中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

數(shù)據(jù)科學(xué)并沒(méi)有一個(gè)獨(dú)立的學(xué)科體系，統(tǒng)計(jì)學(xué)，機(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘，數(shù)據(jù)庫(kù)，分布式計(jì)算，云計(jì)算，信息可視化等技術(shù)或方法來(lái)對(duì)付數(shù)據(jù)。

我的R語(yǔ)言大數(shù)據(jù)101。其實(shí)對(duì)于一個(gè)沒(méi)有任何編程基礎(chǔ)的人來(lái)說(shuō)，一開(kāi)始就學(xué)這本書(shū)，學(xué)習(xí)曲線可能會(huì)比較陡峭。但如果配合上一些輔助材料，如官方發(fā)布的R basics（http://cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的問(wèn)題集（Newest ‘r’ Questions），遇到復(fù)雜的問(wèn)題可在上面搜索，總會(huì)找到解決方案的。這樣一來(lái)，用這本書(shū)拿來(lái)入門學(xué)習(xí)也問(wèn)題不大。而且這本書(shū)作者寫(xiě)得也比較輕松，緊貼實(shí)戰(zhàn)。

Data analysis and graphics using R：

使用R語(yǔ)言做數(shù)據(jù)分析的入門書(shū)。這本書(shū)的特點(diǎn)也是緊貼實(shí)戰(zhàn)，沒(méi)有過(guò)多地講解統(tǒng)計(jì)學(xué)理論，所以喜歡通過(guò)情境應(yīng)用來(lái)學(xué)習(xí)的人應(yīng)該會(huì)喜歡這本入門書(shū)。而且這本書(shū)可讀性比較強(qiáng)，也就是說(shuō)哪怕你手頭沒(méi)電腦寫(xiě)不了代碼，有事沒(méi)事拿出這本書(shū)翻一翻，也能讀得進(jìn)去。

但如果你先用R來(lái)從事實(shí)實(shí)在在的數(shù)據(jù)工作，那么上面兩本恐怕不夠，還需要這些：

Modern applied statistics with S：

這本書(shū)里統(tǒng)計(jì)學(xué)的理論就講得比較多了，好處就是你可以用一本書(shū)既復(fù)習(xí)了統(tǒng)計(jì)學(xué)，又學(xué)了R語(yǔ)言。（S/Splus和R的關(guān)系就類似于Unix和Linux，所以用S教程學(xué)習(xí)R，一點(diǎn)問(wèn)題都沒(méi)有）

Data manipulation with R：

這本書(shū)實(shí)務(wù)性很強(qiáng)，它教給你怎么從不同格式的原始數(shù)據(jù)文件里讀取、清洗、轉(zhuǎn)換、整合成高質(zhì)量的數(shù)據(jù)。當(dāng)然和任何一本注重實(shí)戰(zhàn)的書(shū)一樣，本書(shū)也有豐富的真實(shí)數(shù)據(jù)或模擬數(shù)據(jù)供你練習(xí)。對(duì)于真正從事數(shù)據(jù)處理工作的人來(lái)說(shuō)，這本書(shū)的內(nèi)容非常重要，因?yàn)閷?duì)于任何研究，一項(xiàng)熟練的數(shù)據(jù)預(yù)處理技能可以幫你節(jié)省大量的時(shí)間和精力。否則，你的研究總是要等待你的數(shù)據(jù)。

R Graphics Cookbook：

想用R做可視化，就用這本書(shū)吧。150多個(gè)recipes，足以幫你應(yīng)付絕大多數(shù)類型的數(shù)據(jù)。以我現(xiàn)在極業(yè)余的可視化操作水平來(lái)看，R是最容易做出最漂亮的圖表的工具了。

An introduction to statistical learning with application in R：

這本書(shū)算是著名的the element of statistical learning的姊妹篇，后者更注重統(tǒng)計(jì)（機(jī)器）學(xué)習(xí)的模型和算法，而前者所涉及的模型和算法原沒(méi)有后者全面或深入，但卻是用R來(lái)學(xué)習(xí)和應(yīng)用機(jī)器學(xué)習(xí)的很好的入口。

A handbook of statistical analysis using R：

這本書(shū)內(nèi)容同樣非常扎實(shí)，很多統(tǒng)計(jì)學(xué)的學(xué)生就是用這本書(shū)來(lái)學(xué)習(xí)用R來(lái)進(jìn)行統(tǒng)計(jì)建模的。

Python

Think Python，Think Stats，Think Bayes：

這是Allen B. Downey寫(xiě)的著名的Think X series三大卷。其實(shí)是三本精致的小冊(cè)子，如果想快速地掌握Python在統(tǒng)計(jì)方面的操作，好好閱讀這三本書(shū)，認(rèn)真做習(xí)題，答案鏈接在書(shū)里有。這三本書(shū)學(xué)通了，就可以上手用Python進(jìn)行基本的統(tǒng)計(jì)建模了。

Python For Data Analysis：

作者是pandas的主要開(kāi)發(fā)者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能，能夠處理結(jié)構(gòu)比較復(fù)雜的數(shù)據(jù)。這本書(shū)其實(shí)analysis講得不多，說(shuō)成數(shù)據(jù)處理應(yīng)該更合適。掌握了這本書(shū)，處理各種糟心的數(shù)據(jù)就問(wèn)題不大了。

Introduction to Python for Econometrics, Statistics and Data Analysis：

這本書(shū)第一章就告訴你要安裝Numpy, Scipy, Matplotlib, Pandas, IPython等等。然后接下來(lái)的十好幾章就是逐一介紹這幾個(gè)庫(kù)該怎么用。很全面，但讀起來(lái)比較枯燥，可以用來(lái)當(dāng)工具書(shū)。

Practical Data Analysis：

這本書(shū)挺奇葩，貌似很暢銷，但作者把內(nèi)容安排得東一榔頭西一棒子，什么都講一點(diǎn)，但一個(gè)都沒(méi)講透。這本書(shū)可以作為我們學(xué)習(xí)數(shù)據(jù)分析的一個(gè)索引，看到哪塊內(nèi)容有意思，就順著它這個(gè)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(guò)的也就這一本，覺(jué)得還不錯(cuò)。其實(shí)這類書(shū)差別都不會(huì)很大，咬住一本啃下來(lái)就是王道。

Exploratory Data Analysis 和 Data Visualization

Exploratory Data Analysis：

John Tukey寫(xiě)于1977年的經(jīng)典老教材，是這一領(lǐng)域的開(kāi)山之作。如今EDA已經(jīng)是統(tǒng)計(jì)學(xué)里的重要一支，但當(dāng)時(shí)還是有很多人對(duì)他的工作不屑一顧?？伤麗?ài)數(shù)據(jù)，堅(jiān)信數(shù)據(jù)可以以一種出人意料的方式呈現(xiàn)出來(lái)。正是他的努力，讓數(shù)據(jù)可視化成為一門無(wú)比迷人的技術(shù)。但這本書(shū)不推薦閱讀了，內(nèi)容略過(guò)時(shí)。要想完整地了解EDA，推薦下一本：

Exploratory Data Analysis with MATLAB：

這本書(shū)雖然標(biāo)題帶了個(gè)MATLAB，但實(shí)際上內(nèi)容幾乎沒(méi)怎么講MATLAB，只是每講一個(gè)方法的時(shí)候就列出對(duì)應(yīng)的MATALB函數(shù)。這本書(shū)的重要之處在于，這是我讀過(guò)的講EDA最系統(tǒng)的一本書(shū)，除了對(duì)visualization有不輸于John Tucky的講解外，對(duì)于高維的數(shù)據(jù)集，通過(guò)怎樣的方法才能讓我們從中找到潛在的pattern，這本書(shū)也做了詳盡的講解。全書(shū)所以案例都有對(duì)應(yīng)的MATALB代碼，而且還提供了GUI（圖形用戶界面）。所以這本書(shū)學(xué)起來(lái)還是相當(dāng)輕松愉悅的。

Visualize This：

中譯本叫“鮮活的數(shù)據(jù)”，作者是個(gè)“超級(jí)數(shù)據(jù)迷”，建立了一個(gè)叫http://flowingdata.com的網(wǎng)頁(yè)展示他的數(shù)據(jù)可視化作品，這本書(shū)告訴你該選擇什么樣的可視化工具，然后告訴你怎樣visualize關(guān)系型數(shù)據(jù)、時(shí)間序列、空間數(shù)據(jù)等，最后你就可以用數(shù)據(jù)講故事了。如果你只想感受一下數(shù)據(jù)可視化是個(gè)什么，可以直接點(diǎn)開(kāi)下面這個(gè)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(shuō)了，不是因?yàn)樗恢匾?，而是因?yàn)樗匾?。所以這一部分就推兩本書(shū)，都是”世界名著“，都比較難讀，需要一點(diǎn)點(diǎn)地啃。這兩本書(shū)拿下，基本就算是登堂入室了。其實(shí)作為機(jī)器學(xué)習(xí)的延伸和深化，概率圖模型（PGM）和深度學(xué)習(xí)（deep learning）同樣值得研究，特別是后者現(xiàn)在簡(jiǎn)直火得不得了。但PGM偏難，啃K.Daphne那本大作實(shí)在太燒腦，也沒(méi)必要，而且在數(shù)據(jù)領(lǐng)域的應(yīng)用也不算很廣。deep learning目前工業(yè)界的步子邁得比學(xué)術(shù)界的大，各個(gè)domain的應(yīng)用如火如荼，但要有公認(rèn)的好教材問(wèn)世則還需時(shí)日，所以PGM和deep learning這兩塊就不薦書(shū)了。

The Element of Statistical Learning：

要學(xué)機(jī)器學(xué)習(xí)，如果讓我只推薦一本書(shū)，我就推薦這本巨著。Hastie、Tibshirani、Friedman這三位大牛寫(xiě)書(shū)寫(xiě)得太用心了，大廈建得夠高夠大，結(jié)構(gòu)也非常嚴(yán)謹(jǐn)，而且很有前瞻性，納入了很多前沿的內(nèi)容，而不僅僅是一部綜述性的教材。（圖表也做得非常漂亮，應(yīng)該是用R語(yǔ)言的ggplot2做的。）這本書(shū)注重講解模型和算法本身，所以需要具備比較扎實(shí)的數(shù)理基礎(chǔ)，啃起這本書(shū)來(lái)才不會(huì)太吃力。事實(shí)上掌握模型和算法的原理非常重要。機(jī)器學(xué)習(xí)（統(tǒng)計(jì)學(xué)習(xí)）的庫(kù)現(xiàn)在已經(jīng)非常豐富，即使你沒(méi)有完全搞懂某個(gè)模型或算法的原理和過(guò)程，只要會(huì)用那幾個(gè)庫(kù)，機(jī)器學(xué)習(xí)也能做得下去。但你會(huì)發(fā)現(xiàn)你把數(shù)據(jù)代進(jìn)去，效果永遠(yuǎn)都不好。但是，當(dāng)你透徹地理解了模型和算法本身，你再調(diào)用那幾個(gè)庫(kù)的時(shí)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(shù)據(jù)挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺?shù)?，是因?yàn)殡m然他這本書(shū)的出發(fā)點(diǎn)是應(yīng)用，但原理上的內(nèi)容也一點(diǎn)沒(méi)有落下，內(nèi)容非常完整。而且緊跟時(shí)代，更新的很快，我看過(guò)的是第二版，就已經(jīng)加進(jìn)去了social network analysis這種當(dāng)時(shí)的前沿內(nèi)容?，F(xiàn)在已經(jīng)有第三版了，我還沒(méi)看過(guò)，但應(yīng)該也加入了不少新內(nèi)容。其實(shí)這本書(shū)并不難讀，只是篇幅較長(zhǎng)，啃起來(lái)比較耗時(shí)。

其實(shí)這兩本書(shū)里單拎出來(lái)一塊內(nèi)容可能又是幾本書(shū)的節(jié)奏，比如bayesian方法，再拿出兩三本書(shū)來(lái)講也不為過(guò)，我個(gè)人用到的比較多，而且也確實(shí)有不少好書(shū)。但并非是所有data scientist都要用到，所以這一塊就不再細(xì)說(shuō)。

還有一些印象比較深刻的書(shū)：

Big Data Glossary：

主要講解大數(shù)據(jù)處理技術(shù)及工具，內(nèi)容涵蓋了NoSQL，MapReduce，Storage，Servers，NLP庫(kù)與工具包，機(jī)器學(xué)習(xí)工具包，數(shù)據(jù)可視化工具包，數(shù)據(jù)清洗，序列化指南等等?？傊且槐巨o典式的大數(shù)據(jù)入門指導(dǎo)。

Mining of Massive Datasets：

這本書(shū)是斯坦福大學(xué)Web Mining的講義，里面很多內(nèi)容與韓家煒的Data Mining那本書(shū)重合，但這本書(shū)里詳細(xì)地講了MapReduce的設(shè)計(jì)原理，PageRank（Google創(chuàng)業(yè)時(shí)期的核心排序算法，現(xiàn)在也在不斷優(yōu)化更新）講解得也比較詳細(xì)。

Developing Analytic Talent：

作者是個(gè)從事了十幾年數(shù)據(jù)工作的geek，技術(shù)博客寫(xiě)得很有個(gè)人風(fēng)格，寫(xiě)的內(nèi)容都比較偏門，通常只有具備相關(guān)數(shù)據(jù)處理經(jīng)驗(yàn)的人能體會(huì)出來(lái)，絲毫不照顧初學(xué)者的感受。比如他會(huì)談到當(dāng)數(shù)據(jù)流更新太快時(shí)該怎么辦，或者M(jìn)apReduce在什么時(shí)候不好用的問(wèn)題，才不管你懂不懂相關(guān)基礎(chǔ)原理。所以這本書(shū)不太適合初學(xué)者閱讀。這本書(shū)其實(shí)是作者的博客文章的集結(jié)，用how to become a data scientist的邏輯把他近幾年的博客文章串聯(lián)了起來(lái)。

Past, Present and Future of Statistical Science：

這本書(shū)是由COPSS（統(tǒng)計(jì)學(xué)社主席委員會(huì)，由國(guó)際各大統(tǒng)計(jì)學(xué)會(huì)的帶頭人組成）在50周年出版的一本紀(jì)念冊(cè)，里面有50位統(tǒng)計(jì)學(xué)家每人分別貢獻(xiàn)出的一兩篇文章，有的回憶了自己當(dāng)年如何走上統(tǒng)計(jì)學(xué)這條路，有的探討了一些統(tǒng)計(jì)學(xué)的根本問(wèn)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(xiě)下了寄語(yǔ)。非常有愛(ài)的一本書(shū)。

其它資料

Harvard Data Science：

這是H大的Data science在線課，我沒(méi)有修過(guò)，但口碑很好。這門課需要費(fèi)用8千刀左右，比起華盛頓大學(xué)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(jì)算機(jī)）。如果想自學(xué)，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(lái)自各個(gè)domain的用Python做數(shù)據(jù)的人每年舉行一次的聚會(huì)，期間會(huì)有各路牛人舉行一些規(guī)模不大的seminar或workshop，有好心人已經(jīng)把video上傳到github，有興趣的去認(rèn)領(lǐng)吧（DataTau/datascience-anthology-pydata · GitHub）

工具

R/Python/MATLAB（必備）：

如果是做數(shù)據(jù)分析和模型開(kāi)發(fā)，以我的觀察來(lái)看，使用這三種工具的最多。R生來(lái)就是一個(gè)統(tǒng)計(jì)學(xué)家開(kāi)發(fā)的軟件，所做的事也自然圍繞統(tǒng)計(jì)學(xué)展開(kāi)。MATLAB雖然算不上是個(gè)專業(yè)的數(shù)據(jù)分析工具，但因?yàn)楹芏嗳瞬皇菍I(yè)做數(shù)據(jù)的，做數(shù)據(jù)還是為了自己的domain expertise（特別是科學(xué)計(jì)算、信號(hào)處理等），而MATLAB又是個(gè)強(qiáng)大無(wú)比的Domain expertise工具，所以很多人也就順帶讓MATLAB也承擔(dān)了數(shù)據(jù)處理的工作，雖然它有時(shí)候顯得效率不高。Python雖然不是做數(shù)據(jù)分析的專業(yè)軟件，但作為一個(gè)面向?qū)ο蟮母呒?jí)動(dòng)態(tài)語(yǔ)言，其開(kāi)源的生態(tài)使Python擁有無(wú)比豐富的庫(kù)，Numpy, Scipy 實(shí)現(xiàn)了矩陣運(yùn)算/科學(xué)計(jì)算，相當(dāng)于實(shí)現(xiàn)了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實(shí)現(xiàn)了機(jī)器學(xué)習(xí)。

SQL（必備）：

雖然現(xiàn)在人們都說(shuō)傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)如Oracle、MySQL越來(lái)越無(wú)法適應(yīng)大數(shù)據(jù)的發(fā)展，但對(duì)于很多人來(lái)說(shuō)，他們每天都有處理數(shù)據(jù)的需要，但可能一輩子都沒(méi)機(jī)會(huì)接觸TB級(jí)的數(shù)據(jù)。不管怎么說(shuō)，不論是用關(guān)系型還是非關(guān)系型數(shù)據(jù)庫(kù)，SQL語(yǔ)言是必須要掌握的技能，用什么數(shù)據(jù)庫(kù)視具體情況而定。

MongoDB（可選）：

目前最受歡迎的非關(guān)系型數(shù)據(jù)庫(kù)NoSQL之一，不少人認(rèn)為MongoDB完全可以取代mySQL。確實(shí)MongoDB方便易用，擴(kuò)展性強(qiáng)，Web2.0時(shí)代的必需品。

Hadoop/Spark/Storm（可選）:

MapReduce是當(dāng)前最著名也是運(yùn)用最廣泛的分布式計(jì)算框架，由Google建立。Hadoop/Spark/storm都是基于MapReduce的框架建立起來(lái)的分布式計(jì)算系統(tǒng)，要說(shuō)他們之間的區(qū)別就是，Hadoop用硬盤存儲(chǔ)數(shù)據(jù)，Spark用內(nèi)存存儲(chǔ)數(shù)據(jù)，Storm只接受實(shí)時(shí)數(shù)據(jù)流而不存儲(chǔ)數(shù)據(jù)。一言以蔽之，如果數(shù)據(jù)是離線的，如果數(shù)據(jù)比較復(fù)雜且對(duì)處理速度要求一般，就Hadoop，如果要速度，就Spark，如果數(shù)據(jù)是在線的實(shí)時(shí)的流數(shù)據(jù)，就Storm。

OpenRefine（可選）：

Google開(kāi)發(fā)的一個(gè)易于操作的數(shù)據(jù)清洗工具，可以實(shí)現(xiàn)一些基本的清洗功能。

Tableau（可選）：

一個(gè)可交互的數(shù)據(jù)可視化工具，操作簡(jiǎn)單，開(kāi)箱即用。而且圖表都設(shè)計(jì)得非常漂亮。專業(yè)版1999美刀，終身使用。媒體和公關(guān)方面用得比較多。

跟Tableau類似，都是那種可交互的可視化工具，不需要編程基礎(chǔ)，生成的圖表在美學(xué)和設(shè)計(jì)上也是花了心血的。更擅長(zhǎng)復(fù)雜網(wǎng)絡(luò)的可視化。

作者：郭小賢

來(lái)源：知乎

End.