Liste der 10 besten Datenwissenschaftsbücher und -beschreibungen für den Generalisten

Data Science ist das Gebiet der Studie, in dem große Mengen an Daten mit wissenschaftlichen Methoden, Prozessen, Algorithmen und Systemen übernommen werden, um die unsichtbaren Muster zu finden, aussagekräftige Informationen abzuleiten, Geschäftsentscheidungen in Unternehmen zu treffen und auch in Nicht-Business-Institutionen zu verwenden. Zu den Nicht-Business-Institutionen gehören Industrien für Gesundheitswesen, Spiele, Bilderkennung, Empfehlungssysteme, Logistik, Betrugserkennung (Bank- und Finanzinstitutionen), Internetsuche, Spracherkennung, gezielte Werbung, Flugplanung der Fluggesellschaft und Augmented Reality. Data Science ist ein Teil der künstlichen Intelligenz. Die für die Analyse verwendeten Daten können aus vielen verschiedenen Quellen stammen und werden in verschiedenen Formaten dargestellt. Einige der Quelldaten können standardisiert sein. Andere sind möglicherweise nicht standardisiert.

Um es auf andere Weise auszudrücken, werden verschiedene Methoden verwendet, um die Daten (Plural of Datum) zu sammeln. Dann wird Wissen (wertvolle Schlussfolgerungen) aus den zusammengesetzten Daten extrahiert. Nachdem die Daten gesammelt wurden, erfolgt die Forschung an ihnen (Daten), um neue Daten (Ergebnisse) zu erhalten, aus denen die Probleme gelöst werden.

Data Science als (Major) Disziplin gibt es auf dem Bachelor- und Master -Abschluss der Universität. Allerdings bieten nur wenige Universitäten der Welt die Datenwissenschaft im Bachelor- oder Master -Abschluss an. Auf der Stufe des Bachelor -Abschlusses absolviert der Student einen Abschluss in Data Science. Dies ist wie ein allgemeiner Abschluss. Auf der Master -Abschlussstufe fährt der Student mit einem Abschluss in Data Science nach dem Abschluss, der sich auf Datenanalyse, Datentechnik oder Datenwissenschaftler spezialisiert hat.

Es könnte den Leser überraschen und möglicherweise leider, dass maschinelles Lernen, Modellieren, Statistiken, Programmierungen und Datenbanken vorhandene Kenntnisse sind, um die Datenwissenschaft auf dem Bachelor -Abschluss zu untersuchen, obwohl es sich Andere Disziplinen auf dem Bachelor -Abschluss oder auf Master -Ebene. Ungeachtet dessen, wenn ein Student an eine Universität geht, um Datenwissenschaft auf der Stufe zu studieren, werden alle diese Kurse neben oder vor den richtigen Kursen für Datenwissenschaften weiterhin untersucht.

Data Science für Bachelor -Abschluss oder ihre Spezialisierungen wie Datenanalyse, Datentechnik oder als Datenwissenschaftler werden noch entwickelt. Obwohl sie eine Phase erreichten, in der sie nach dem Untersuchung (an der Universität) in Branchen angewendet wurden, wurden sie angewendet. Data Science ist eine relativ sehr neue Disziplin insgesamt.

Denken Sie daran, dass Sie zuerst Generalist sein sollten, bevor Sie Spezialist werden. Die Unterscheidungen zwischen Spezialistenprogrammen sind noch nicht klar. Die Unterscheidungen zwischen dem Generalisten und den Fachprogrammen sind noch nicht klar.

Da Data Science eine relativ neue Disziplin ist, basieren die in diesem Dokument vorgeschriebenen Bücher auf Inhaltsberichterstattung und nicht auf Pädagogik (wie gut das Buch lehrt). Und sie sind für das Bachelor's Degree (Generalist) -Programm. Es gibt verschiedene Generalistenkurse.

Die Liste

Für weitere Details und mögliche Kauf mit Kreditkarte wird ein Hyperlink für jedes der Bücher gegeben. Keiner der Bücher berichten alle Generalistenkurse.

Grundlegende Mathematik für Datenwissenschaft: Berechnung, Statistik, Wahrscheinlichkeitstheorie und lineare Algebra

Geschrieben von: Hadrien Jean

• Verlag: Hadrien Jean
• Veröffentlichter Datum: Nach 30. September 2020
• Sprache: Englisch
• NEIN. von Seiten: mehr als 400

Der Inhalt dieses Buches kann als mathematischer Kurs für Datenwissenschaft angesehen werden. Obwohl es nicht empfohlen wird, Datenwissenschaft alleine zu lernen, sollte ein Highschool -Absolvent, der selbst Wissenschaft lernen möchte, mit diesem Buch beginnen.

Inhalt: Kalkül; Statistik und Wahrscheinlichkeit; Lineare Algebra; Skalare und Vektoren; Matrizen und Tensoren; Spannweite, lineare Abhängigkeit und Raumtransformation; Systeme linearer Gleichungen; Eigenvektoren und Eigenwerte; Einzelwertzerlegung.

https: // www.EssentialMathfordatascience.com/

Ein Common-Sens-Leitfaden zu Datenstrukturen und Algorithmen: Stufen Sie Ihre Kernprogrammierfähigkeiten / 2. Auflage auf

Geschrieben von: Jay Wengrow

• Verlag: Pragmatischer Bücherregal
• Veröffentlichtes Datum: 15. September 2020
• Sprache: Englisch
• Abmessungen: 7.5 x 1.25 x 9.25 Zoll
• NEIN. von Seiten: 508

Dieses Buch befasst sich mit Algorithmen und Datenstrukturen, die in Data Science verwendet werden. Unter der Annahme, dass jemand nach dem Abschluss der Highschool die Datenwissenschaft alleine lernt, ist dies das nächste Buch, das nach dem Lesen des vorherigen Mathematikbuchs gelesen wird. Die Beispielprogramme finden Sie in JavaScript, Python und Ruby.

Inhalt: Warum Datenstrukturen wichtig sind; Warum Algorithmen wichtig sind; Oh ja! Big O Notation; Beschleunigen Sie Ihren Code mit Big O; Code mit und ohne Big O optimieren; Optimierung für optimistische Szenarien; Big O im alltäglichen Code; Schnelles Aussehen mit Hash -Tischen; Elegantes Code mit Stapeln und Warteschlangen basteln; Rekursiv mit Rekursion wieder aufnehmen; In rekursivem Schreiben lernen; Dynamische Programmierung; Rekursive Algorithmen für Geschwindigkeit; Notenbasierte Datenstrukturen; Beschleunigen Sie alle Dinge mit binären Suchbäumen; Halten Sie Ihre Prioritäten mit Haufen klar; Es tut nicht weh, Tries zu tun; Alles mit Diagrammen verbinden; Umgang mit Raumbeschränkungen; Techniken zur Codeoptimierung

Smart Data Science: Erfolg mit Daten- und KI-Projekten für Unternehmensqualität / 1^st Auflage

Geschrieben von: Neal Fishman, Cole Stryker und Grady Booch

• Verlag: Wiley
• Veröffentlichtes Datum: 14. April 2020
• Sprache: Englisch
• NEIN. von Seiten: 286

Inhalt: Klettern auf die KI -Leiter; Rahmen Teil I: Überlegungen für Organisationen, die KI verwenden; Rahmen Teil II: Überlegungen zur Arbeit mit Daten und KI; Ein Rückblick auf die Analytik: mehr als einen Hammer; Ich freue mich auf Analytics: Nicht alles kann ein Nagel sein; Beantwortung von operativen Disziplinen auf der KI -Leiter; Maximierung der Verwendung Ihrer Daten: Wertschöpfend sein; Bewertung von Daten mit statistischer Analyse und Ermöglichung eines sinnvollen Zugriffs; Langfristig konstruieren; Das Ende einer Reise: ein IA für KI.

Maschinelles Lernen: Eine probabilistische Perspektive (adaptive Berechnung und maschinelle Lernreihe) illustrierte Ausgabe

Geschrieben von: Kevin P. Murphy

• Verlag: Die MIT -Presse
• Veröffentlichter Datum: 24. August 2012
• Sprache: Englisch
• Abmessungen: 8.25 x 1.79 x 9.27 Zoll
• NEIN. von Seiten: 1104

Dieses Buch ist gut für Anfänger. Wie alle weiteren in diesem Dokument vorgeschriebenen Bücher, behandelt dieses Buch nicht alles, was für das Generalist -Programm erforderlich ist, das leider noch nicht abgeschlossen ist (die Fachprogramme sind auch noch nicht abgeschlossen). Der typische Anfänger hier ist ein High-School-Absolvent mit einem Pass in Mathematik und Informatik.

Inhalt: Einführung (maschinelles Lernen: Was und warum?, Unbeaufsichtigtes Lernen, einige grundlegende Konzepte im maschinellen Lernen); Wahrscheinlichkeit; Generative Modelle für diskrete Daten; Gaußsche Modelle; Bayes'sche Statistik; Häufige Statistiken; Lineare Regression; Logistische Regression; Verallgemeinerte lineare Modelle und die exponentielle Familie; Regie grafische Modelle (Bayes Nets); Mischmodelle und der EM -Algorithmus; Latente lineare Modelle; Spärliche lineare Modelle; Körner; Gaußsche Prozesse; Adaptive Basisfunktionsmodelle; Markov- und Hidden Markov -Modelle; Zustandsraummodelle; Ungerichtete grafische Modelle (Markov Random Fields); Genaue Inferenz für grafische Modelle; Variationsinferenz; Mehr variationsübergreifende Inferenz; Monte Carlo Inferenz; Markov -Kette Monte Carlo (MCMC) Inferenz; Clustering; Grafische Modellstrukturlernen; Latente Variablenmodelle für diskrete Daten; Tiefes Lernen.

Data Science for Business: Was Sie über Data Mining und datenanalytisches Denken / 1. Ausgabe wissen müssen

Geschrieben von: Tom Fawcett und Foster Provost

• Verlag: O'Reilly Media
• Veröffentlichter Datum: 17. September 2013
• Sprache: Englisch
• Abmessungen: 7 x 0.9 x 9.19 Zoll
• NEIN. von Seiten: 413

Inhalt: datenanalytisches Denken; Geschäftsprobleme und Datenwissenschaftslösungen; Einführung in die prädiktive Modellierung: Von Korrelation zur beaufsichtigten Segmentierung; Anpassung eines Modells an Daten; Überanpassung und seine Vermeidung; Ähnlichkeit, Nachbarn und Cluster; Entscheidungsanalytik Thinking I: Was ist ein gutes Modell?; Visualisierung der Modellleistung; Beweise und Wahrscheinlichkeiten; Text darstellen und Bergbautext; Entscheidungsanalysedacht II: Auf dem Weg zum Analytechnik; Andere Datenwissenschaftsaufgaben und -techniken; Datenwissenschaft und Geschäftsstrategie; Abschluss.

https: // www.Amazonas.COM/DATA-Science-Business-Data-Analytik-Denken/DP/B08VL5K5ZX

Praktische Statistiken für Datenwissenschaftler: 50+ Wesentliche Konzepte mit R und Python / 2. Ausgabe

Geschrieben von: Peter Bruce, Andrew Bruce und Peter Gedeck

• Verlag: O'Reilly Media
• Veröffentlichtes Datum: 2. Juni 2020
• Sprache: Englisch
• Abmessungen: 7 x 0.9 x 9.1 Zoll
• NEIN. von Seiten: 368

Inhalt: Explorative Datenanalyse, Daten- und Stichprobenverteilungen, statistische Experimente und Signifikanztests, Regression und Vorhersage, Klassifizierung, statistisches maschinelles Lernen, unbeaufsichtigtes Lernen.

Das Buch des Warum: Die neue Wissenschaft von Ursache und Wirkung

Geschrieben von: Juda Pearl, Dana Mackenzie

• Verlag: Basic Book
• Veröffentlichtes Datum: 15. Mai 2018
• Sprache: Englisch
• Abmessungen: 6.3 x 1.4 x 9.4 Zoll
• NEIN. von Seiten: 432

Während viele Datenwissenschaftsbücher die reine Wirtschaftsbranche zur Illustration verwenden, verwendet dieses Buch die medizinische Industrie und andere Disziplinen zur Illustration.

Inhalt: Einführung: Verstand über Daten; Die Leiter der Kausalität; Von Buccaneers bis zu Meerschweinchen: die Entstehung der kausalen Inferenz; Von Beweisen bis Ursachen: Reverend Bayes trifft MR. Holmes; Verwirrend und entfassen: Oder töten Sie die lauernde Variable; Die rauchgefüllte Debatte: die Luft räumen; Paradoxe in Hülle und Fülle!; Über die Anpassung hinaus: die Eroberung der Bergintervention; Kontrafakte: Bergbauwelten, die hätten sein können; Mediation: Die Suche nach einem Mechanismus; Big Data, künstliche Intelligenz und die großen Fragen.

Bauen Sie eine Karriere in der Datenwissenschaft auf

Geschrieben von: Emily Robinson und Jacqueline Nolis

• Verlag: Manning
• Veröffentlichter Datum: 24. März 2020
• Sprache: Englisch
• Abmessungen: 7.38 x 0.8 x 9.25 Zoll
• NEIN. von Seiten: 354

Inhalt: Erste Schritte mit Data Science; Finden Sie Ihren Datenwissenschaftsjob; Sich in Data Science festlegen; In Ihrer Datenwissenschaftsrolle wachsen.

https: // www.Manning.com/books/build-a-career-in-Data-Wissenschaft

Data Science für Dummies / 2. Ausgabe

Geschrieben von: Lillian Pierson

• Verlag: Für Dummies
• Veröffentlichter Datum: 6. März 2017
• Sprache Englisch
• Abmessungen: 7.3 x 1 x 9 Zoll
• NEIN. von Seiten: 384

In diesem Buch geht davon aus.

Inhalt: Wickeln Sie Ihren Kopf in die Data Science; Erforschung von Pipelines und Infrastrukturen von Daten technisch; Anwendung datengesteuerter Erkenntnisse in Unternehmen und Industrie; Maschinelles Lernen: Lernen aus Daten mit Ihrer Maschine; Mathematik, Wahrscheinlichkeit und statistische Modellierung; Verwenden von Clustering zur Unterteilung von Daten; Modellierung mit Instanzen; Bauen von Modellen, die im Internet der Dinge betrieben werden; Folgt den Prinzipien des Datenvisualisierungsdesigns; Mit D3.JS für die Datenvisualisierung; Webbasierte Anwendungen für das Visualisierungsdesign; Erforschung Best Practices im Dashboard -Design; Karten aus räumlichen Daten machen; Verwendung von Python für Datenwissenschaft; Verwenden von Open Source R für Data Science; Verwendung von SQL in Data Science; Datenwissenschaft mit Excel und Knime machen; Data Science im Journalismus: Nageln Sie die fünf WS (und ein H); Einfragen mit Umweltdatenwissenschaft; Datenwissenschaft für das Wachstum des E-Commerce; Verwenden von Data Science, um kriminelle Aktivitäten zu beschreiben und vorherzusagen; Zehn phänomenale Ressourcen für offene Daten; Zehn kostenlose Tools und Anwendungen für kostenlose Datenwissenschaften.

Bergbau von massiven Datensätzen / 3^Rd Auflage

Geschrieben von: Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman

• Verlag: Cambridge University Press
• Veröffentlichtes Datum: 13. Februar 2020
• Sprache Englisch
• Abmessungen: 7 x 1 x 9.75 Zoll
• NEIN. von Seiten: 565

In diesem Buch geht auch davon aus.

Inhalt: Data Mining; MapReduce und der neue Software -Stack; Algorithmen mit MapReduce; Ähnliche Elemente finden; Bergbaudatenströme; Verbindungsanalyse; Häufige Elements; Clustering; Werbung im Web; Empfehlungssysteme; Bergbau-Sozialnetzgrafs; Dimensionsreduzierung; Großes maschinelles Lernen.

Abschluss

Die Unterscheidungen zwischen Spezialistenprogrammen sind noch nicht klar. Die Unterscheidungen zwischen dem Generalisten und den Fachprogrammen sind ebenfalls noch nicht klar. Nach dem Lesen der angegebenen Liste der Bücher wird der Leser jedoch in der Lage sein, die besonderen Rollen von Datenanalysten, Daten Engineering und Data Scientist besser zu schätzen und dann weiter voranzukommen.