這些書的看書周期大概有一年半吧
一年半前決定轉行數(shù)據(jù)科學
之前寫過一篇：
回顧與展望轉行數(shù)據(jù)科學路上的點點滴滴（2016-2018）
深知轉行學習的痛苦，入門踩過很多坑，所以寫了Python入門連載，還錄制了免費視頻，有興趣學習的朋友可以看看哈：
https://edu.hellobi.com/course/234
當然轉行不能只是說說而已，還是要下功夫的，于是買了很多書，也被送了很多書，下面談談我這一年半看過的相關的書：
SQL學習指南
個人推薦指數(shù)：★ ★ ★
SQL是學數(shù)據(jù)分析挖掘必須會的，這本書因為之前買的，就看的這個，個人感覺，初學者會在多表連接和查詢那里糾結很久，當然，我SQL學的并不是很好，還需多多加強，可惜的一點是，這本書的數(shù)據(jù)好像并沒有提供，所以我沒辦法實操一下。
Python基礎教程
個人推薦指數(shù)：★
書的內容是用Python2寫的，不太適合初學者學習，因為Python2不久將不在維護，還是學Python3好，在京東等商城銷量很高，但是不建議作為入門書籍，因為第六章就開始寫到參數(shù)魔法，新手會很難理解，入門書應當是生動有趣易理解的，這也是我寫Python從零開始入門連載的原因之一。
聽說已經(jīng)出的第三版是Python3寫的
像計算機科學家一樣思考Python
個人推薦指數(shù)：★
這本書銷量很高，看的時候印象最深的就是遞歸的思想，如果你已經(jīng)看過我的Python入門基礎課，可以不看這本，這本書相對多出來的知識點問我在Python進階文章前幾篇已經(jīng)寫出來了。這本書不適合作為入門書，原因是每個點講的不全面。
Head First Python
個人推薦指數(shù)：★ ★ ★ ★
這本書是我最開始接觸Python看的幾本書之一，書中大量插畫，使用Python解決一些實際問題，初學者可以不按照本書內容敲代碼，看懂即可，因為本書代碼量太大，可能讓初學者從入門到放棄。
Python程序設計基礎
個人推薦指數(shù)：★ ★ ★
這本書推薦給喜歡應試教育的朋友，作為入門書也是很合適的，基于Python3寫的，再說Python已經(jīng)加入全國計算機二級考試，這本書作為教材也是很OK的。
流暢的Python
個人推薦指數(shù)：★ ★ ★ ★
這本書是奉獻給那些想將Python寫的更優(yōu)雅的朋友，深度剖析Python的深層內容，細細品讀，每章都有極大收獲，當然，書很厚，我還沒看完。
精通Python網(wǎng)絡爬蟲
個人推薦指數(shù)：★ ★ ★
我學網(wǎng)絡爬蟲是看的韋瑋老師視頻，通俗易懂，很棒！之后韋瑋老師這本書出版之后，就看了一遍，書中對網(wǎng)絡爬蟲原理，urllib庫，正則表達式，scrapy講得比較透徹，推薦大家額外看看BeautifulSoup，xpath等給力解析庫，本書使用Fiddler抓包分析，但我更推薦谷歌瀏覽器的開發(fā)者模式。
深入淺出數(shù)據(jù)分析
個人推薦指數(shù)：★ ★ ★ ★
這本書適合作為學數(shù)據(jù)分析的入門書，書中大量插圖，生動形象，深入淺出，每章都是為了解決特定問題而反復思考迭代。
白話大數(shù)據(jù)與機器學習
個人推薦指數(shù)：★ ★ ★ ★
推薦這本書入門機器學習，不要糾結書中的代碼，看每種機器學習的舉例介紹，通俗易懂，書中很多漫畫插圖，算法原理推導基本不深，特別是隱馬爾可夫部分講的很棒，作為入門機器學習的書非常棒！
機器學習
個人推薦指數(shù)：★ ★ ★ ★ ★
周志華老師的機器學習，應當算是國內機器學習書籍銷量最高了吧，除去國外書籍，這是你學機器學習必看的經(jīng)典書籍（因為我所了解的國外有好幾本經(jīng)典的機器學習書籍）。這本書從西瓜數(shù)據(jù)開始，到西瓜數(shù)據(jù)結束，每個算法點到即止（不代表深度不夠，這里指的是篇幅上不廢話）。對我?guī)椭畲蟮氖潜緯诙碌哪Ｐ驮u估選擇，講的非常成體系。當然，書上的理論推導很難，有興趣可以看看一些學習筆記。
機器學習基礎教程
個人推薦指數(shù)：★ ★
這本書是理論書，從線性回歸開始，將最小二乘法和極大似然法實現(xiàn)全都詳細推導一遍，酣暢淋漓，之后的貝葉斯方法和貝葉斯推理，理論性太強，看的讓人想撕書，不過通俗易懂，再之后的分類聚類降維寫的沒什么特色。數(shù)學好的同學可以挑戰(zhàn)看看。
集體智慧編程
個人推薦指數(shù)：★ ★
這本書Python代碼是2版本，書比較老（經(jīng)典）了，這本書我看了一部分就放棄了，原因是書中的數(shù)據(jù)提供的網(wǎng)站很多都失效了，不過這本書的思想還是不錯的，以后還會回來看看的。
機器學習實戰(zhàn)
個人推薦指數(shù)：★ ★ ★ ★ ★
這本書非常給力，基本不用sklearn等別人造好的輪子，基本都是自己定義函數(shù)實現(xiàn)功能，對你從底層了解機器學習代碼實現(xiàn)非常有幫助，注釋不夠多，你可能不明白某段代碼的含義，你可以使用print函數(shù)輸出看看，然后加以理解，遇到?jīng)]見過的方法，可以百度它的作用，因為書比較老，所以有些方法已經(jīng)改動過或者不用，你百度最新替代的方法試試。
Python機器學習及實踐
個人推薦指數(shù)：★ ★ ★
整本書180頁，不到兩天就能擼完，書中提供的代碼是Python2，自己稍作修改改成3運行一遍，有Python基礎就跳過第一章，第二章將常見機器學習算法的實現(xiàn)，主要有用的是sklearn，通過看完這章，你就知道了用sklearn做機器學習的步驟：導入數(shù)據(jù)，數(shù)據(jù)預處理，訓練數(shù)據(jù)訓練模型，測試數(shù)據(jù)預測，模型性能評估。第三章是本書兩點，講到了特征提升、模型正則化、模型檢驗、超參數(shù)搜索優(yōu)化。本書在模型的欠擬合和過擬合部分闡述的很好，之后講到了一些流行的庫，包括NLTK、Word2Vec、XGBoost、Tensorflow，涉及自然語言處理，深度學習。全本書原理一筆帶過，最后一章講到鼓勵參加Kaggle比賽，并拿出了三個案例講解。本書適合學完sklearn基礎的朋友想用sklearn實現(xiàn)完整機器學習項目，缺點是書中模型基本使用的都是默認參數(shù)。
統(tǒng)計學習方法
個人推薦指數(shù)：★ ★ ★ ★ ★
想學數(shù)據(jù)挖掘或者機器學習不可避免要接觸數(shù)學相關理論，盡管你可以只用sklearn等做機器學習，但不懂底層理論，是無法做深入的，而這本書，就是給你打好機器學習基礎的書，先修內容大學數(shù)學三件套（高等數(shù)學、線性代數(shù)、概率論與數(shù)理統(tǒng)計），如果你不是數(shù)學基礎特別好，看這本書的時候會像我一樣看不懂一些公式推導，莫慌，百度一下別人的學習筆記或者技術博客，慢慢鉆研，本書適合看多次，每次都有新的收獲，書本身不厚，230頁，建議邊看邊將感悟推導公司等寫在旁邊，方便下次看。
數(shù)據(jù)挖掘導論
個人推薦指數(shù)：★ ★ ★
說是導論，大家不要以為他很簡單就能看懂，還是有難度的，第一章簡介，第二章詳談了數(shù)據(jù)這一概念，你會接觸很多沒聽過的專業(yè)術語，分類算法講的不多，SVM中對核函數(shù)的引入講解的特別傳神，本書花了大量筆墨在關聯(lián)分析和聚類分析，這兩處挖得很深，本書最后講到異常檢測，書中全是理論，沒講代碼實現(xiàn)。
大話數(shù)據(jù)結構
個人推薦指數(shù)：★ ★ ★ ★
如果你還是在校學生，并且想通過校招找一份數(shù)據(jù)分析挖掘或者機器學習崗位，那必然會面對數(shù)據(jù)結構算法問題，如果你和我一樣非科班出身，剛接觸數(shù)據(jù)結構算法一定會很懵逼，那我推薦你這本書，書中大量插畫，幫助理解，上課式情景教學，非常棒，幫你打開數(shù)據(jù)結構算法大門，讓你破門而入！
