我找了好久才找到的资料，分享出来给咱们数模人！共同提高，共同进步！ 5 O h( p* i$ N7 }: l1. 深入浅出数据分析 (http://book.douban.com/subject/5257905/) 这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。 Y- T: l/ s% Q% E! v$ {- s - z n: l. l) K9 `/ x4 x难易程度：非常易。0 {# D% I" Q8 K5 N" k" V/ J$ d
8 S0 ~0 U# j% A" Y' y. m( _2. 啤酒与尿布 (http://book.douban.com/subject/3283973/) 通过案例来说事情，而且是最经典的例子。 ' ^" D9 Q1 \: P' m1 {! U2 ^! }8 R, b3 y* ^" }) E
难易程度：非常易。 % p i( G( z8 e5 {+ p2 r7 m2 i' s: O+ \ M( j0 p
3. 数据之美 (http://book.douban.com/subject/5269219/) 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。, n/ o- y3 ^/ c& f. E9 y- F
, S3 }( p o* i( J难易程度：易。9 W! p$ b1 s6 o3 P, ]' C
# w$ ^( E4 D' ^; [
4. 集体智慧编程 (http://book.douban.com/subject/3288908/) 学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。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。+ s1 ?* ^7 I. L9 w8 v9 P3 g
3 ], K( Y4 @7 b! q难易程度：中。 & \/ f2 ]# w4 x e' u A/ b" ?: Q* P, U5. Machine Learning in Action (http://book.douban.com/subject/6962285/) 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 (http://book.douban.com/subject/24703171/)。这本书本身质量就很高，王老师的翻译质量也很高。 5 } z3 x. F7 L! x8 H1 j0 h + n6 {$ v. N6 T k0 Y* n3 `难易程度：中。 " h, c1 [( U4 J* l; ]& |: y9 ]5 [7 Z7 g! K
6. 推荐系统实践 (http://book.douban.com/subject/10769749/) 这本书不用说了，研究推荐系统必须要读的书，而且是第一本要读的书。& `( _6 E( M% O' H
7 d1 F0 Z% k' ]# o, m6 t( x% d难易程度：中上。 * O1 z. s J+ e/ C2 T: F3 C' Q% W8 w* `+ y
7. 数据挖掘导论 (http://book.douban.com/subject/5377669/) 最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容易读懂。! u2 D1 ]" S- D! M
9 b1 r/ i4 G6 B' C' c: l& ~4 I+ W" ?难易程度：中上。 - T5 I, l0 Y" U4 r ) q' i. c$ M3 C) ?- r1 k8. The Elements of Statistical Learning (http://book.douban.com/subject/3294335/) 这本书有对应的中文版：统计学习基础 (http://book.douban.com/subject/1152126/)。书中配有R包，非常赞！可以参照着代码学习算法。 / p/ q+ s% H. b) E+ b1 \- q8 o m " T* B" R% \+ C% G( a难易程度：难。 3 A' u& H0 U! A" M5 H* C: k0 J2 i3 q, o! l# _
9. 统计学习方法 (http://book.douban.com/subject/10590856/) 李航老师的扛鼎之作，强烈推荐。 8 b6 S: A* y2 z9 X1 y% T: x8 t9 J! n' s+ H4 j
难易程度：难。 6 L3 Y+ F2 M3 Q4 `7 J
& g" X7 f9 ^- P* G10. Pattern Recognition And Machine Learning (http://book.douban.com/subject/2061116/) 经典中的经典。 + Q) ^6 Y- R4 U3 M, p7 S; s0 a a6 m & z# P% s+ h6 P, a( M$ r# b11. Machine Learning (http://book.douban.com/subject/10758624/) 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。$ _& D* \/ q0 v m3 J! D# o
: ^# m* P5 D: y: L5 h12. Bayesian Reasoning and Machine Learning (http://book.douban.com/subject/5397287/) 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。" c& {1 k# ~% X- R8 ?: w
6 d9 d- e- P5 B v3 I9 |+ A
13. Machine Learning for Hackers (http://book.douban.com/subject/7906768/) 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。0 C3 }- ?; v& X9 _
% n+ |+ p# Q$ W9 j
14. Probabilistic Graphical Models (http://book.douban.com/subject/4007200/) 鸿篇巨制，这书谁要是读完了告诉我一声。 , l7 Z) W; e' w. `6 W! K% K6 p7 n% `2 ^) t8 j- I) v
15. Convex Optimization (http://book.douban.com/subject/1888111/) 凸优化中最好的教材，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。 % ^6 D% G, ~/ r! P2 v: D Y% u6 {" U/ V. \$ |
16. Graphical Models, Exponential Families, and Variational Inference (http://book.douban.com/subject/3722993/) 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。8 P- l! g' v3 m/ B
4 ]1 y5 Z1 [2 Q1 ]( T- D: _
17. Introduction to Semi-Supervised Learning (http://book.douban.com/subject/3916225/) 半监督学习必读必看的书。 . C- b" r$ z0 S5 j+ d3 y7 j7 |( b2 r
18. Learning to Rank for Information Retrieval (http://book.douban.com/subject/4063191/) 微软亚院刘铁岩老师关于LTR的著作，啥都不说了，推荐！" f: ^+ d* y6 q. I9 d' [
; o$ u% i# n1 t* C! A2 {
19. Learning to Rank for Information Retrieval and Natural Language Processing (http://book.douban.com/subject/6440223/) 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。6 ^3 s, O( w) ^4 D
" ?& K1 A/ ~/ T
20. SciPy and NumPy (http://book.douban.com/subject/10561724/) 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。% p1 {# N9 a8 l1 N' Y. T6 r
IP卡
狗仔卡
发表于 2014-5-6 22:06
转播
淘帖
分享
收藏
支持
反对
微信
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
显身卡
发表于 2014-5-15 15:32
