2016年度 机器学习与数据科学领域最佳书单

判断哪本书有助于你的事业的最佳方式就是借鉴大家在读的书。...

翻译|陈洁燕, 邹振涛, 黄维中 选文|小象

转载请联系后台

最近数据科学、数据思维以及相关学科的书籍的热销反映出读者对这些学科的兴趣呈爆炸式高涨。这个书单2016年在亚马逊上关于人工智能，机器学习和大数据方面最畅销的20本书。

原标题：Deep Learning (Adaptive Computation and Machine Learning series)

作者：Ian Goodfellow, Yoshua Bengio, AaronCourville

评分：4.8星

由在深度学习领域的三位专家撰写，《深度学习》是这一学科最综合性的一本书。——Elon Musk，大众人工智能联席主席，特斯拉和SpaceX首席执行官。原标题：Amazon Echo: The Ultimate Guide to Learn Amazon Echo In No Time

作者：Andrew Butler

评分：4.2星

学习如何搭建平台和使用高效的居家管理技能，让亚马逊回音箱更加个性化、可以安全、便捷和智能地使用。这本指南也适合于完全不了解人工智能，但希望快速掌握如何使用亚马逊回音箱的使用者或者人工智能领域的初学者阅读。原标题：Gödel, Escher, Bach: An Eternal Golden Braid

作者：Douglas R.Hofstadter

评分：4.5星

简介：如果生命可以在细胞的化学结构之外的形式产生，如果意识可以在消耗能量的神经系统之外的地方产生，那么很快计算机将拥有人类的智能。本书精彩地探讨意识领域最核心的问题：意义、约简、重归等等。

原标题：Make Your Own Neural Network

作者：Tariq Rashid

评分：4.2星

作为深度学习和人工智能领域的关键元素，人们对神经网络的认识已取得了让人振奋的成绩，但对于神经网络真正如何运作人们还是知之甚少。

这本指南将给予你一次有趣而且悠闲的旅程，从最基础的知识逐渐深入到整个神经网络是如何运作的。你只需具备中学数学知识和微积分基础知识即可。

原标题：Python Machine Learning

作者：SebastianRaschka

评分：4.3星

Leverage Python是用来深入学习，数据处理，数据可视化的最强大开源库；学习有效的方法和最好的实例来提高和优化机器学习系统和算法；问-答-由一系列数据集构建的强健统计模型数据的棘手问题。

标题： Superintelligence: Paths, Dangers, Strategies

作者：NickBostrom

评分：3.9星

读这本书可以学习oracles，genies, 单例化；涉及到方框方法，tripwires和盗梦空间；涉及到人类的宇宙禀赋和微分技术的开发；涉及到间接规范，仪器集合，整个大脑的仿真和技术联结；涉及到马尔萨斯经济学和反乌托邦进化论；人工智能和生物认知提升和集体主义智慧。

作者认真地用自己的方式贯穿了一个广阔的令人生畏的复杂智能领域。然而这个著作用简单易懂的方式让人很容易理解。

原标题：Markov Models: Master Data Science and Unsupervised Machine Learning in Python

作者：LazyProgrammer

评分：4.0星

我们将看到一个有关疾病和健康的模型，并且计算预测你会病多久的方式，如果你病了，我们会讲述如果使用马尔可夫模型来分析人们怎样与你的网络互相影响，并且解决像高跳出率这样会影响搜索引擎优化的问题区域。我们会建立语言模型来定义一个writer并且生成文本——想象一台机器为你做写入的工作。原标题：Machine Learning: The New AI: The MIT Press Essential Knowledge Series

作者：EthemAlpaydi

评分：3.5星

Alpaydin提供一个帐号用来让数字化技术优先于数字处理的主框架传递到移动设备，让今天的机器学习成为热潮。他介绍了机器学习的基础和一些应用；图形识别机器学习算法的作用；受人工大脑启发而出现的人工神经网络；实例之间的联系算法，用这样的应用当作客户的分割和学习建议; 加强关于一个自动代理如何学习实现最大化收益最小化损失的知识。Alpaydin还考虑到关于机器学习的未来方向和“数字化科学”的新领域，并且讨论了对于数据私有化和安全性道德的规范影响。原标题：An Introduction to Statistical Learning: with Applications in R

作者：GarethJames, Daniela Written, Trevor Hastie, Robert Tibshirani

评分：4.8星

介绍统计学习这本书提供了一个关于统计学习领域易于理解的概述，一个理解庞大且复杂数据集必需的工具集，这些数据集是从过去20年里生物学到金融，到市场营销，再到天体物流学的各个领域产生。这本书和相关的应用展示了一些最重要的建模和预测技术。主题包括线性回归，分类，重新取样方法，收缩方法，以树为根基的方法，支持矢量机器，集群，等等。原标题：Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies

作者：JohnD.Kelleher, Brian Mac Namee, Aoife D’Arcy

评分：4.7星

这本书提供了一个针对最重要的机器学习方法详细有针对性的处理方式，用来预测数据的分析，覆盖了理论的概念和实际的应用例子。技术和数学的材料解释性增强，并且实例学习讲述了这些模型在更广阔商业领域的应用。

通过讨论从数据到未来洞察再到决策的轨迹，这本书介绍了机器学习的四种方法：信息化的学习，相似性的学习，概率化的学习和基于误差的学习。原标题：SQL: The Ultimate Guide From Beginner To Expert - Learn And Master SQL In No Time! (2016 Edition)
作者：Peter Adams

评分：4.5星

有了这个快速指南，彼得·亚当斯将在一瞬间带你从初学者带到专家。每章涵盖了所有你需要掌握成为一名数据库忍者的关键概念。你会学习应用所有的基本知识，并得到详细的例子，但是这本书并没有就此止步。您还可以得到一整章专家建议如何在科技行业中工作，比如保持健康，并组织怎样修理或组装一台电脑 。原标题： Data-ism: The Revolution Transforming Decision Making, Consumer Behavior, and Almost Everything Else

作者：Steve Lohr

评分：4.2星

在数据主义，纽约时报记者史蒂夫劳尔解释了大数据技术是如何在在一场成为下一波经济高效率和创新基石的革命中起到重大作用。大数据技术也对决策在不久的将来将会如何制定并且应该如何制定起到哲学以上的意见作用。劳尔不但调查了大数据技术的好处，同时检查其黑暗的一面。原标题： Python Machine Learning
作者：Sebastian Raschka
评分：4.3星

·        将python最强大的开源库用于深度学习，数据组织，并且数据可视化

·        了解有效策略和最佳实践来改进和优化机器学习系统和算法

·        问题 –并且回答-为一系列数据集的构建的并有强大统计模型数据的难题，原标题：Data Science from Scratch: First Principles with Python 1st Edition

作者：Joel Grus
评分：4.2星

如果您对于数学和一些编程技能有一定资质，笔者Joel Grus 将有助于你在数据科学的核心合理运用数学和统计，并掌握需要称为数据科学家的一些黑客科技。今天的数据虽然杂乱但是仍然能够回答一些甚至没有人想到去提问的问题。这本书为您提供了诀窍去挖掘这些问题的答案。原标题： The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition

作者：Trevor Hastie, Robert Tibshirani, Jerome Friedman
评分：4.1星

这本书描述了在一个共同的概念框架下这些领域的重要思想。虽然这种方法是关于统计的，强调的却是概念，而不是数学。书中给出了许多例子并附有彩色图标。它是统计人员和任何对于数据挖掘科学或行业有兴趣的人的宝贵资源。这本书的覆盖面广，从监督学习（预测）到无监督学习。许多主题包括神经网络，支持向量机，分类树和提升---在任何书籍中的第一个综合治理这个话题的书本。原标题：SQL in 10 Minutes, Sams Teach Yourself (4th Edition)
作者：Ben forta
评分：4.6星

专业培训师和受欢迎的作者本Forta只是教会你需要知道关于sql的知识，从简单的数据检索和快速去到更复杂的主题包括连接的运用，子查询，存储过程，游标，触发器和列表。在短短的22个,只要10分钟左右完成的章节中，你将有条不紊地，系统地学习关于sql。原标题：Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking 1st Edition
作者：Foster Provost, Tom Fawcett
评分：4.6星

由著名的数据科学专家Foster Provost, Tom Fawcett撰写，这本书籍介绍了数据科学的基本原则，并教会你数据思考分析带领你从你收集的数据中提取有用的知识和商业价值。该指南还可以帮助您了解今天使用的许多数据挖掘技术。原标题：Machine Learning With Random Forests And Decision Trees: A Mostly Intuitive Guide, But Also Some Python

作者：Scott Hartshorn
评分：4.6星

这本书的重点是在概念层面理解随机森林。了解它们是如何工作的，为什么他们这样工作，以及哪些选项可改善效果。这本书以直观的方式涵盖了随机森林是如何工作的，并解释背后的许多功能的公式，但它只有少量的python代码原标题：Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython

作者：ScottHartshorn
评分：4.2星

这本书涉及了python 中操纵，加工，清洗运算数据的螺母和螺栓。这也是一个很实用并且现代的对于python科学计算的介绍，并为数据密集型应用量身打造。

如果你需要有效地解决一系列广泛的数据分析问题，这本书概括了许多你所需要的python语言和数据库。这本书并不是使用Python作为实现语言分析方法的展览会。原标题：SQL Queries for Mere Mortals: A Hands-On Guide to Data Manipulation in SQL (3rd Edition)

作者：John L.Viescas, Michael J. Hernandez
评分：4.4星

一步一步，John L.Viescas, Michael J. Hernandez指导您完成几乎任何现代基于SQL的数据库中创建可靠的查询。他们解密了SQL查询写作的各个方面，从简单的数据选择和过滤到加入多个表和修改数据集。三个全新章节教你如何解决一系列具有挑战性的SQL问题。您将学习如何编写在一个表上应用多种复杂的条件，进行复杂的逻辑评估查询，用意想不到地方式运用不连接数表。



陈洁燕

在追求完美理想主义的路上小碎步梦游的极简主义纠结天秤女...爱生活，爱自己和爱你。



邹振涛

菜鸟级大数据开发工程师，熟悉多种分布式平台搭建，酷爱数据分析和数据挖掘，希望成为一名有价值的挖掘机~~



黄维中

前码农，从事过生物电子项目中大数据收集与分析的工作；研究生计算机处理器运算分析在读。爱好摄影，一直在路上。

    关注 小象