上海数据分析培训班_数据分析书籍推荐

    数据分析、数据挖掘有哪些好书值得推荐？由于经常接到私信要求在这个书单之内再推荐两三本，每个人的行业背景也不一样，所以就把下面的书单归类整理一下。
入门读物：
1.深入浅出数据分析?这书挺简单的，基本的内容都涉及了，说得也比较清楚，较后谈到了 R 是大加分。难易程度：非常易。
2.啤酒与尿布?通过案例来说事情，而且是较经典的例子。难易程度：非常易。
3.数据之美?一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。难易程度：易。
4.数学之美?这本书非常棒啦，入门读起来很不错！
数据分析：
1.SciPy and NumPy?这本书可以归类为数据分析书吧，因为 numpy 和 scipy 真的是非常强大啊。
2.Python for Data Analysis?作者是 Pandas 这个包的作者，看过他在 Scipy 会议上的演讲，实例非常强！
3.Bad Data Handbook?很好玩的书，作者的角度很不同。
适合入门的教程：
1.集体智慧编程?学习数据分析、数据挖掘、机器学习人员应该仔细阅读的**本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的 Python 代码。难易程度：中。
2.Machine Learning in Action?用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有 Python 代码，大赞！目前中科院的王斌老师（微博： 王斌_ICTIR）已经翻译这本书了?机器学习实战?。这本书本身质量就很高，王老师的翻译质量也很高。难易程度：中。我带的研究生入门必看数目之一！
3.Building Machine Learning Systems with Python?虽然是英文的，但是由于写得很简单，比较理解，又有 Python 代码跟着，辅助理解。
4.数据挖掘导论?较近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，没有推荐 Jiawei Han 老师的那本书，因为个人觉得那本书对于初学者来说不太*读懂。难易程度：中上。
5.Machine Learning for Hackers?也是通过实例讲解机器学习算法，用 R 实现的，可以一边学习机器学习一边学习 R。
稍微专业些的：
1.Introduction to Semi-Supervised Learning?半监督学习必读必看的书。
2.Learning to Rank for Information Retrieval??微软亚院刘铁岩老师关于 LTR 的着作，啥都不说了，推荐！
3.Learning to Rank for Information Retrieval and Natural Language Processing??李航老师关于 LTR 的书，也是当时他在微软亚院时候的书，可见微软亚院对 LTR 的研究之深，贡献之大。
4.推荐系统实践?这本书不用说了，研究推荐系统必须要读的书，而且是**本要读的书。
5.Graphical Models, Exponential Families, and Variational Inference?这个是 Jordan 老爷子和他的得意门徒?Martin J Wainwright?在 Foundation of Machine Learning Research 上的创刊号，可以免费下载，比较难懂，但是一旦读通了，graphical model 的相关内容就可以踏平了。
6.Natural Language Processing with Python?NLP 经典，其实主要是讲 NLTK 这个包，但是啊，NLTK 这个包几乎涵盖了 NLP 的很多内容了啊！
机器学习教材：
1.The Elements of Statistical Learning?这本书有对应的中文版：统计学习基础?。书中配有 R 包，非常赞！可以参照着代码学习算法。
2.统计学习方法?李航老师的**之作，强烈推荐。难易程度：难。
3.Machine Learning?去年出版的新书，作者 Kevin Murrphy 教授是机器学习领域中年少有为的代表。这书是他的集大成之作，写完之后，就去 Google 了，产学研结合，没有比这个更好的了。
4.Machine Learning?这书和上面的书不是一本！这书叫：Machine Learning: An Algorithmic Perspective 之前做过我带的研究生教材，由于配有代码，所以理解起来比较*。
5.Pattern Recognition And Machine Learning?经典中的经典。
6.Bayesian Reasoning and Machine Learning?看名字就知道了，彻彻底底的 Bayesian 学派的书，里面的内容非常多，有一张图将机器学习中设计算法的关系总结了一下，很棒。
7.Probabilistic Graphical Models??鸿篇巨制，这书谁要是读完了告诉我一声。
8.Convex Optimization?凸优化中较好的教材，没有之一了。课程也非常棒，Stephen 老师拿着纸一步一步推到，图一点一点画，太棒了。