如何选择python书籍_如何选择一本优质的数据科学书籍

怎样

选书 选择一本合适

的数据科学书至关重要，一本不适合

的书会糜费

你的时间以及肉体

。 有时分

，书的大纲可能正合你意。但是随着你深化

阅读时，可能会发现作者只触及了表面

，并不够深化

。这种状况

之前也发在我的身上，我写这篇文章就是为了让你避免

这种状况

。 当我们选择数据科学相关书籍时，能够

考录一下几点： · 看作者的个人简介：能够

辅佐

了解

作者的背景，他的研讨

和主要兴味

，同时也展示

了本书的一些细节。但也要给新的作者机遇

，不要把这一点作为关键。 · 认真

阅读序文

：大部分

图书在网上都能免费阅读其序文

部分

。请认真

阅读该部分

。大多数状况

下，在此部分

作者不只

会引见

写书背景，也会论述

各章节的细节。 · 选择有独立章节的书：这是我的个人喜好

，比较

一本技术型的书不是小说。固然

从书中由易到难、逐步

学习很重要，但选择一本或多或少带有独立章节的书能让你结构

性的把握此书。 · 去书店逛逛：固然

往常

能够

在网上找到一切

的东西，但是在书店能够

给你更直观的感受。有时分

，当阅读

一本书的关键章节时，我可能会改动

主见

，去选择另一本书。 · 阅读在线评论：第一

不要置信

一切

评论，毕竟评论是客观

的，但在线评论能够

了解

人们对此书的普遍见地

。我们常说：不要以一本书的封面来判别

其好坏。亚马逊的评论值得参考，人们会对作者做出有见地的评论和批判

。

感兴味

的书籍 数据科学有很多好书，在本文末尾，我列出了39本我所读过的

细致

的回想 一次回想

一堆书是一个艰巨的任务。将一切

这些书放在一同

的缘由

是，我以为

概念和理论上有一些堆叠

的部分

，其中最具应战

是大部分

时间它们都是以不同的词汇呈现和论述

的。以下是我列出的，在阅读数据科学书之前值得一看的理想书籍清单。记住，你永远不会从一本书中取得

足够的学问

，由于

科学范畴

是十分

复杂的，一本书是远远不够的。 在下文中，我依据

每个规范

选择了这些书籍中的前5名。

书籍长度（页数） 一本书的长度的确

取决于所讨论

的内容。固然

这不是对质量的权衡

规范

，但我们能够

假定

你阅读的内容越多，所取得

的学问

就越多。以下是我依据

书籍中讨论

的内容多少排名前5名的书籍。

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

写作作风 对科学范畴

中止

论述

很有应战

性，不能让每个人都称心

，这取决于目的

受众。有些作者有这方面的天赋，能够

以简单明了的方式传达复杂的概念。同样，经过

巧妙的结构

和良好的学习方式解释概念，有助于学习。以下是写作作风

方面前5名的书籍。

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

结构 教授数据科学并非易事，但也没有那么难，我们只需了解

应怎样

构建内容，从而确保信息被保管

。关于这点有两个主要的办法

。我们能够

构建独立的模块，当中的内容能够

不具备相关性，但还是属于数据科学剖析

流程的内容。单独论述

这些概念不需依照

次第

。 另一方面，人们能够

经过

以难度递增的次第

来构建内容，就像大多数教学书籍中一样。例如关于回归，书中以最基本

方式

的回归开端

，并加以越来越多的变化和最复杂方式

的回归。以下是结构

性排名前五的书籍。

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

内容 怎样就算太过了？从哪儿开端

记叙？应该触及

什么内容，跳过什么内容？这些都是写数据科学相关书籍是会遇到的问题。一些作者会选择涵盖一个十分

细致

的范畴

，当查看这些作者的学术资料

时，我们看到他们的研讨

与著作之间的联络

。大多数时分

，这些作者写的不是普通

的数据科学书籍，而是他们的研讨

的一部分

。他们的目的

受众也比较

狭窄。另一方面，一些作者针对数据科学教学，关注的是基本

的和全局的部分

，而不是细节。这类书籍常常触及

运用

R言语

或Python的回归，分类，以及运用

模块中止

数据剖析等等。 经过

封面判别

一本书？大多数人都说不要这么做。但我不认同这点。我们会用封面来判别

一本书的好坏吗？我们需求

、且必需

这么做。当然，这里说的不是这本书的外部封面，而是在序文

中能够

看到的，书第一部的引见

性段落。在这部分

，作者大部分

都细致

引见

了本书各个章节的细节。有时，作者会偏离他们最初对书籍的想象

。这是正常的，这个范畴

正在快速发现，观念

也是如此。但是一本好书总能够

遵照

其最初的想象

。

解释的深度 作者在解释时会深化

到哪个水平

？我以为

这与我在这篇文章中提到的很多观念

有关。这与内容，结构

和长度之间存在关联性。解释的深度能够

辨别

好的作者，作者传达的信息中包含的内容，关系到你能够

吸收学问

，特别是那种会在大脑中留存很长时间的学问

。因而

，作者的技艺

在这占很重要的角色。由于

他们必需

控制

内容背后的错误

，这使得他们在解释问题时能够

深化

，同时避免

读者脱离本书的大框架。

代码解释 代码很重要，但不是必需的。假定

这本书的主要目的是为了解

释特定的办法

，算法和办法

在后台怎样

工作，那么最好的办法

是从头开端

重新完成

一个算法。固然

很多人会说：“为什么要这么省事

，我们有对应的模块啊”，那么我只能倡议

他们换一本书，由于

他们选错书了。重新完成

的过程，能够

让你感遭到

为了优化库的可扩展性所投入的肉体

。依据

上下文，一些书只是为了教会你怎样

运用

特定的库和包，这种书大多时分

被称为cookbook，这类书作者会依赖笔记（分享在GitHub或其他版本控制平台用于对他们的书中止

补充）。经过

作者，你会发现足够的代码能够

经过

解释一些联络

，从而辅佐

你控制

特定的主题。

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

结语 这是一个十分

客观

的分类，假定

你有不同的见地

，欢送

给我留言。

附：39本数据科学相关举荐

书籍 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 原文链接 https://opendatascience.com/blog/how-to-choose-a-great-data-science-book/ 原作者 Radhouane Aniba 编译 CDA 编译团队

数极客是新一代用户行为分析与数据智能平台，支持用户数据分析、运营数据分析、留存分析、路径分析、漏斗分析、用户画像、SEM数据分析等16种分析模型的数据分析产品，支持网站统计、网站分析、APP统计、APP分析等分析工具，以及会员营销系统和A/B测试工具等数据智能应用，支持SAAS和私有化部署,提升用户留存和转化率，实现数据驱动增长!

【独家稿件及免责声明】本站原创文章如需转载请联系我们，未经书面许可禁止转载，本站转载文章著作权归原作者所有，如有侵权请联系:。