我的数据分析/数据挖掘/机器学习必读书目

总结一下我读过的机器学习/数据挖掘/数据分析方面的书，有的适合入门，有的适合进阶，没有按照层次排列，先总结一下，等总结的差不多了再根据入门--->进阶分块写。下面列的书基本上我写的都是读完过的，不然不敢写，怕误人子弟 = =

数据分析篇

实习的时候只会Matlab，公司小，没钱买正版，所以领导要我两星期把R学会，当时看的有这些书

1.R语言实战

https://book.douban.com/subject/20382244/

评价：很好的入门书，从安装、入门、基本的统计分析，作图命令，以及常见的分类、回归、降维等方法都有写

推荐指数：★★★★★

2.数据分析-R语言实战

https://book.douban.com/subject/25953866/

评价：专门用R语言写的数据分析的书，掌握R的基础后可以看看，侧重数据分析的基本方法，介绍了一些常见的分析方法，比较基础。

推荐指数：★★★★☆

3.探索性数据分析

https://book.douban.com/subject/1551897/

评价：外国人写的书，但是翻译真的太烂了。而且内容其实没什么干货啊，关于分位数、展布等这些概念直接找本统计学的教材看看吧。

推荐指数：★★★☆

4.R语言编程艺术

https://book.douban.com/subject/24699632/

评价：在图书馆意外发现了这本好书，对于R中的数据结构和性能提升讲的不错。

推荐指数：★★★★

5.利用Python进行数据分析

https://book.douban.com/subject/25779298/

评价：这本书是pandas模块的作者写的书，一句话总结：Pandas使用手册。如果用Python做数据分析，基本上Pandas是必不可少的包。

推荐指数：★★★★

数据挖掘/机器学习篇

1.大数据时代的R语言 数据挖掘：R语言实战

https://book.douban.com/subject/25901568/

评价：和上面的“数据分析-R语言实战”好像是一个系列的，基本上常见的数据挖掘方法都介绍了，有理论有实例，适合入门。

推荐指数：★★★★

2.数据挖掘概念与技术

https://book.douban.com/subject/2038599/

评价：入门书，理论多，好像是很多研究生学数据挖掘的教材，很详细，孟小峰老师的翻译还是不错的，相对很多翻译很烂的还是可以的。

推荐指数：★★★★

3.机器学习实战

https://book.douban.com/subject/24703171/

评价：Python写的，没有Python基础的话还是先学学Python吧，基本上都是实例为主，代码很详细，讲的也很通俗易懂，github上可以下载代码

推荐指数：★★★★★

4.集体智慧编程

https://book.douban.com/subject/3288908/

评价：和机器学习实战一起看的，也基本上都是实例，翻译的也可以，比“探索性数据分析”的翻译好多了！！有代码，可以实操，基本上真正掌握了可以应对一般的数据挖掘的需求了。

推荐指数：★★★★★

5.统计学习方法

https://book.douban.com/subject/10590856/

评价：李航博士写的机器学习常见算法的数学推导，讲的算是比较详细了，对于有数学基础的还是很好理解的，如果没有数学基础，可以先看看数分高代凸优化之类的书再看。适合有一定基础的学习。

推荐指数：★★★★★

6.推荐系统实战

https://book.douban.com/subject/10769749/

评价：看名字就知道是讲推荐系统的，对于不知道推荐系统是啥的可以好好看看，看完基本上了解推荐系统的大概框架和流程，也有一些例子，但是每个例子以及理论都讲的很浅，没有深入，只适合入门。

推荐指数：★★★★

7.数据挖掘导论

https://book.douban.com/subject/5377669/

评价：实习的同事本科时上课的教材，也是一部大巨头啊，外国人写的书，很通俗易懂，非常非常详细。

推荐指数：★★★★

以下是关于hadoop/Python/Spark的书，以及一些比较不错的论文。

8.Spark快速大数据分析

https://book.douban.com/subject/26616244/

评价：8.4/10，很薄的一本书，主要介绍的Spark的基本语法命令之类的，适合快速入门，Learning Spark的中文版

推荐指数：★★★★★

9.Spark高级数据分析

https://book.douban.com/subject/26647951/

评价：豆瓣上评价很少，但是我买回来看了以后发现还是不错的，基本上从分类，聚类，推荐，征信这几块都有实例讲解，比较详细，看的也很快，上手不错。

推荐指数：★★★★★

10.Hadoop权威指南

https://book.douban.com/subject/6523762/

评价：7.8/10，很厚，Hadoop讲的很深，不太适合入门，适合做数据仓库的人看，数据挖掘的可以先看看hadoop实战

推荐指数：★★★

11.Hadoop实战

https://book.douban.com/subject/20275953/

评价：7.0/10，我看的是国内的一个教授写的，并不是“Hadoop in anction”的中文译本，这个写的很浅，适合入门，但是感觉还是Hadoop in action 写的好一些

推荐指数：★★★☆

12.Hive编程指南

https://book.douban.com/subject/25791255/

评价：7.4/10 ，讲Hive操作的，讲真，如果真的只想了解下hive怎么操作，可以不用看这本书，直接去搜一下hive编程命令集合就可以了，这本书比较适合ETL的人，如果只是数据挖掘入门入门的话可以暂时先不用看这本书。但是书本身讲的还是很好的

推荐指数：★★★★

13.R语言与网站分析

https://book.douban.com/subject/25854151/

评价：7.4/10，本来只是去国图偶然看到的一本书，但是看了几章后觉得讲的挺清晰，而且后面的实例讲的挺好的，就去亚马逊上买了kindle电子书，关联规则和社群分析讲的都挺不错的，看的特别快。

推荐指数：★★★★

14.R的极客理想工具篇

https://book.douban.com/subject/25962666/

评价：7.5/10，作者是张丹，最开始是关注他的博客，写的很清晰，步骤也很明确，对于学习R的人来说是个不错的学习地方。这本书后面几张讲的主要是R的性能、以及数据库、hadoop、hive结合起来做的方法，值得一看。

推荐指数：★★★★

15.Mysql必知必会

https://book.douban.com/subject/3354490/

评价：8.4/10，不多说，入门Mysql必读书，很薄的一本小册子。

推荐指数：★★★★★

16.高性能MySQL

https://book.douban.com/subject/4241826/

评价：8.7/10，专业级的MySQL书籍，适合进阶，但是中文翻译很烂，买英文版英文版英文版

推荐指数：★★（还有三颗星给了英文版）

17.凸优化

https://book.douban.com/subject/21249088/

评价：9.4/10，很好的教材，而且很全，之前上数值分析这门课学的很多内容都包含在里面了，机器学习的很多概念也可以在里面找到，读完可以让你更深入的理解机器学习，而不是仅仅只会套用包。

推荐指数：★★★★★

18.Pattern Recognition and Machine Learning

https://book.douban.com/subject/2061116/

评价：9.6/10，PRML是机器学习的经典教材啊，非常值得看！有人翻译了中文版的，如果需要的话可以留言我把链接发出来~

推荐指数：★★★★★

19.统计自然语言处理

https://book.douban.com/subject/25746399/

评价：8.8/10，做自然语言处理的入门书，书很厚，但是讲的很多概念性的东西，却一点也不觉得枯燥，唯一的缺点就是，大概因为是经典教材类的书，所以实例比较少，有点像综述，大而全，如果想实战，可以看看Python写的一本自然语言处理的书，nltk，忘记叫啥名了，想起来了贴上来（评论里有人补充了，贴一个，Natural Language Processing with Python https://book.douban.com/subject/3696989/）

推荐指数：★★★★

20.机器学习

https://book.douban.com/subject/26708119/

评价：上次居然忘了写这本书，周志华老师的新书，公式推导很详细，豆瓣评分9.2，周老师在讲数据挖掘的算法之前先讲了如何评估算法的效果与选择，可以宏观的了解机器学习一些基础知识，在之后学习算法的时候对于它们的适用场景也会有个大概的了解。作者的思路很清晰，强烈推荐啊！！

推荐指数：★★★★★

再推荐几本科普书，业余可以看看提升下兴趣

• 从0到1
• 大数据时代
• 浪潮之巅
• 数学之美
• 数据之巅

Charlotte ，数学系的数据挖掘民工，喜欢算法和建模。

欢迎关注我的博客：

http://www.cnblogs.com/charlotte77/