需依照

次第

。 另一方面，人們能夠

經(jīng)過

以難度遞增的次第

來構(gòu)建內(nèi)容，就像大多數(shù)教學(xué)書籍中一樣。例如關(guān)于回歸，書中以最基本

方式

的回歸開端

，并加以越來越多的變化和最復(fù)雜方式

的回歸。以下是結(jié)構(gòu)

性排名前五的書籍。

The Elements of Statistical Learning Trevor Hastie and Robert Tibshirani Python Machine Learning Sebastian Raschka Modern Python CookBook Steven F. Lo Docker in Practice Ian Miell and Aidan Hobson Sayers Ensemble Methods: Foundations and Algorithms Zhi-Hua Zhou

內(nèi)容 怎樣就算太過了？從哪兒開端

記敘？應(yīng)該觸及

什么內(nèi)容，跳過什么內(nèi)容？這些都是寫數(shù)據(jù)科學(xué)相關(guān)書籍是會(huì)遇到的問題。一些作者會(huì)選擇涵蓋一個(gè)十分

細(xì)致

的范疇

，當(dāng)查看這些作者的學(xué)術(shù)資料

時(shí)，我們看到他們的研討

與著作之間的聯(lián)絡(luò)

。大多數(shù)時(shí)分

，這些作者寫的不是普通

的數(shù)據(jù)科學(xué)書籍，而是他們的研討

的一部分

。他們的目的

受眾也比較

狹窄。另一方面，一些作者針對(duì)數(shù)據(jù)科學(xué)教學(xué)，關(guān)注的是基本

的和全局的部分

，而不是細(xì)節(jié)。這類書籍常常觸及

運(yùn)用

R言語

或Python的回歸，分類，以及運(yùn)用

模塊中止

數(shù)據(jù)剖析等等。 經(jīng)過

封面判別

一本書？大多數(shù)人都說不要這么做。但我不認(rèn)同這點(diǎn)。我們會(huì)用封面來判別

一本書的好壞嗎？我們需求

、且必需

這么做。當(dāng)然，這里說的不是這本書的外部封面，而是在序文

中能夠

看到的，書第一部的引見

性段落。在這部分

，作者大部分

都細(xì)致

引見

了本書各個(gè)章節(jié)的細(xì)節(jié)。有時(shí)，作者會(huì)偏離他們最初對(duì)書籍的想象

。這是正常的，這個(gè)范疇

正在快速發(fā)現(xiàn)，觀念

也是如此。但是一本好書總能夠

遵照

其最初的想象

。

解釋的深度 作者在解釋時(shí)會(huì)深化

到哪個(gè)水平

？我以為

這與我在這篇文章中提到的很多觀念

有關(guān)。這與內(nèi)容，結(jié)構(gòu)

和長(zhǎng)度之間存在關(guān)聯(lián)性。解釋的深度能夠

辨別

好的作者，作者傳達(dá)的信息中包含的內(nèi)容，關(guān)系到你能夠

吸收學(xué)問

，特別是那種會(huì)在大腦中留存很長(zhǎng)時(shí)間的學(xué)問

。因而

，作者的技藝

在這占很重要的角色。由于

他們必需

控制

內(nèi)容背后的錯(cuò)誤

，這使得他們?cè)诮忉寙栴}時(shí)能夠

深化

，同時(shí)避免

讀者脫離本書的大框架。

代碼解釋 代碼很重要，但不是必需的。假定

這本書的主要目的是為了解

釋特定的辦法

，算法和辦法

在后臺(tái)怎樣

工作，那么最好的辦法

是從頭開端

重新完成

一個(gè)算法。固然

很多人會(huì)說：“為什么要這么省事

，我們有對(duì)應(yīng)的模塊啊”，那么我只能倡議

他們換一本書，由于

他們選錯(cuò)書了。重新完成

的過程，能夠

讓你感遭到

為了優(yōu)化庫的可擴(kuò)展性所投入的肉體

。依據(jù)

上下文，一些書只是為了教會(huì)你怎樣

運(yùn)用

特定的庫和包，這種書大多時(shí)分

被稱為cookbook，這類書作者會(huì)依賴筆記（分享在GitHub或其他版本控制平臺(tái)用于對(duì)他們的書中止

補(bǔ)充）。經(jīng)過

作者，你會(huì)發(fā)現(xiàn)足夠的代碼能夠

經(jīng)過

解釋一些聯(lián)絡(luò)

，從而輔佐

你控制

特定的主題。

The Elements of Statistical Learning Trevor Hastie and Robert Tibshirani Python Machine Learning Sebastian Raschka Modern Python?CookBook Steven F. Lo Docker in Practice Ian Miell and Aidan Hobson Sayers Ensemble Methods: Foundations and Algorithms Zhi-Hua Zhou

結(jié)語 這是一個(gè)十分

客觀

的分類，假定

你有不同的見地

，歡送

給我留言。

附：39本數(shù)據(jù)科學(xué)相關(guān)舉薦

書籍 Doing Data Science? s s s Cathy O’Neil and Rachel Schu Docker in Action Jeff Nickoloff The Art Of R Programming? Norman Matloff Introducing Data Science s s ? Davy Cielen and Arno Meysman Learning Predictive Analytics with Python Ashish Kumar Data Structures and Algorithms in Python Michael T. Goodrich and Roberto Tamassia Amazon Web Services in Action Andreas Wiig and Michael Wiig Spark for Python Developers Amit Nandi Machine Learning : A probaBIlistic perspective Kevin P. Murphy Real World Machine Learning Henrik Brink and Joseph Richards iPython Interactive Computing and Visualization Cookbook Cyrille Rossant Mastering Machine Learning with scikit-learn Gavin Hackeling Python Data Science Cookbook Gopi?Subramanian Building Machine Learning Systems with Python Willi Richert and Luis Pedro Coelho Hadoop The Definitive Guide Tom White Statistical Learning with Sparsity Trevor Hastie and Robert Tibshirani The Elements of Statistical Learning Trevor Hastie and Robert Tibshirani Fluent Python Luciano Ramalho Thoughtful Machine Learning Mahew Kirk Machine Learning with R Cookbook Yu-Wei, Chiu (David Chiu) Docker in Practice Ian Miell and Aidan Hobson Sayers Data Science and BIg Data Analytics EMC Education Services Mastering Object-Oriented Python Steven F. Lo Machine Learning with Spark Nick Pentreath Machine Learning for Hackers Drew Conway and John Myles White Data Science for Business Foster Provost and Tom Fawce Developing Analytic Talent Vincent Granville Think Python : How to Think Like a Computer Scientist Allen B. Downey Python Algorithms Magnus Lie Hetland Python Cookbook David Beazley and Brian K. Jones Testing Python David Sale Programming Collective Intelligence Toby Segaran Data Analysis with open source tools Philipp K. Janert Python in a Nutshell: A Desktop Quick Reference Alex Martelli, Anna Ravenscroft, Steve Holden Python Machine Learning Sebastian Raschka The Art of Data Science Roger D. Peng, Elizabeth Matsui Machine Learning: The Art and Science of Algorithms that Make Sense of Data Peter Flach Modern Python CookBook Steven F. Lo Ensemble Methods: Foundations and Algorithms Zhi-Hua Zhou 原文鏈接 https://opendatascience.com/blog/how-to-choose-a-great-data-science-book/ 原作者 Radhouane Aniba 編譯 CDA 編譯團(tuán)隊(duì)

數(shù)極客是新一代用戶行為分析與數(shù)據(jù)智能平臺(tái)，支持用戶數(shù)據(jù)分析、運(yùn)營(yíng)數(shù)據(jù)分析、留存分析、路徑分析、漏斗分析、用戶畫像、SEM數(shù)據(jù)分析等16種分析模型的數(shù)據(jù)分析產(chǎn)品，支持網(wǎng)站統(tǒng)計(jì)、網(wǎng)站分析、APP統(tǒng)計(jì)、APP分析等分析工具，以及會(huì)員營(yíng)銷系統(tǒng)和A/B測(cè)試工具等數(shù)據(jù)智能應(yīng)用，支持SAAS和私有化部署,提升用戶留存和轉(zhuǎn)化率，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)增長(zhǎng)!

【獨(dú)家稿件及免責(zé)聲明】本站原創(chuàng)文章如需轉(zhuǎn)載請(qǐng)聯(lián)系我們，未經(jīng)書面許可禁止轉(zhuǎn)載，本站轉(zhuǎn)載文章著作權(quán)歸原作者所有，如有侵權(quán)請(qǐng)聯(lián)系:。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的如何选择python书籍_如何选择一本优质的数据科学书籍的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。