📢 转载信息
原文链接：https://www.kdnuggets.com/the-5-free-must-read-books-for-every-data-scientist
原文作者：Kanwal Mehreen
Image by Author
# 引言
当我最初开始探索数据科学时，我意识到许多人过度关注Python、R和SQL。你还需要理解统计推理、模型背后的算法，以及如何有效地分析真实世界的数据。我认为，即便是“数据科学”这个名称，也暗示你应该更关注科学性而非工程性。许多课程只教你如何执行特定任务，但理解理论、模型以及如何讲述一个好的数据故事同样重要。我发现书籍在涵盖这些方面时更为全面。为了推广这一理念，我们启动了这个系列，推荐免费但极具价值的书籍。任何对该领域职业生涯抱有认真态度的人都应该阅读这些推荐。
# 1. 数据科学：理论、模型、算法与分析 (Data Science: Theories, Models, Algorithms, and Analytics)
第一本最初是“R语言机器学习”课程的课堂笔记，后来发展成为一本完整的数据科学指南。它解释了数据科学不仅仅是机器学习。你需要高质量的数据、有用的模型、清晰的思维以及能够处理大量数据的系统。本书回顾了进行预测背后的思想、执行工作的模型和算法，以及将数据转化为实际决策的实用分析方法。它能帮助你理解在真实世界环境中从数据到洞察的整个过程。
// 大纲概览：
- 数据科学基础（数据类型、预处理、统计推理、特征选择、集成学习、预测与预报、创新与实验、数学基础：微积分、概率论、向量、回归、矩阵代数）。
- 机器学习与算法（监督与无监督学习、神经网络、深度学习、文本分析、网络、判别与因子分析、Logit/Probit模型、聚类与预测树）。
- 分析与应用（R编程、数据处理与提取、相关与合并、网络抓取、横截面数据、使用Shiny构建交互式应用、推荐系统、产品市场预测）。
- 高级主题（傅里叶分析、复数代数、蒙特卡洛模拟、布朗运动、优化、投资组合计算）。
# 2. 思考统计学，第3版 (Think Stats, 3rd Edition)
《思考统计学》使用Python教授概率论和统计学。它侧重于探索真实数据和回答问题的实用方法，而不是陷入繁重的数学计算中。你将学习如何导入和清理数据、检查单个变量、观察变量之间的关系、构建回归模型以及检验假设。作者使用Python代码和Jupyter 笔记本，以便你可以与数据进行交互并观察事物的工作原理。对于软件工程师、数据科学家或任何想以实践方式学习处理数据的人来说，它都极其有用。
// 大纲概览：
- 概率基础（分布、贝叶斯定理、抽样）。
- 描述性统计与探索性数据分析（汇总统计、可视化、相关性）。
- 统计推断（置信区间、假设检验、p值）。
- 实际应用（Python练习、真实世界数据集、应用数据分析技术）。
# 3. Python数据科学手册 (Python Data Science Handbook)
《Python数据科学手册》完全围绕如何使用Python来完成真实世界的数据科学任务。首先，它教你如何探索和处理数据，然后你将学习制作图表和图形，最后是模型构建。你将使用IPython或Jupyter以及NumPy（用于数组）、Pandas（用于表格）、Matplotlib（用于图表）和Scikit-Learn（用于建模）等库。书中包含大量的示例，因此你可以在学习概念的同时进行实践。如果你已经掌握了一些Python知识，并希望提高数据分析、可视化和建模能力，这是一本非常实用的指南。在线版本是免费的，但你也可以购买印刷版。
// 大纲概览：
- 数据科学基础（IPython基础知识：帮助/文档、快捷键、魔术命令、输入/输出历史、调试、性能分析）。
- 数据操作与计算（NumPy数组：数据类型、广播、索引、聚合；Pandas：索引/选择、合并、分组、处理缺失数据、时间序列）。
- 可视化（Matplotlib：线图/散点图、直方图、子图、注释、3D绘图、Basemap；Seaborn可视化）。
- 机器学习（Scikit-learn：监督/无监督模型、特征工程、超参数、模型验证、主成分分析（PCA）、支持向量机（SVM）、决策树、聚类、高斯混合模型、应用管道）。
# 4. 命令行中的数据科学 (Data Science at the Command Line)
《命令行中的数据科学》关注的是如何使用命令行而不是纯粹的图形工具来执行数据科学任务。它涵盖了如何从电子表格、网络、API或数据库获取数据；如何使用文本文件、CSV、JSON或XML清理数据；如何探索数据并制作图表；以及如何使用回归、分类或降维等技术进行建模。即使你已经熟悉Python或R，这本书也能展示命令行如何使工作更快、处理大型数据集，并与Docker和UNIX实用工具等工具融入完整的工作流程。内容在线免费，也有印刷版可供选择。
// 大纲概览：
- 入门与数据采集（获取数据、安装Docker、基本UNIX概念、处理文件、重定向I/O、查询数据库、调用API）。
- 数据准备与工具（创建命令行工具、将脚本转换为Python/R、数据清洗：文本、CSV、XML/JSON）。
- 项目管理与探索（使用Make进行工作流管理、检查数据、计算描述性统计数据、创建可视化：绘图、直方图、散点/密度/箱线图）。
- 高级处理与建模（并行和分布式管道、回归、分类、降维、使用Vowpal Wabbit和Scikit-Learn进行机器学习）。
- 多语言与结论（使用Jupyter、Python、R、RStudio、Apache Spark、实用建议、命令行工作流程、数据科学的下一步）。
# 5. 数据挖掘与机器学习 (Data Mining and Machine Learning)
本书涵盖了数据挖掘和机器学习的许多主要思想，但它以统计学为基础。它讨论了预测结果的方法（监督学习）以及如何发现隐藏的模式（无监督学习）。作者使用了许多真实世界的例子和图表来说明这些方法实际是如何工作的，同时保持数学清晰且不会过于繁琐。它适合那些想要扎实理解学习算法是如何建立在统计学基础之上，以及它们如何在生物学、金融或市场营销等领域得到应用的人。
// 大纲概览：
- 数据分析基础（数据挖掘概述、数值和分类属性、图数据、核方法、高维数据、降维）。
- 频繁模式挖掘（项集挖掘、项集总结、序列挖掘、图模式挖掘、模式和规则评估）。
- 聚类技术（基于代表点、层次聚类、基于密度、谱/图聚类、聚类验证）。
- 分类方法（概率分类、决策树、线性判别分析、支持向量机、分类评估）。
- 回归与高级模型（线性与逻辑回归、神经网络、深度学习、回归评估）。
# 总结
这五本书涵盖了数据科学的基础知识、实用技术和高级思想。它们是免费的、写作精良的，是深化理解、超越教程和课程的绝佳方式。去阅读它们，并在评论中告诉我你的想法！
Kanwal Mehreen 是一位机器学习工程师和技术作家，对数据科学以及人工智能与医学的交叉领域怀有深厚的热情。她合著了电子书《利用 ChatGPT 实现效率最大化》。作为2022年亚太地区谷歌一代学者，她倡导多样性和学术卓越。她还获得了Teradata技术多样性学者、Mitacs全球链接研究学者和哈佛WeCode学者等荣誉。Kanwal是变革的坚定倡导者，她创办了FEMCodes，旨在赋能STEM领域的女性。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区