身处于一个大数据时代，大数据无疑是近期最时髦的词汇了。
不管是云计算、社交网络，还是物联网、移动互联网和智慧城市，都要与大数据搭上联系。
随着云计算、移动互联网和物联网等新一代信息技术的创新和应用普及。学习大数据，除了网课，一些经典的技术书籍是非常实用且有帮助的。
为了跟上技术更迭的节奏，不落人后，最好的方式是继续刷新自己的知识，同时保持上手的经验。在这行业中要取得成功，需要完美的项目经验和技能组合。尽管网上有大量的资源，我们仍要专门推荐一些好的实体书籍。
大数据书单
《Machine Learning Yearning》
by 吴恩达
由现代数据，大数据和数据科学开发并生产出的机器学习系统已经不是什么秘密。虽然它们不一定是同义词，但却是互相关联的，因此如果你在数据行业工作，那么提高对机器学习的理解和认识是个不错的想法。
《数据之巅》
by涂子沛
这本书中，从小数据时代到大数据的崛起，作者以宏大的历史观、文化观、大数据观，给我们描绘了一幅数据科学、智慧文化的全景图。
《为数据而生》
by周涛
书中分别阐述在大数据1.0、大数据2.0和大数据3.0时代下，相对应的数据分析需要做到分析、外化、集成。作者提供了一套基本的大数据分析框架：确定问题和指标, 清洗数据, 特征提取和选择, 模型训练, 模型融合。
《智能时代》
by吴军
回顾了科学研究发展的四个范式，用实例证明了数据在科学发现中的位置。这本书作者分七章从不同角度对大数据进行介绍，分别以技术和思维方式的改变为主线，从工业革命这个角度嵌入，顺理成章的延伸出大数据与智能化，但是没有将过多笔墨放在技术的深究上，而是选择从应用层面体现大数据的理念。大数据应用则会渗透到各行各业，这正是作者的用心之处。
这本书作者分七章从不同角度对大数据进行介绍，分别以技术和思维方式的改变为主线，从工业革命这个角度嵌入，顺理成章的延伸出大数据与智能化，但是没有将过多笔墨放在技术的深究上，而是选择从应用层面体现大数据的理念。大数据应用则会渗透到各行各业，这正是作者的用心之处。
《Hadoop：权威指南》
by Tom White
Apache Hadoop是用于处理和管理大量数据的主要框架。任何从事编程或数据科学工作的人都有必要熟悉这个平台。事实上，这是开发可扩展系统最有效的方法之一。身为Hadoop顾问和Apache软件基金会成员的Tom White写了这本标准指南，其中包罗作者的个人见解和一些有用的资源。更重要的是，它将引导你完成Hadoop的设置并且过一遍整体流程。
Apache Spark是你可能需要花时间学习的另一个重要平台。
《预测分析》
by Eric Siegel
本书详细解释了如何获取多种形式的数据和信息，并将其转化为可实施的预测或见解的方法。本书的核心目的是帮助专业人员更好地了解他们的受众。大数据学习交流kou群7 4零零加【4以 八yi】你将学会如何识别他们购买的产品和服务，访问的地点，与他们产生共鸣的内容等等。
众所周知，数据科学家的工作是查看未经过滤的原始数据，并发现可用的趋势和模式。本书不仅可以帮助你做到这一点，而且还提出必要的预测算法来改进未来的操作和流程。本书可以算是预测分析的圣经。
《大拐点》
by Scott Stawski
本书对于了解当前数据分析和云计算行业的发展势头十分有帮助。特别值得注意的是，Stawski主要关注原始数据存储和挖掘系统、如何部署以及在现实世界中的使用情况。
它不仅是一个理论指南，还揭示了实际的工作系统，并且提到如何把相应模式套用到你的企业或公司。更重要的一点是，你可以从本书中清楚了解如何在组织内部署这些工具和平台。
《统计学习导论·基于R应用》
by Gareth James等人
统计学习和相关的方法是数据科学工作所必需的概念。这本教科书旨在帮助每个人——从本科到博士，了解这些统计概念。
当然，它也提供了一些很好的R-lab与练习，其中有详细的解释和攻略。你可以在学习阶段直接用它来练习数据科学。他还能在你的日常应用中作为工具书反复查阅。
《R语言预测实战》
by游皓麟
R语言横跨了金融、生物、医学、互联网等多个领域，主要用于统计、建模及可视化。由于上手快、效率高，备受技术人员青睐。预测是大数据挖掘的主要作用之一,借助R语言来做大数据预测，可以兼具效率与价值于一身。
市面上为数不多的系统讲解R语言预测专题的书籍，可以get到做R语言预测时的基本步骤和方法思路，还有更多技术细节
《商业中的数据分析》
by Foster Provost, Tom Fawcett
本书由著名数据科学专家Foster Provost和Tom Fawcett撰写，介绍了数据科学的基本原理，让你从收集的数据中提取有用的知识和业务价值所需的“数据分析思维”，并可帮助你了解当今使用的许多数据挖掘技术。
这本书有趣的地方，是会特别标记出较困难的技术部分，并深入浅出的介绍数据挖掘中的重要的几个概念：分类，聚类和回归。更重要的是书中包含了这些概念在商务上的的直接应用。
《数据科学实战》
by Cathy O'Neil, Rachel Schutt
这本以哥伦比亚大学的数据科学入门课为基础，包含了Google，Microsoft和eBay等公司的数据科学家的经验，通过介绍案例研究和他们使用的代码的经历，分享了新的算法，方法和模型。
如果你熟悉线性代数，概率和统计，并具有编程经验，本书是你对数据科学的理想介绍。主题包括：统计推断、探索性数据分析和数据科学过程算法、垃圾邮件过滤器、朴素贝叶斯和数据处理逻辑回归、财务建模、推荐引擎和因果关系数据可视化、社交网络和数据新闻、数据工程、MapReduce。
《Show Me the Numbers》
by Stephen Few
在BI产业有30多年的经验之后，Stephen Few并不针对哪一种可视化工具进行钻研，而是从更高层次的去讨论，什么图形该怎么使用，来传达什么样的讯息是最有效的，以及数据分析产业的发展与趋势。
这本书中，他介绍了可视化的起源和背后的应用，为读者提供实际的设计指导，针对不同数据使用者的不同使用场景给出建议，在一些现在流行却有潜在问题的可视化设计上做出改进。
《精益数据分析》
by Alistair Croll / Benjamin Yoskovitz
本书延续了新创企业文化中MVP(Most Valuable Product)概念和商业画布架构，展示了如何利用数据的方式，分析六个产业中（电子商务、SaaS、免费移动应用、媒体网站、用户生成内容与双边市场）的数据，验证创业者自己的设想、找到真正的客户、打造能赚钱的产品，以及提升企业知名度。
有趣的地方是，就算新创企业的数据没有成熟企业来的多，作者认为每种不同的产业仍有必须关注的指标数字。根据这些数字新创公司可以更有效的管理和拓展生意。
共同学习，写下你的评论
评论加载中...
作者其他优质文章
