点击上方“ CSDN ”，选择“置顶公众号”

关键时刻，第一时间送达！ 一、机器学习入门浅谈

机器学习领域，又或者更大而化之的说人工智能方向，因为“阿尔法狗”等一系列的热门爆点话题，被推到了人前，受到越来越多人的关注。

无论你是什么领域的工作者，都一定多多少少听说过它的名号。

而与此同时，随着机器学习领域理论的成熟，越来越多的相关技术被应用于生活实践的方方面面，从事机器学习岗也成了很多计算机行业从业者的重点考虑。

在本文中，我想简单的和大家探讨一些新手选择机器学习方向时总会考虑的问题。

其实，认真的说来，我们很难在网上找到一个教程，完全贴合每个新手入门机器学习时的需求。

原因很简单，每个人在涉足这个领域的时候，个人的知识积淀和教育背景不一样，同样，他们对于未来发展的心理预期不一样，这也导致了需求的多样化。

因此，在真正入行之前，我非常建议你们，能够对自己进行一个深度的剖析，发现自己的优缺点，从而能够查漏补缺，才能在这个行业走的更远，同时，也能从心底对自己的选择更有底气。

从我个人的角度出发，我选择机器学习领域，是理智选择后的结果。

我从高中起就觉得程序员这个职业特别 cool，但是阴差阳错本科选择了数学，研究生才转行成为半个“非专业码农”。

我的教育背景决定了和大部分程序员相比，我在数学理论上有比较大的优势，但同时，我的代码能力非常的弱（在本科时，我只简单接触过python、matlab和c++）。

我们很容易在学习中发现，机器学习方向对代码的要求，要远远小于传统的IT行业，比如前端、后台，甚至一些更底层层面的业务需求。

综上所述，我才最终决定选择了这个方向。

我个人觉得，我的这个考虑，更适用于还在上学的学生，或者刚刚毕业的毕业生们。

这类人的普遍特点是，脱离学校不久，理论知识底子还有，但是实际代码能力和项目经验不足。

但是，相同的问题对很多转行的程序员来说，可能侧重点完全相反。

我身边有很多工作了几年后，重新选择方向的程序员，他们拥有扎实的代码基础，丰富的业务经验。

但是对机器学习的很多理论知识非常苦手，甚至连机器学习的入门逻辑回归等涉及到的简单公式都有些吃力。

对于这一类的入门者，我建议他们可以先看一些基础课程。

作为一个经历了四年枯燥无味的数学理论知识摧残的幸存者，我认为，人们在初接触对自己而言艰涩无味的知识时，一个言之有物，循循善诱的老师，是十分有必要的。

和前面提到的两类不同，还有一类入门者是纯粹的小白，他们之前从未从事过相关职业，也从未学习过相关知识。

我有一个学长大概就是这样的情形，这类人大多转行的动力是对现在的工作和薪酬情况不满意，同时被现在越来越火的机器学习领域所吸引，渴望改变现状。

他们的工作量是非常巨大的，理论和基本代码能力两手抓，同时还需要补很多计算机的专业课程，属于三类人中困难度最高的。

在下面一部分中，我会简单总结一下我手头使用过或者比较了解的机器学习资料，并对他们进行点评和分类，以供不同侧重点的大家可以选择。 二、机器学习资料

写在前面的话：无论你是我刚才提到的哪一部分入门者，数学基础都是一定一定必要的！不认真打好基础的人，永远也不会爬得太高。

线性代数、高数和概率论与数理统计，是三本非常非常非常必要的课，如果忘记了请随时温习，直接搜最经典的版本教材就可以。 视频资料

我个人非常喜欢的方式，现在的网络这么发达，给我们了一个机会可以接触到全球各地的名师。

刚入门的时候，名师的讲解肯定比自己死啃书要好，所以推荐给所有时间不那么紧张的小伙伴。

1.Coursera 上 Ng 开设的机器学习

这门课十分经典，基本算是机器学习的入门课了。吴恩达在课堂上使用的是 Octave。

但是用什么语言实现其实都是可以的，课程的大作业，以及吴恩达写好的框架都对摸清行业基本工程框架十分有帮助的，基本可以算是理论与工程都兼顾。

相信大家都知道，Ng 现在离开百度自己出来创业，普及深度学习，又推出了更新的深度学习几门课程，现在国内的一些主流网课 app 都可以找到课程资源。

还是延续了老吴的一贯风格，更侧重理论一些，对代码的要求没那么高，对代码小白十分友好。

2.斯坦福公开课 cs231n

这门课适合计算机视觉方向的刚入门，其他方向的有兴趣也可以去听一听，如果时间紧张就不是很推荐啦。

3.斯坦福公开课 cs224d

这门课的方向是自然语言处理，开课老师是 NLP 领域的天才级大牛，讲了很多深度学习与自然语言处理的结合相关知识，对于刚入门的初学者，十分建议刷一刷！ 文字资料

这部分很多都更侧向理论部分，毕竟任何方向要想走得足够远，就一定会涉及到晦涩的理论部分，这个时候，一本书和一本笔记，就是非常必要的了。

1.南大周志华的《机器学习》

非常非常经典的西瓜书，基本上搞机器学习的人手一本。个人感觉属于典型的科班教科书，如果不是正在上学的学生，不是特别推荐，会有更多更好的替代读物，虽然名气大，但是不适合入门读，比较适合已经有基本概念的人来看。

2.《deep learning》中文叫做《深度学习》

这本书具有极高的价值性和权威性，非常推荐，借用网上的评价大概是“这本书的价值在于让你低成本（高效率）的补上最近几年的主要理论成果”，非常适合面对数百篇论文无从下手的科研人士入门。

当然也有人反应它的核心章节讲主流学习模型 CNN 和 RNN 的时候逻辑有点混乱。

但是现在 CNN 和 RNN 发展到现在，不同的方向早就有了差异巨大的变种，所以，指望一本书能够全部搞明白也是不现实的。

3.《Hands On MachineLearning with Scikit Learn and Tensorflow》

非常可爱的蜥蜴书，是某段时间相关主题的top1，和我接下来介绍的一本《机器学习实战》各有优劣，大家可以酌情选择。

这本书有很多深度学习在工程应用上的小窍门，解决了很多工程开发中的现实问题。

但是同时，它的代码量没有机器学习实战那么多，理论讲解体系也相对更完善。非常适合刚上完NG课程的新手来衔接使用。

4.Machine Learning in action 中文名为《机器学习实战》

也是非常经典的一本书了，小伙伴基本人手一本,我从他还没出版的适合就开始关注。

主要特点就是简单粗暴，特别适合和我一样理论还可以但是代码能力基本为零的程序员小白。

“这本书用尽量少的公式把机器学习的基本算法都过了一遍，而且还讲得很清楚，更为重要的是他将公式和代码结合了起来。

因此，你的机器学习并没有那么的抽象了，你知道算法里的公式如何的转化为代码。”（这段摘自知乎）

如果你的代码基础比较好，可以简单过一遍，缺乏代码量，对 python 等语言不熟悉的小伙伴，可以像我一样老老实实的全部敲一遍，进步真的是可以明显看见的。

5.李航的《统计学习方法》

不是很厚的蓝皮书，但是学起来真的很痛苦，如果要认认真真推导一遍公式。建议是有机器学习的基本知识和能力以后再来攻克，否则真的是分分钟想放弃。

和第一本西瓜书一样，都算是国内的经典教材，非常值得有时间有精力的学生党仔细研读，如果是时间比较紧张的工作党们，可以酌情看其中的部分章节。 三、总结和写在后面的话

可能看到中间，就有小伙伴开始疑惑，欸，不是说机器学习吗？怎么不知不觉就说到了深度学习？

其实，人工智能领域发展到现在，机器学习已经远远不能满足我们的日常需求了。

甚至可以这样说，机器学习的知识只是这个领域的冰山一角，我们仅靠单薄的机器学习的知识，早就不能找到一份理想的工作。

计算机这个行业，从来都是活到老学到老，人们眼中的高薪，也就决定了它残酷的竞争性和知识迅速的更替性。

机器学习入门以后，就需要你根据自己的需求来制定个性化的路线了。比如大数据分析、图模型、深度学习、自动驾驶、机器人、自然语言处理、图像识别、语音识别等等，既有应用方向，也有理论方向。

正如我开篇所提到的，早在不知不觉间，机器学习就已经深入到了我们生活的方方面面。

在推荐中，我提到的都是自己亲自看过（虽然有一些并没有看完）的资料，也有很多名气很大很权威的资料没有提及。

比如《Elements of Statistical Learning》《机器学习基石》等等等。

毕竟个人能力有限，也欢迎大家一起来讨论补充。同时，我也坚信，现在这个时代，好的资料太多，而人的精力有限，与其把时间和精力花在筛筛选选上，不如静下心把几本经典的教材吃透。

最后，无论你是从哪里开始，选择好方向，坚持走下去，才是唯一走到最后的诀窍，时间才是检验奋斗的唯一标准。

与君共勉。

在这里推荐 CSDN 学院最新推出的《人工智能工程师》直通车课程。这是一个 100 天的学习计划，目标是让你从 AI 小白直接晋级为具备一年经验的人工智能工程师。

全程实战案例，从机器学习原理到推荐系统实现，从深度学习入门到图像语义分割及写诗机器人，再到专属 GPU 云平台上的四大工业级实战项目。

有专人来跟踪你的学习进度，并根据你的数学和编程基础来制定专属学习计划，保证不掉队。两位大咖讲师在计算机视觉的产业界和学术界分别都有着深厚的经验，产、学、研结合紧密。

扫码联系 AI 课程助手，可领取千元课程补助金！

————— END —————

这是一个转型 AI 的励志故事，从非科班到拿下竞赛一等奖

逃离北京？作为程序员的我在工作两个月的今天，露宿街头

数百种编程语言，而我为什么要学 Python？

几乎每一个机器学习项目中都离不开统计方法。所以需要基础的统计相关基础知识和方法对机器学习和AI必不可少。我们说AI不是神话，AI是数学算法，说明扎实数学基础是做AI的必须，而统计学知识尤其是如此。

这意味着重要的是要牢固掌握统计学主要发现的基础和相关统计方法的工作知识。

然而，很不幸，许多计算机科学和软件工程的必修课程中，并没有并统计学。而统计学也是一门很注重理论，必须遵循以自下而上的，理论为先的学习路线，往往给人感觉就是找不着"北"。

本文中，虫虫给你推荐一些关于数据统计的最佳入门书籍，让你通过这些世界著名的教材帮你找到应用数据统计"北"，从而打下一个很好的统计学基础。

虽然这些书都是非常好的教材，虫虫还是和之前很多编程学习文章提到原则一样，不要贪求全而多，而是只选其中一本，认证真的阅读搞清楚，先入门，然后在此基础上横向扩展。

本文分为三部分分别推荐一些合宜的书籍：

1.科普图书

2.统计学教科书

3.统计学研究方法

科普图书

关于统计学的科普图书，以大众易于接受，浅显易懂的语言来做普及性介绍基本概念的书籍。通常会结统计学重要发现的故事和轶事，读者很有意思有趣，还能学到很多知识，比如正态分布和中心极限定理的来历等。

不要忽视这些类型的书籍，这是推广科学知识的最流行途径，把科学知识给公众所传播就靠它们。比如之前驾鹤西去的普金老先生的《时间简史》，就是一本非常流行非常优秀的科普图书，通过它让我们了解宇宙和时间的本质，来源及去向，还有大量的物理学前沿知识。

尽管我已经学习统计学专业的教科书，但我时常会读一些科普读书。因为：

他们可以快速阅读而有趣，没有任何心里负担。

他们可以让我对那些枯燥的知识有一个全新的认识。

他们为受众非专业人群，老少皆宜，比如可以用来教育小孩。

这类图书对解释给你为啥统计学的知识非常重要，也能帮助你将机器学习和特定的实际需求联系起来。

有很多关于统计学的大众科普书籍，在我推荐三本：

1、赤裸裸的统计：消除数据中的恐惧

《Naked Statistics: Stripping the Dread from the Data》

作者为：Charles Wheelan。

中译本：暂无

对于那些一听到统计知识就犯困的人来说，本书就是你救星。 Wheela剥离了晦涩难解知识和技术细节，而专注于推动统计分析的内在直觉。他阐明了推理，相关和回归分析等重要概念，揭示了带有偏见和粗心大意的统计人员是如何操纵和歪曲数据，作为对比也展示了卓越和创造性的研究人员是如何利用实验中的有价值数据来处理棘手问题的。

2、醉汉漫步：随机性如何支配我们的生活

《The Drunkard's Walk: How Randomness Rules Our Lives》

作者：Leonard Mlodinow。

中译本：有繁体版本，胡守仁译，台湾天下遠見出版股份有限公司出版

Leonard Mlodinow通过故事性的叙述和富有想象力的方法，生动地展示了我们的生活是如何被机会和随机事件所深深的定性。葡萄酒评级和企业的成功以及学校积分和民意调查等结果是如何的出乎我们想象中的靠谱。

3、信号与噪声：大数据时代预测的科学与艺术

《The Signal and the Noise: Why So Many Predictions Fail – but Some Don't》

Nate Silver著作

中译本： 胡晓姣等译，中信出版社出版

Silver凭借其开创性的工作，检验了如何预测世界，如何区分真实信号和噪音。现实中很多预测的失败，通常会对社会造成很大的影响，因为大多数人对概率和不确定性的没有很多的理解。专家和非专业人士往往会过分的追求预测的准确性。但过度自信往往是失败的原因。如果大家都能意识到不确定性的的意义，我们的预测也会变得更好。这就是"预测悖论"：我们对预测能力的态度越谦虚，我们就可以在未来的预测也会越成功。

如果你有更好的相关推荐，可以回复本文章。

统计学教科书

如果你想学习统计学知识，你需要一本可靠的教科书。教科书会涵盖你必须知道的基础理论，解释和公式。

希望不只是看书的封面、前言和目录就仍一边吸尘去了。而是要深入研读，学习他们给出理论方法，并用它做实践。

在这部分，我列出了一系列书籍，其中包括（按顺序）一本适宜的统计学教科书，一本非数学背景的的学习指南，最后是写给具有编程背景的码农的统计书。根据你自己的实际情况，选一本研读。

1、 统计学完全教程：统计推断简明课程

《All of Statistics: A Concise Course in Statistical Inference》

Larry Wasserman著

中译本：统计学完全教程，张波译，科学出版社出版

The book includes modern topics like non-parametric curve estimation, bootstrapping, and classification, topics that are usually relegated to follow-up courses. The reader is presumed to know calculus and a little linear algebra. No previous knowledge of probability and statistics is required. Statistics, data mining, and machine learning are all concerned with collecting and analysing data.

本书除了介绍传统数理统计学的全部内容以外，还包含了Bootstrap方法（自举法）、独立性推断、因果推断、图模型、非参数回归、正交函数光滑法、分类、统计学理论及数据挖掘等现代主题，并将其放到数理统计后作为补充后续的课程。本书不但注重概率论与数理统计基本理论的阐述，同时还强调数据分析能力的培养。

本书假定读者拥有微积分和一点点线性代数的基础。但无需概率论和统计学知识。本书还配有大量数据实例和练习以此培养读者通过R语言快速掌握数据统计分析能力。本书适用于统计学、数学、计算机科学、机器学习与数据挖掘等领域的高年级本科生、研究生，对于相关领域的广大科研工作者和实际工作者来说也不失为一本有价值的参考书。

2、白话统计学

《Statistics in Plain English》

Timothy C. Urdan.著

中文译本：第三版本有中国人民大学出版社出版，译者为彭志文。

这本入门教科书提供了一个低门槛，简洁的统计学概览，帮助读者更好地理解数理统计如何操作及如何准确的对其做解释。每章描述了一种不同的统计技术，从集中趋势和描述统计分布的基本概念到更深入的概念，如t检验，回归，重复测量方差分析、因子分析、变异程度、正态分布、z分数、标准误等基本概念，回归分析、卡方检验等。每一章都从统计学的基本概念和使用场景入手。接下来是对其原理、工作做更深入的论述。最后，每章都以现实应用的统计实例为例，以及在科学论文等出版物中使用的标准统计数据分析的结果例样展示。

本书对统计学原理和术语进行了简洁、清晰而准确的解释，全书内容体系精炼，语言通俗易懂，表述严谨准确；既不刻意回避数学公式，也具备良好的可读性。

3、 数据科学家实用统计：50个基本概念

《Practical Statistics for Data Scientists: 50 Essential Concepts》

作者：Peter Bruce and Andrew Bruce

中文译本：暂无

统计方法是数据科学的最重要的部分，但很少有数据科学家进行任何正式的统计学培训。通过数据科学的角度来论述基础统计学的课程和书籍很少。本实用指南则恰恰补上了这方面的缺差，本书主要讲了如何将各统计方法应用于数据科学，告诉你如何避免其滥用，并就重要和不重要提供建议。

许多数据科学资源纳入了统计学方法，但缺乏更深层次的统计学论述。如果你熟悉R编程语言，并具有一些统计学基础，则本参考以填补了这方面空白。值得深入研读、练习。

统计学研究方法

一旦你掌握了基础统计学知识，你就需要知道在实际中如何使用这些统计方法。

许多机器学习应用了都涉及了实验设计和执行部分，并且需要统计数据来对其有效性来做验证和解释。这意味着你需要有熟悉研究背景下的统计学方法。

这一步分就这些主题，推荐相关的书籍。

这些书籍都不好选择，因为这些书籍要么太理论，要没限制于专有的SAS、SPSS统计软件。

我们选择的三本书中，第一本书是高度推荐的书籍，第二本使用了开源的R语言，最后一本是关于此主题的经典教科书：

1、 人工智能的经验方法

《Empirical Methods for Artificial Intelligence》

作者：Paul R. Cohen

中译本：暂无

与其他科学一样，计算机科学和人工智能尤其缺乏研究方法的课程。本书介绍了用于研究复杂计算机程序的经验方法：

用于帮助查找数据模式的探索性工具；

用于帮助生成令人信服地实验设计和假设测试统计数据的工具；

用于帮助解释数据的建模工具。

这些技术中有很多都和统计学有关，但本书在更广泛的企业背景实例下讨论数据统计。前三章介绍经验问题，探索性数据分析和实验设计。对统计假设检验的论述为其后的第4章和第5章分别介绍了经典参数方法和计算密集型（蒙特卡罗）重采样方法。这是以精确，可访问的方式呈现这些新的灵活的采样技术的少数书籍之一。

2、统计研究方法：非统计学家指南

《Statistical Research Methods: A Guide for Non-Statisticians》

作者Roy Sabo和Edward Boone

中译本：暂无

本书主要用来帮助非统计学科的研究生、本科生研究人员和健康科学研究人员学习、使用和交流常用统计方法的结果。所涵盖的内容包括假设实验到统计结果的整个数据分析过程。还包括其他主题：一个和两个样本比例，多类别数据，一个和两个样本均值，方差分析和回归。

在本书中，作者使用非专业统计术语来解释了统计过程和概念。通过实例的和学术论文统计结果结果样本为例来完成的。该书所有统计分析都使用了免费开源编程语言R。

3、实验者统计：设计，创新和发现

作者：George E. P. Box，J. Stuart Hunter和William G. Hunter

中译版：张润楚等译，由机械工业出版社出版

多年来，本书第1版一直是试验方法应用的主要参考书，尤其适用于试验设计。第2版采用与第1版同样的方式，通过完整的工作实例、易于理解的图形以及适当地使用计算机来阐述相关的统计方法应用。为了激发创新、发现和解决问题，第2版向试验者提供了科学的统计工具。第二版为实验人员提供了从研究数据中获得的知识最大化所需的科学和统计工具，阐述了在调查过程的各个阶段如何更好地利用这些工具。

作者从从需要解决的问题实践开始，然后用合适的方法进行假设实验设计和分析、到最后的结果处理。

总结

你要更好的学习和利用机器学习及人工智能，必须具有一定的统计学的基础。这个基础不一定从都就打，但是必须花费时间学习和练习。和其他编程语言学习一样，统计学的学习的之路也是从选择一本经典教程开始，多思考多练多实践。建议对教材后面所附的练习题都认真对待，自己亲自动手练习，写出代码得出结果。解决问题后的那种满足和成就感是你坚持学习的动力支撑。

近日，感动中国10大编程语言评选活动，在全球华语第三论坛 stage1 成功举办。共有1121名网友参与了投票。最终 Python 3.x(or its dialect) 以364票的成绩排名第一位，票数占总投票数的1/5。

据悉，这次评选原本是论坛用户的恶搞行为，却意外受到了网友热烈响应，纷纷投票，并点评和吐槽。一方面，我们可以看出，编程职业非常火热；另一方面，从投票结果来看，Python 确实是好语言！

接下来，邮书君将“感动中国10大编程书君将语言”公布如下，并推荐市面上受欢迎、更畅销的教程，希望为大家升职加薪、开拓眼界提供帮助~

书单内容来自邮书小程序，谢谢邮书书单作者的创作！

篇幅限制，更多书单内容请登录小程序。

2018感动中国十大编程语言榜单，详情如下：

第一位 Python 3.x(or its dialect) | (364票) 占比20.53%

第二位 C++ | (238票)占比13.42%

第三位 Java | (212票)占比11.96%

第四位 C# | (141票)占比7.95%

第五位 Javascript(or its dialect) | (133票)占比7.50%

第六位 C(or its dialect) | (127票)占比7.16%

第七位 PHP | (113票)占比6.37%

第八位 Python 2.x(or its dialect) | (112票)占比6.32%

第九位 BASIC(or its dialect) | (59票)占比3.33%

第十位 Go | (46票)占比2.59%

第一位 Python 3.x(or its dialect) | (364票) 占比20.53%

Python作为一个脚本语言，非常容易上手。没有被复杂的语法，麻烦的编译过程，让使用者更快的理解编程的很多思想，体会到通过编程来解决问题的快乐。Python的类库非常丰富。在这样的环境中，用Python带来了很多便利和方便，产品的很多功能和验证可以更快的实现，大大的提高了生产力。

外国程序员穿着文化衫，表达对Python的喜爱

《Python编程 从入门到实践》

本书是一本针对所有层次的Python读者而作的Python入门书。全书分两部分：首部分介绍用Python 编程所必须了解的基本概念，包括matplotlib、NumPy和Pygal等强大的Python库和工具介绍，以及列表、字典、if语句、类、文件与异常、代码测试等内容；第二部分将理论付诸实践，讲解如何开发三个项目，包括简单的Python 2D游戏开发，如何利用数据生成交互式的信息图，以及创建和定制简单的Web应用，并帮读者解决常见编程问题和困惑。

第二位C++ | (238票)占比13.42%

程序员们一边说着“珍惜生命，远离C++”，一边为它投票，与这门语言确实相爱相杀，难舍难分。随着互联网发展，企业对C++岗位的需求减少，但在基础设施和高性能核心岗位上，仍需要高水平的从业者坚持阵地。

《C++ Primer Plus（第6版）（中文版）》

C++是在C语言基础上开发的一种集面向对象编程、通用编程和传统的过程化编程于一体的编程语言，是C语言的超集。本书是根据2003年的ISO/ANSI C++标准编写的。通过大量短小精悍的程序详细而全面地阐述了C++的基本概念和技术。全书分为18章和10个附录，分别介绍了C++程序的运行方式、基本数据类型、复合数据类型、循环和关系表达式、分支语句和逻辑操作符、函数重载和函数模板、内存模型和名称空间、类的设计和使用、多态、虚函数、动态内存分配、继承、代码重用、友元、异常处理技术、string类和标准模板库、输入/输出等内容。本书针对C++初学者，从C语言基础知识开始介绍，然后在此基础上详细阐述C++新增的特性，因此不要求读者有较多C语言方面的背景知识。本书可以作为高等院校C++课程的教材，也可以供初学者自学C++时使用

第三位Java | (212票)占比11.96%

2017年9月21日，Java 9正式发布，又为 Java 博了一波热度。在发布之后的二十年，它依然是开发人员的最爱。许多人唱衰 Java，说这门编程语言正在死去，可以肯定地说它死过了。它死过又复活过的次数比我们所能统计的还要多，可是它仍然活着没有倒下。根据 JAXenter 网站统计，62％ 的人希望在 2018 年更多地关注 Java 9。

《明解Java》

本书从编程的基础开始，逐步深入地进行讲解，直至读者掌握面向对象编程。面向了解计算机的基本用法、初次挑战编程的读者，将基于我自己常年为大量学生及听讲者授课的丰富经验，针对学习者难以理解及容易失误的地方进行重点介绍。

第四位C# | (141票)占比7.95%

C#是后生，所以有很多语法改进。作为一个商业产品，C++用户是C#的首要目标，所以它充分照顾到了C++用户的习惯。C#团队在设计语法时充分照顾到了常见的业务需求，让业务开发更简单的功能。

《C#图解教程（第4版）》

本书是广受赞誉的C#图解教程的全新版本。作者在本书中创造了一种全新的可视化叙述方式，以图文并茂的形式、朴实简洁的文字，并辅以大量表格和代码示例，全面、直观地阐述了C#语言的各种特性。新版本除了精心修订旧版内容外，还全面涵盖了C# 5.0的新增特性，比如异步编程、调用者信息、case表达式、带参数的泛型构造函数、支持null类型运算等。通过本书，读者能够快速、深入理解C#，为自己的编程生涯打下良好的基础。

第五位Javascript(or its dialect) | (133票)占比7.50%

创造它的时候，想要的是函数式，公司希望它能像Java，但是，最后这个语言其实更像C，算是C风格的函数式脚本语言，除了名字里面有个Java。Javascript可以做很多事情，从前端到后端，从桌面到移动，从应用到游戏，仿佛干了所有的事情一样。然而，也正是 JavaScript 固有的语言特性，使其在很多场景并不适用，调用硬件、大数据、高强度计算等等这些考验性能和执行效率的事情。

《JavaScript DOM编程艺术（第2版）》

本书在简洁明快地讲述JavaScript和DOM的基本知识之后，通过几个实例演示了专业水准的网页开发技术，透彻阐述了平稳退化等一批至关重要的JavaScript编程原则和实践，并全面探讨了HTML5以及jQuery等JavaScript库。读者将看到JavaScript、HTML5和CSS如何协作来创建易用的、与标准兼容的Web设计，掌握使用JavaScript和DOM通过客户端动态效果和用户控制的动画来加强Web页面的必备技术；同时，还将对如何利用库提高开发效率有全面深入的理解。

第六位C(or its dialect) | (127票)占比7.16%

C可以说是目前流行的最基本且古老的语言，经过长时间的发展和普及，C语言的应用场景有了很大的变化，一些旧观念应该被淡化或者不再被推荐。实际工作中，搭配其他语言使用，风味更佳。

《C语言程序设计教程 微课版》

本书以C语言作为语言载体，讲述了程序设计的基础知识、基本算法和编程思想，在语法知识学习的基础上，重点放到了编程能力的培养上，其目的在于使学生学习C语言程序设计之后，能结合实际获得基本的编程能力。全书共组织为12个项目，项目1介绍C语言的特点、语法成分、程序结构等；项目2介绍常见的算法表达形式；项目3、4、5、6介绍C语言的基本语法和基本程序结构；项目7、9、11、12介绍C语言是如何用数组、指针、结构体、文件来组织数据的，并结合项目8完成基本的模块化设计；项目10简单介绍了C语言的编译预处理。

第七位PHP | (113票)占比6.37%

过气网红 PHP 喜获排名第七位。随着nodejs的快速发展，PHP最擅长的web开发前后端分离，前段更亲近Node+JS。PHP很快被相关产品代替。初创公司越来越少，对PHP岗位需求减少。PHP的功能还是很强大的，希望它顺应时代发展，在未来大有所为。

《深入PHP：面向对象、模式与实践（第3版）》

本书是PHP专家经典力作的新版本。书中主要介绍了如何使用面向对象技术和设计模式编写稳定的、可维护的代码，如何使用Subversion管理多个开发人员，如何使用Phing和PEAR进行构建和安装，以及将构建和测试过程自动化的策略，包括持续集成。

第八位 Python 2.x(or its dialect) | (112票)占比6.32%

第九位 BASIC(or its dialect) | (59票)占比3.33%

属于上个世纪的情怀编程语言，现广泛存在于某国计算机等级考试中。

第十位 Go | (46票)占比2.59%

Go 的平均年薪在11万美元以上，这一点，邮书君已经吹嘘了很多回。2009年，谷歌创建了 Go 的开源开发平台，之后一些著名的服务商如Uber、SoundCloud、Netflix、谷歌和Dropbox利用了Go语言的元素，实现了内部和基础设施功能。

《Go Web编程》

本书全面介绍使用Go语言开发Web应用所需的全部基本概念，并详细讲解如何运用现代设计原则使用Go语言构建Web应用。本书通过大量的实例介绍核心概念（如处理请求和发送响应、模板引擎和数据持久化），并深入讨论更多高级主题（如并发、Web应用程序测试以及部署到标准系统服务器和PaaS提供商）。

《感动中国10大编程语言（网友点评版）》不是专业的评选，极其缺乏专业性和权威性。但这也体现了广大网友对编程事业的关心和关注，喜欢的朋友，可以登陆 Stage1 论坛，浏览原帖。

你又会被什么编程语言感动呢？在评论里告诉邮书君吧？

- End -

在最新一期的话题中，80%读者认为Python是最好的编程语言，知乎上类似的问题也很多，例如如何入门Python?如何3个月内入门Python？虽然现在可以学习的Python途径很多，但是想要打好牢固的基础知识，系统的学习Python的知识体系，还需要靠阅读专业的书籍来不断积累。

谁会成为AI 和大数据时代的第一开发语言？

这本已是一个不需要争论的问题。如果说三年前，Matlab、Scala、R、Java 和 Python还各有机会，局面尚且不清楚，那么三年之后，趋势已经非常明确了，特别是前两天 Facebook 开源PyTorch 之后，Python 作为 AI 时代头牌语言的位置基本确立，未来的悬念仅仅是谁能坐稳第二把交椅。

学习Python之路其修远兮，能否跨进时下最热的人工智能领域，无疑学好Python是通往高薪的捷径之路。

《Python核心编程 第3版》

畅销经典的Python基础教程学习手册进阶图书

兼顾Python2和Python3

机器学习 数据处理 网络爬虫热门编程语言

Python开发人员的案头常备

编辑推荐

全面涵盖当今应用开发中的众多领域为中级Python开发人员提供杰出实践方法涵盖大量实用的代码案例每章末尾的习题有助于巩固所学知识

想进一步提升Python编程水平？请深入分析真实应用程序中使用的大量相关主题涵盖了正则表达式、Internet/网络编程、GUI、SQL/数据库/ORM、多线程、Web开发了解当前的开发区域，比如Google 、Twitter、MongoDB、OAuth、Python 3迁移、Java/Jython囊括有关Django、Google App Engine、CSV/JSON/XML和Microsoft Office的全新内容。包含Python 2和Python 3代码，以便立即可以使用提供了代码片段、互动案例和实用练习，旨在巩固Python技能

《Python编程快速上手让繁琐工作自动化》

美亚畅销Python编程入门图书

Python3实战指南

带你快速实现Python高效编程

编辑推荐

美亚畅销Python编程图书，帮助你通过编程快速实现工作自动化在本书中，你将学习利用Python编程，在几分钟内完成手工需要几小时的工作，而事先却无需具备编程经验。一旦掌握了编程的基础知识，你就可以毫不费力地创建Python 程序，完成高效的自动化工作，包括：

● 在一个文件或多个文件中搜索文本；

● 创建、更新、移动和重命名文件和文件夹；

● 搜索网页和下载的在线内容；

● 在任意大小的Excel电子表格中更新和格式化数据；

● 拆分、合并PDF文件，以及如何加水印和加密；

● 发送提醒邮件和文本通知；

● 填写在线表格。本书的作者Al Sweigart是一位杰出Python程序员,他还是《Python 密码学编程》、《Python游戏编程快速上手》和《Python 和Pygame 游戏开发指南》的作者。

《“笨办法”学Python(第3版)》

尽享5小时的完整视频教程

跟着数十万人的Python导师学Python编程入门基础教程

为Web开发实战 数据分析打下坚实基础

编辑推荐

Zed Shaw完善了这个堪称世上*好的Python学习系统。只要跟着学习，你就会和迄今为止数十万Zed教过的初学者一样获得成功。

在这本书中，你将通过完成52个精心设计的习题来学会Python。阅读这些习题，把习题的代码精确地写出来（禁止复制和粘贴！），修正你的错误，观察程序的运行。在这个过程中，你将了解软件是如何工作的，好的程序看起来是什么样子，怎样阅读、编写、思考代码，以及如何用专业程序员的技巧来找出并修正错误。*重要的是，你将学到下面这些编写优秀的Python软件必需的初始技能。

这本书会让你的每一分钟投入都有回报。Python是世界上*强大、*受欢迎的编程语言之一，很快你就会成为一名Python程序员。

你还可以看Zed的视频！随书附赠的DVD中包含5个多小时激情挥洒的教学内容：一部完整的Python视频教程！

《像计算机科学家一样思考Python 第2版》

学会像计算机科学家一样思考 轻松学Python

编辑推荐

· 如果想要学习如何编程，从Python语言入手是一个很好的开端。本书从基本的编程概念开始，一步步引导读者了解Python语言，再逐渐掌握函数、递归、数据结构和面向对象设计等高阶概念。本书第2版及其辅助代码均已升级，支持Python 3。每章后的练习可以帮助读者加深对刚学的编程概念的理解。本书是高中和大学阶段的学生、自学者，以及需要了解编程基础的专业人士的理想读物。初学者可以在浏览器中学习如何开始Python编程。

· 从基础开始，包括语言的语法和语义。

· 掌握每一个编程概念的清晰定义。

· 循序渐进地学习值、变量、语句、函数和数据结构。

· 了解如何操作文件和数据库。

· 理解对象、方法和面向对象编程。

· 使用各种调试技巧来修复语法错误、运行时错误和语义错误。

· 通过一系列案例研究来探索函数、数据结构和算法。本书的示例代码均在GitHub仓库中维护，读者很容易下载和修改。

《Python高级编程 第2版》

Python进阶教程 机器学习人工智能深度学习开发热门编程语言 web开发与后端工程师参考指南 基于Python3.5撰写

编辑推荐

Python是一门动态编程语言，它简单而又强大，适用于众多领域。尽管编写Python代码比较容易，但是编写高效且易于维护和复用的代码是一个挑战。

本书的重点是让你熟悉zui佳实践、有用的工具以及标准，这都是Python专业人士每天使用的。

首先，你将了解Python 3.5中新增加的功能以及可以提高生产力的快速技巧。接下来，你将学习使用这个新版本中的高-级且有用的Python语法元素，以及实现元编程的不同方法。本书讲解了代码管理工具、编写清晰文档的方法和测试驱动开发，这些都是编写代码的重要因素。通过学习优化的一般原则、查找瓶颈的策略以及应用优化的选定工具，你可以对如何编写高效的代码有更深入的理解。读完本书后，你会成为一名可以编写高效且可维护代码的专家。 通过阅读本书，你将能够： 了解在Python社区中广泛采用的约定和zui佳实践； 高效打包Python代码，以便将其应用于社区和生产； 应用在远程系统上自动化部署代码的简单且轻量的方法；提高代码的质量、可靠性及性能； 在Python中编写并发代码； 使用其他语言编写的代码来扩展Python。

《精通Python自然语言处理》

用Python开发令人惊讶的NLP项目自然语言处理任务

掌握利用Python设计和构建给予NLP的应用的实践

编辑推荐

自然语言处理（NLP）是有关计算语言学与人工智能的研究领域之一。NLP主要关注人机交互，它提供了计算机和人类之间的无缝交互，使得计算机在机器学习的帮助下理解人类语言。本书详细介绍如何使用Python执行各种自然语言处理（NLP）任务，并帮助读者掌握利用Python设计和构建基于NLP的应用的zui佳实践。本书引导读者应用机器学习工具来开发各种各样的模型。对于训练数据的创建和主要NLP应用的实现，例如命名实体识别、问答系统、语篇分析、词义消歧、信息检索、情感分析、文本摘要以及指代消解等，本书都进行了清晰的介绍。本书有助于读者使用NLTK创建NLP项目并成为相关领域的专家。 通过阅读本书，你将能够:

● 实现字符串匹配算法以及标准化技术；

● 实现统计语言建模技术；

● 深刻理解词干提取器、词形还原器、形态分析器以及形态生成器的开发；

● 开发搜索引擎并实现词性标注和统计建模（包含n-gram方法）等相关概念；

● 熟悉诸如树型库建设、CFG建设、CYK以及Earley线图解析算法等相关概念；

● 开发基于NER的系统并理解和应用情感分析的相关概念；

● 理解并实现信息检索和文本摘要等相关概念；

● 开发语篇分析系统以及基于指代消解的系统。

《Python机器学习实践指南》

直接上手的教学内容

身临其境的写作风格

轻松掌握机器学习实战知识

应用高级机器学习方法解决日常问题

编辑推荐

机器学习正在迅速成为数据驱动型世界的一个bi备模块。许多不同的领域，如机器人、医学、零售和出版等，都需要依赖这门技术。通过阅读Python机器学习实践指南 ，你将学习如何一步步构建真实的机器学习应用程序。 Python机器学习实践指南以通俗易懂，简洁明了的方式，教你如何使用机器学习来收集、分析并操作大量的数据。通过易于理解的项目，本书讲解如何处理各种类型的数据、如何以及何时应用不同的机器学习技术，包括监督学习和无监督学习。本书中的每个项目都同时提供了教学和实践，你将学习如何使用聚类技术来发现低价的机票，以及如何使用线性回归找到一间便宜的公寓。

Python机器学习实践指南

适合的读者包括了解数据科学的Python程序员、数据科学家、架构师，以及想要构建完整的、基于Python的机器学习系统的人们。 通过阅读Python机器学习实践指南 ，你将能：

·了解Python机器学习的生态系统；

·了解如何执行线性回归；

·机器视觉概念的介绍； ·高级数据可视化技术；

·如何使用第三方API，部署机器学习模型； ·时间序列的建模技术； ·如何构建无监督模型。

《用Python写网络爬虫》

用Python进行数据处理和数据挖掘的代表著作

剖析网络爬虫技术的实现原理

精通Python网络爬虫实战

编辑推荐

作为一种便捷地收集网上信息并从中抽取出可用信息的方式，网络爬虫技术变得越来越有用。使用Python这样的简单编程语言，你可以使用少量编程技能就可以爬取复杂的网站。

《用Python写网络爬虫》作为使用Python来爬取网络数据的杰出指南，讲解了从静态页面爬取数据的方法以及使用缓存来管理服务器负载的方法。此外，本书还介绍了如何使用AJAX URL和Firebug扩展来爬取数据，以及有关爬取技术的更多真相，比如使用浏览器渲染、管理cookie、通过提交表单从受验证码保护的复杂网站中抽取数据等。本书使用Scrapy创建了一个高级网络爬虫，并对一些真实的网站进行了爬取。

《用Python写网络爬虫》介绍了如下内容：

通过跟踪链接来爬取网站；

使用lxml从页面中抽取数据；

构建线程爬虫来并行爬取页面；

将下载的内容进行缓存，以降低带宽消耗；

解析依赖于JavaScript的网站；

与表单和会话进行交互；

解决受保护页面的验证码问题；

对AJAX调用进行逆向工程；

使用Scrapy创建高级爬虫。

本书读者对象 本书是为想要构建可靠的数据爬取解决方案的开发人员写作的，本书假定读者具有一定的Python编程经验。当然，具备其他编程语言开发经验的读者也可以阅读本书，并理解书中涉及的概念和原理。

《Python面向对象编程指南》

掌握Python面向对象编程的精髓

构建强大的实际应用程序

编辑推荐

本书致力于深入讲解Python语言的高级特性，通过丰富、强大的代码示例为读者循序渐进地讲解如何编写高质量的Python代码。本书可谓是成就Python编程高手的必读之选。本书通过实际的例子对Python中面向对象编程的理念进行介绍。针对所有可用于和Python内置功能进行无缝结合的特殊方法，本书都提供了详细示例，并且介绍了如何使用JSON、YAML、Pickle、CSV、XML、Shelve和SQL来创建持久化对象以及在进程间传输对象。本书还介绍了Logging和Warning模块、单元测试、配置文件以及如何使用命令行。

本书主要分为3个部分：

用特殊方法实现Python风格的类；持久化和序列化；测试、调试、部署和维护。

特殊方法部分又分为：

初始化方法、基本特殊方法、属性访问、可调用对象、上下文、容器、集合、数值，以及装饰器和mixin类等高级技术。本书示例丰富，通过诸多实际的例子对Python中面向对象编程的理念进行介绍，有利于读者更好地掌握Python的高级特性，编写成更好的实际应用程序。

《NLTK基础教程 用NLTK和Python库构建机器学习应用》

NLTK和Python库构建机器学习应用

编辑推荐

自然语言处理（NLP）属于人工智能与计算机语言学的交叉领域，处理的是计算机与人类语言之间的交互问题。随着人机交互需求的日益增长，计算机具备处理当前主要自然语言的能力已经成为了一个必然趋势。NLTK正是这一领域中一个强大而稳健的工具包。 在这本书中，我们首先会介绍一些与NLP相关的知识。然后，我们会探讨一些与数据科学相关的任务，通过这些任务来学习如何从零开始构建自定义的标识器和解析器。在此过程中，我们将会深度探索NLP领域的基本概念，为这一领域各种开源的Python工具和库提供具有实践意义的见解。接下来，我们将会介绍如何分析社交媒体网站，发现热门话题，进行舆情分析。zui后，我们还会介绍一些用于处理大规模文本的工具。 在阅读完本书之后，您将会对NLP与数据科学领域中的概念有一个充分的了解，并能将这些知识应用到日常工作中。如果您是NLP或机器学习相关领域的爱好者，并有一些文本处理的经验，那么本书就是为你量身定做的。此外，这本书也是专业Python程序员快速学习NLTK库的理想选择。

通过本书，你将学会：

■ 了解自然语言的复杂性以及机器对它们的处理方式。

■ 如何利用标识化处理手段清理文本歧义，并利用分块操作更...

作者：Matthew Mayo

编译：keiko，万如苑，松清波

我们在这篇文章中推荐了10本学习机器学习和数据科学的书，让你的秋季阅读计划顺利扬帆起航。

关键词：Books, Data Science, ebook, Free ebook, Machine Learning

还有什么比免费的机器学习和数据科学读物更适合用来享受秋天的呢？

下面的免费书单中从统计学基础知识，到机器学习的基本概念，再到更重点的大框架内容，对于高深的话题也有所涉猎，最后以一本总结性的书结尾。既有经典名著，也有当代的作品，希望你能在其中找到一些有趣的新内容。

1

用统计学的方式思考

Think Stats: Probability and Statistics for Programmers

作者：Allen B. Downey

《用统计学的方式思考》是为python的程序员设计的一本概率论和数理统计知识的入门书籍。

本书主要介绍了剖析真实数据集和解决有趣问题的简单方法。这本书的案例使用的是美国国家卫生研究院的数据，并鼓励读者使用真实的数据集做项目。

地址：

http://greenteapress/thinkstats/

2

概率编程与贝叶斯方法

Probabilistic Programming & Bayesian Methods for Hackers

作者：Cam Davidson-Pilon

一本介绍贝叶斯方法和概率编程的入门教程，主要是从对编程的理解出发，数学知识其次。

贝叶斯方法是概率推理中一种很实用的方法，在这本书当中，贝叶斯方法一直隐藏在一章章慢慢的数学分析的背后。贝叶斯推理的典型内容包含两到三章概率论知识，然后再介绍贝叶斯推理。可惜的是，由于大多数贝叶斯模型的数学难度太高，这本书中只为读者介绍了简单和虚构的例子。这会让读者小看贝叶斯推理。而事实上，这是因为作者自己的偏好导致的。

来源：

http://camdavidsonpilon.github.io/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/

3

理解机器学习

Understanding Machine Learning: From Theory to Algorithms

作者：Shai Shalev-Shwartz and Shai Ben-David

机器学习是计算机科学中发展最快的领域之一，有着深远的实际应用。这本书有条理的介绍了机器学习，以及相关的典型算法。这本书既介绍了机器学习的一些基本概念，也介绍了将这些概念转化为实际算法的数学推导。在介绍了基本概念之后，这本书也覆盖了一些之前的教科书中所没有涉及过的重要主题，包括模型算法的复杂度和凸性，稳定性的概念；重要的算法范例包括随机梯度下降法，神经网络模型，和机构化预测法；还有新兴的理论概念比如PAC-贝叶斯法和compression-based bounds(压缩界限法)。

来源：

http://cs.huji.ac.il/~shais/UnderstandingMachineLearning/

4

统计学习精要

The Elements of Statistical Learning

作者：Trevor Hastie,Robert Tibshirani，etc

这本书用常用的概念框架解释了统计领域中的重要概念。虽然是用的统计学方法，但是重点在概念的解读而不是数学运算。书中给出了很多例子，也用了很多彩图。对数据挖掘感兴趣的人和统计学家来说都会是很有价值的资源。这本书涵盖的知识很广，从监督学习到非监督学习都有涉猎。众多的话题中包括神经网络模型，支持向量机，以及最全面关于分类树及推算话题的介绍。

来源：

http://statweb.stanford.edu/~tibs/ElemStatLearn/printings/ESLII_print10.pdf

5

统计学习及其在R中的应用

An Introduction to Statistical Learning with Applications in R

作者：GarethJames,DanielaWitten,etc

这本书介绍了一些统计学习的方法，是为非数学专业高水平的本科生，研究生和博士生设计的。这本书也包含了一些R语言的练习题和如何在现实中应用统计模型的详细说明，对于新入行的数学科学家来说是非常有价值的资源。

来源：

http://www-bcf.usc.edu/~gareth/ISL/

6

数据科学基础

Foundations of Data Science

作者：Avrim Blum, John Hopcroft,etc

虽然计算机科学的传统领域依然很重要，未来，更多的研究者会集中于用电脑从应用的大量数据中提取有用信息，而不是只是解决一些确定的问题。考虑到这一点，我们在这本书中涵盖了未来40年可能会有用的理论，就像自动控制原理，算法和相关主题在过去的40年给予学生的巨大帮助一样。

来源：

https://cs.cornell.edu/jeh/book.pdf

7

给程序员的数据挖掘指南：

数字迷宫的艺术

A Programmer's Guide to Data Mining: The Ancient Art of the Numerati

作者：Ron Zacharski

这本书奉行的是边干边学的方法论。我希望你能用我提供过的Python代码实践书中的练习和实验，而不仅仅是被动的阅读。我希望你会积极主动的尝试不同的数据挖掘方法。这本书由一系列互相贯通的小分支组成，当你读完这本书的时候，你就为理解数据挖掘技术奠定了夯实的基础。

来源：

http://guidetodatamining

8

大数据·互联网大规模

数据完觉与分布式处理

Mining of Massive Datasets

作者：Jure Leskovec, etc

这本书是基于斯坦福大学的计算机科学课程 cs246（海量数据挖掘）和 CS345A （数据挖掘）而撰写的。

这本书，正如这门课程一样，是为计算机科学的本科生设计的，并没有任何先修课程的要求。为了鼓励读者进行更深的探索，绝大部分的章节后面都补充了参考文献以供深层次的阅读。

来源：http://mmds.org

9

深度学习

Deep Learning

作者：Ian Goodfellow, Yoshua Bengio and Aaron Courville

《深度学习》这本书是为了帮助学生和相关从业人员进入一般而言的机器学习领域，尤其是深度学习而设计的。这本书的在线版本现已完结，并会长期免费开发。

来源：

http://deeplearningbook.org

10

对机器学习的渴望

Machine Learning Yearning

作者：Andrew Ng

人工智能，机器学习和深度学习正在改变着数不胜数的行业。但是建立一个机器学习系统需要你在实际中做出下面的决定：

应该要收集更多的训练数据吗？应该使用端对端的深度学习吗？如何处理与测试集不对应的训练集？

……

在以前，做出上述战略性决定的唯一方法是花几年时间去读研究生或者去公司里学习。我写这本书的目的是帮助你快速掌握做上述决定的能力，使你可以在人工智能系统方面做得更好。

来源：

http://mlyearning.org

相关阅读

数据网热爱好者的十本必读书： http://kdnuggets/2016/04/top-10-essential-books-data-enthusiast.html开启数据科学或者大数据职业生涯的5本必读书： http://kdnuggets/2016/08/simplilearn-5-free-ebooks-data-science-big-data.html开启机器学习事业的5本必读书： http://kdnuggets/2016/10/5-free-ebooks-machine-learning-career.html

来源：http://kdnuggets/2017/04/10-free-must-read-books-machine-learning-data-science.html

大家好，我是王桐。

我演讲的题目是：如何打造具备深度业务价值的大数据应用。

要想做到一个非常完整、成功的数据分析项目，不管我们是处在什么样的领域和行业当中，要想让这个项目取得比较好的成功和效果，它一定是在平台和应用两个方面同时发力。

平台和应用相辅相成，互相去促进和提升，才能够达到效果。

有好的平台，但是没有好的业务场景，没有好的前端应用的实现，这个项目的价值不会得到很深度的挖掘。

同样的，如果有好的应用场景的想法和设计，但是底层的平台能力和性能不能得到很好的提升，这个场景设计也不能比较好的落地。

所以平台和应用，是缺一不可的。

前面我们已经谈得比较多的，关于平台的一些展望，和我们永洪在平台上面的一些新进展，可以看到我们在平台上不断投入和发力，不断向前演进和提升平台能力。

我们永洪在过去一年中，又取得了怎么样的进展？我们最新的一些思考和洞察，有哪些可以值得分享的内容？

一、数据必须对业务和管理带来增长和提升才有价值

其实从我们公司角度来讲，对于一个大数据的项目是否成功的判断标准，其实是比较严苛的。

数据必须为业务和管理带来了增长和提升，才能说明这个数据是真正有价值的，只有这个数据真正产生了价值，我们才能说这个项目取得了成功。

所以，这个数据是否有价值，以及项目是否成功，它的判断标准，并不是服务器数量非常多，或者是数据量非常大，或者是前端的报表非常漂亮。

价值是否真正产生了，才是项目是否成功的评判标准。

并且这一条是否达成了，并不取决于我们或是甲方的科技部，而是甲方真正用到这个数据应用的最终使用用户。

无论他是决策层，还是一线使用用户，他点头认可了，确实说明我们这个数据对他的业务有不小的帮助，我们才能说这个有价值，这是我们的原则。

以前，为了做到这样的水平，很多企业是如何进行的呢？

根据我们走访的很多企业可以看出，数据应用的现状基本上都有这样一些问题。

1.零散

当前绝大部分的企业数据应用的现状，都是一些零散、固定的基础报表，也没有太多分析的功能。

所谓零散的报表，是说它的报表内容非常零散，内容跟结构都是有比较严重的分割，主要是靠目录把这些报表编排到一起。

像比较大的企业，有好几百甚至上千个报表，这不是靠业务逻辑串起来的，而是靠目录串起来的。这是非常零散的报表内容的呈现。

2.固定

此外，它呈现出来的内容，相对来说都是比较固定的，它的灵活性是有一定欠缺的。这种欠缺会带来的影响就是，效率不会很高。

从需求的提出到实现，需要打破的固定模式非常多。

3.缺少分析功能

报表以统计和结果展示偏多，真正跟业务结合起来的分析，其实几乎是没有的。

所以这就是当前企业数据应用的现状，而这种数据应用的现状，还会映射出更本质、更严重的问题，就是业务。

数据应用都是这样零散的，不成体系的，也就意味着我们的同事们的工作方法和业务指导也是没有成体系的，这对于企业业务目标的达成会有一些负面的影响。

对于我们IT和数据部门来讲，就会疲于这种零散的报表，而不能开展比较有高价值的工作。

二、具备深度业务价值的数据应用需要包括四个层级

要想做到打造深度价值的数据应用，它至少应该包括四个层级的能力。

由上往下它的层级是逐渐深化的，分别是结果监控、问题诊断、决策支持和智能预测。

1.结果监控

这是目前是绝大部分企业所处的层级，这个层级是最简单的。

需要完整疏理核心关注点和业务目标，然后把这些结果放在合适的驾驶舱上面，并且让它及时准确去监控业务的状况。当出现问题的时候，可以自动进行一些预警提示。

只要做到这些，第一个层级就算达成了。

在结果监控的层级里面，是需要不断去看结果指标的。

有时候这个结果是好的，有的时候这个结果可能是有问题的，比如利润下滑了，或者收入没有达到预期。

这个预期无论好与不好，我们都需要精准去了解这背后的原因是什么，好也要知道怎么去复制推广，不好也要去快速了解这个问题到底出在哪儿？要想做到这个就到了下面的问题。

2.问题诊断

我们要结合客户的场景业务逻辑，不断把这个数据组织起来，并且进行细分，去层层分析业务当中的关键点到底是出现了什么样的问题，最后找到解决这个问题的答案。

快速定位出这个问题以后，就可以形成一些业务的行动。

比如老板召集大家开一个会议，或者拍一下桌子，或者鼓励大家解决这个问题，其实这种解决问题的办法不是很有效的。我们需要进行快速诊断的问题。

3.决策支持

再往下就是真正的决策支持。为什么我会特别强调“真正的”这三个字？

是因为过去我们发现，其实有非常多的项目，它的名称叫某某企业数据决策支持系统。实际上，它做的是管理驾驶舱，它做的是第一层级，即结果监控。

它并没有真正做到决策支持。当我们去问它，您做这个看板，都用来决策什么的时候？

他首先的反应是会懵一下，他没有考虑这个问题，他只是看这个数据，他对于本身这个问题并没有仔细思考过。

可想而知，这样做出来的怎么可能是一个真正的决策支持？一个真正的决策支持它是长什么样的？后面我们直接拿一个例子来分析。

4.智能预测

在前面AI的主题里面分享的比较多，我就不再过多赘述了，主要是一些业务案例，业务点和查看背后逻辑的效果。

所以一个数据应用要想具备深度的业务价值，应该至少包括以上这四个层级。

三、实例分析数据应用的四个层级

我们用实例来讲解一下上述的四个层级。

1.展示结果、进行对比

第一个层级结果监控，其实最简单。

这是我们做的一个CFO监控看板，这是最简单的，只需要把我服务的业务对象，他的关注点，公司考核他的KPI，以及他今年工作任务目标是什么，把这些指标化，集中展示出来，这就已经做到了机构监控。

做得再好一点，因为我们数据科学研究院在做微观的数据分析方法论的时候，也总结了一些口诀，熟悉我们的老朋友知道，有一个口诀就是“做判断用对比”。

比如我发现我整体销售额是6000万，或者60亿，我第一个首先要做个判断，6000万到底是高了还是低了？我怎么做判断？

肯定要通过对比曲线做判断，所以更好的结果监控，除了展示我的结果以外，还要展示各种各样横向纵向的比较。

还要有行业数据，还可以看在这个行业的排名变化，通过这些比较，看出结果到底好还是不好，有多好或者有多不好，这是做到了一个结果监控。

随着我们平台能力的不断加强，其实我们跟AI的融合有了更多的演进，所以可以看到右上角，它会自动生成一段文字，把业绩体现和财务状况显现出来，可以做出更好的客户体验。这是结果监控。

2.进行问题诊断的两个案例

以销售为例，一个 2B 销售负责人，他最关心的结果是合同额够不够？收款额够不够？这个季度的任务完成率够不够？还有我这个季度已经完成了，接下来我未来的储备够不够？

我给销售的负责人做结果监控，帮我去诊断每一个结果里面问题的原因到底是什么。

所以合同额、收款、完成率和未来商机储备，再分别展开，分别可以展开四个不同问题诊断的体系。时间有限我们只举其中第一个例子。

这个合同额如果不够，这个结果不好，我怎么去诊断这个问题？

还是根据永洪数据科学研究院通过大量项目的研究，总结出来的方法，就是分两步：

先保持结果指标不变，先在维度上做细分，把有问题的业务实体找到。在有问题的业务实体上面，把过程指标细分，找到到底哪个环节出了问题。然后会看到根据这个方法论，其实不管是销售、财务还是生产，其实背后的道理都是一模一样的，这也是我们在跨行业、不同行业项目当中不断总结提炼所带来的一些好处，就是行业的相关性。

这样我们看单个行业的角度，可能会站在更高格局和视野上。

2.1 如何解决合同额不足的问题？

围绕刚才说的两个步骤，合同额不够，结构指标保持不变，我们在维度额做一些改变，到底是哪些团队，哪些销售，在哪些区域卖的产品合同额不够？我们在不同的维度深化，把这个事情做一个细分。

有些维度可能有一些层级关系，比如销售团队和销售，这可能是上下层关系。

有些维度是交叉关系，比如销售和产品是交叉关系，每个销售都可以卖这个公司的五个产品线。最后在维度上找到一个原因，就是整体这个季度的销售额做得不好，有A、B两个产品的时候，导致最后这个整体没有完成。

这个问题的业务对象得到了一个有效的聚焦以后，接下来我的人力、物力投放就会比较简单了，因为我们公司有两百个销售，不是所有人都没有完成，如只是8个人没有完成，导致不好。

因为合同额是最后一步，不是采取一个业务行动马上就得到结果的。

我前面有一系列的业务过程，每个业务过程我都要用一些合适的指标去评价和监控，让我知道哪个环节上出现了问题。

我看这两个团队的销售，是他们销售机会不够多，还是他的赢单率不够高，还是他的客单价不够高，还是说他做得已经很好了。

如果是销售机会不够多，我后面还可以再进一步去展开，是我的市场部门贡献的线索不够多，还是他的线索转化率不够高，还是我销售自己跑的机会不够多？

这里面又分为是新客户拓展不够，还是老客户挖掘不够，还是我代理商贡献不够多？我可以细到业务系统里面最原始的字段，比如可以分析到底是新客户拓展不够多，还是老客户挖掘不够多。

经过这种过程的细分，最后我得到的结果是，这8个销售里面有3个销售，老客户商机挖掘不够多，导致没有完成指标。另外5个销售是级别不够高，客单价不够高，导致结果不好。

这样我就非常明白问题所在了，这样我就不用每天开动员会了，我可以非常精准地把前三个销售召集起来，把老客户的名单发给他们，希望他们这两周什么都不用干，就把他们老客户跑一遍。

通过这种业务行动，让这个问题得到好转，慢慢这个问题可能就不存在了。另外五个销售可能也是一样，采取具体的业务行动，这样就形成了从数据到业务改善的一个闭环。

最终就会发现，从量变到质变，细枝末节，也就是这个叶子节点上的问题如果都不存在，最后这个结果一定是很好的。

2.2 如何解决产品交期的可控性？

制造业中产品交期是一个非常重要的概念，产品交期不可控是非常可怕的事情。这个产品交期，其实跟我们做一个项目的验收期有一个类似的概念。

产品交期如果比较长，出了问题，这个时候也跟刚才一样，我先在维度上找原因，到底哪个产品线交期比较长？

再在过程上细分，交期整个环节里面分了好几个流程，有不同周期，到底是置办周期比较长，还是采购周期比较长，还有这个节点对应的责任人是谁？我们把这个具体问题查找出来。

同样的，把它按照刚才从左到右的顺序，分别把它做成几级不同页面展示。

比如第一层页面我是先展示到底哪个产品线交期比较长，第二个页面、第三个页面对应着哪些步骤，责任人是谁？这样信息就非常清晰了。

因为一些复杂的企业，我们做数据盘点的时候，动辄就会出现几百个指标和几十个维度，我们不可能在这几百个指标和几十个维度里去找，一定是我帮它梳理好。

让员工在做某一个具体业务的时候，不用海量的大海捞针那样去完成工作。

3.什么叫“真正的”决策支持？

再往下是决策支持。我们还是以制造业为例子，为了把这个产品周期做好，要求整个企业的协同一起配合，这不只是生产部门的责任，供应链也在其中。什么叫真正的决策支持？

首先要强调的是，决策绝对不是只有企业的高层才去关注的事情，一个一线的业务人员，每天同样有非常多的事情需要做决策。

假设我是企业的采购经理，每天上班之后，我有什么事情是要反复去思考，去做决策的？

如，今天一上班，我就要想今天有哪些商品号或者物料，今天就需要下采购订单，否则我的生产或者销售就来不及了。

我应该下给哪家供应商？因为有A、B、C三家都可以供货。我应该下多少数量？肯定是一批一批下的，这次应该下多少量。

然后这个供应商有多大可能会晚交货。这是我每天都会想无数次的问题，以前我是怎...

大数据文摘出品

编译：李雷、笪洁琼、云舟

在过去几年中，如果你打开过浏览器，那么你肯定看到过几百回“神经网络”这个词。

在这篇短文中，我将为你初步介绍这一领域和神经网络本身的背景信息。接下来的5分钟可能不会让你迅速成为这个领域的世界级专家，但让你经历一个意义非凡的入门阶段却是很简单的。另外，你还将学习到一些流行术语（尤其是按文后的清单做进一步阅读），这可以成为你茶余饭后的谈资。

什么是机器学习？

要理解神经网络，我们首先需要懂机器学习。而为了理解机器学习，我们就得先谈谈人类学习，或者“经典编程”。

在经典编程中，我，也就是开发人员，需要弄明白我正在试图解决的问题的各个方面，并确切地知道怎样找到解决方案。

例如，假设我希望我的程序知道正方形和圆形之间的区别。解决这个问题的其中一种方法是编写一个可以检测边角的程序。如果我的程序检测到4个角，那么这个形状是一个正方形，如果它检测不到任何角，那么这个形状就是一个圆。

那么机器学习又是啥？一般来说，机器学习=从例子中学习。

在机器学习中，当面对上文区分圆和正方形的问题时，我们将设计一个学习系统，将许多形状及其类别（正方形或圆形）的例子作为输入，从而希望机器能够自己学习可以用来区分形状的特征。

然后，一旦机器学会了所有的特征，我们就可以给它一个以前没出现过的图像，并且希望它能够正确地对其进行分类。

什么是神经元？

在神经网络的背景下，神经元是一个奇妙的名词，“聪明”的人不愿用函数（function）这个朴素名字。当然，在数学和计算机科学的背景下，函数（function）也是一个奇妙的名称，它接收输入，实现处理逻辑并输出结果。

更重要的是，神经元可以被认为是一个学习单元。

因此，我们需要在机器学习的背景下理解什么是学习单元。之后我们就可以理解神经网络最基本的构造，即神经元。

为了阐述这个问题，假设我试图理解博客文章中单词数量与人们实际从该帖子中读到的单词数量之间的关系。请注意 - 我们是在机器学习领域做这件事，因此我们要从例子中学习。

所以我在博客文章中收集了许多单词数统计的实例，用x表示，以及人们在这些帖子中实际阅读了多少单词，用y表示，我假设它们之间存在一定关系，用f表示。

这件事情的神奇之处在于，我只需要告诉机器（程序）我期望看到的关系（例如直线）大概是怎样的，机器就会明白它需要绘制的实际图形。

那我在这里又得到了什么？

下一次，我想要写一篇有x个单词的博客文章，机器可以运用它发现的关系f来告诉我，我可以预期人们实际阅读的单词数量，y。

所以，神经网络是......

好，如果一个神经元是一个函数，那么神经网络就是一个函数网络！这意味着我们有许多（很多）这样的函数和这样的学习单元，它们的所有输入和输出是相互交织的，就是说他们互为输入输出。

作为这个网络的设计者，我需要回答以下问题：

如何为输入和输出建模？（例如，如果输入是一些文本，我可以用字母建模吗？那数字和向量呢？...。）每个神经元有哪些功能？（它们是线性的吗？还是指数型的？...）网络的架构是什么？（也就是说，哪个函数的输出是哪个函数的输入？）我可以用哪些流行术语描述我的网络？

一旦我回答了这些问题，我就可以向我的网络“展示”许多正确的输入输出的例子，这样当我“展示”给它一个它以前从未见过的新示例输入时，它就会知道正确的输出。

你也可以访问神经网络游乐场这个超级酷的网站，从而更好地理解这个过程意味着什么。

神经网络游乐场：

https://playground.tensorflow.org/

神经网络 - 永无止境的故事

由于这个领域实际上在不断膨胀，每分钟出现的新内容的数量对任何人来说都是不可能跟踪的。（不知道会不会有朝一日我们能够建立一个能够追踪人类在AI领域进步的AI）

进入这个领域，首先要知道的是没有人知道一切。所以你不用担心自己不如他人，只要保持好奇心就好了。:)

因此，推荐一些比较优秀的资源：

Gal Yona，在这个领域非常棒的博主之一。她的帖子包括从核心技术的解释到半哲学的评论。

核心技术的解释：

https://towardsdatascience/do-gans-really-model-the-true-data-distribution-or-are-they-just-cleverly-fooling-us-d08df69f25eb

到半哲学的评论：

https://towardsdatascience/the-tale-of-1001-black-boxes-62d12b5886aa

Siraj Raval 是一个拥有大量视频的油管博主（youtuber），从理论解释到动手教程都非常有趣！

理论解释：

https://youtube/watch?v=xRJCOz3AfYY

动手教程：

https://youtube/watch?v=pY9EwZ02sXU

Christopher Olah，一位充满激情和洞察力的研究员，拥有一个超炫的博客，其中包括从基本概念到深度学习的帖子。

从基本概念：

http://colah.github.io/posts/2015-09-Visual-Information/

深度学习：

https://distill.pub/2017/feature-visualization/

《走向数据科学》是这个领域最大的中型出版物，无论你有几分钟或几小时的时间，都可以去他们的主页开始探索一切，从实用工具到深度算法应有尽有。

走向数据科学：

https://towardsdatascience/

相关报道：

https://medium.freecodecamp.org/neural-networks-for-dummies-a-quick-intro-to-this-fascinating-field-795b1705104a

不久前我们推出的《推荐算法不够精准？让知识图谱来解决》以及《如何将知识图谱特征学习应用到推荐系统？》系列文章受到了同学们的广泛欢迎。大家对推荐系统以及与之相关的、底层的数据挖掘技术非常关注。

为了帮助小伙伴们更好地学习相关内容，我们邀请微软亚洲研究院社会计算组研究员张富峥为大家推荐了六本数据挖掘领域的经典书籍，既涵盖了数据挖掘的概念、算法等基础知识，又包含了数据挖掘在不同子领域的具体应用。一起来看看吧！

一、基础篇

主要目标：帮助大家了解数据挖掘领域的基本概念、代表性算法和评估技术，比如数据的关联分析、分类及聚类算法等，为大家之后进一步学习数据挖掘知识、深入进行科研或在实际场景中应用奠定基础。

1. Introduction to Data Mining

作者：Pang-Ning Tang、Michael Steinbach、Vipin Kumar

中文译名：数据挖掘导论（完整版）

推荐指数：★★★★★

主要内容：本书内容涵盖了数据挖掘的方方面面，从什么是数据挖掘、什么是数据以及数据预处理的方法，到具体的数据挖掘算法，比如分类、关联分析、聚类、异常检测等，从基本的定义入手，由浅至深地帮助读者透彻地理解数据挖掘的基础。书中使用大量的图表、综合示例、关键算法的简洁描述等，尽可能地直接聚焦于数据挖掘的主要概念。

推荐理由：本书是明尼苏达大学和密歇根州立大学数据挖掘课程的教材，是数据挖掘领域经典的入门教程。本书内容浅显易懂，只要求具备很少的统计学或数学背景知识，略去了各个定理的证明部分，通过枚举大量具体的算法实例来简要说明算法的流程和意义，让初学者可以以最快速度总揽全局，掌握数据挖掘领域的基本要点。

2. Data Mining: Concepts and Techniques

作者：Jiawei Han、Micheline Kamber、Jian Pei

中文译名：数据挖掘：概念与技术（原书第三版）

主要内容：本书是最新的第三版，主要从数据库角度全面系统地介绍了数据挖掘的基本概念、方法、技术以及技术的研究进展，并且重点关注了数据挖掘领域最新的技术和发展，介绍了社会网络挖掘、流数据挖掘和数据立方体计算等最新的研究方法，并探讨了数据挖掘方法在金融等领域的应用。书中引入了许多算法和实现实例，以易于理解的伪代码编写，适用于实际的大规模数据挖掘项目。

推荐理由：本书是一本非常优秀的数据挖掘教材，更是数据挖掘领域具有里程碑意义的经典著作。它不仅详尽讲述了数据挖掘的基本概念和方法，又具有一定的深度，介绍了数据挖掘领域近年来最新的课题。它结构合理、调理清晰，每一章都针对关键专题有单独的指导，并且只要求读者具备少量的编程经验以及了解基本的数据和统计分析方向的知识。

二、 应用篇

主要目标： 在大数据时代，数据的形式多种多样，在不同科研领域、商业背景、产业类型中的应用也十分丰富。这里我们通过四本书来为大家介绍数据挖掘的方法和思想在三个不同的子领域中的具体应用，帮助大家了解数据挖掘领域最前沿的热门研究方向和应用场景，为大家把握科研或工程的方向提供参考。

1. Recommender Systems: An introduction

作者：Dietmar Jannach、Markus Zanker、Alexander Felfernig、Gerhard Friedrich

中文译名：推荐系统

推荐指数：★★★★★

主要内容：本书比较全面地介绍了推荐系统涉及的相关知识点，呈现了许多经典算法，并讨论了如何衡量推荐系统的有效性。书中内容分为基本概念和最新进展两部分：前者涉及协同推荐、基于内容的推荐、基于知识的推荐、混合推荐方法，推荐系统的解释、评估推荐系统和实例分析；后者包括针对推荐系统的攻击、在线消费决策、推荐系统和下一代互联网以及普适环境中的推荐。

推荐理由：本书内容详尽，广泛涵盖了不同类型的推荐系统，并对这些推荐系统逐一进行了细致地剖析，并辅以实际应用案例的介绍，适合想要了解推荐系统的基础和相关研究的读者作为推荐系统的入门书籍。书中包含了大量的图、表以及示例，有助于读者理解和把握相关知识。

2. Recommender Systems: The Textbook

作者：Charu C. Aggarwal

推荐指数：★★★★☆

主要内容：本书详尽地介绍了推荐系统的方方面面，可以大致地被分为三个部分：“算法和评估”部分探讨了推荐系统中的基础算法，包括协同过滤的方法、基于内容的方法、基于知识的方法、集成方法以及推荐系统的评估方法；“特定领域和上下文下的推荐系统”部分介绍在如时间空间数据、社交数据、标签数据以及信用度数据等不同的上下文场景数据中如何进行推荐；“高级的主题和应用”部分介绍了和推荐系统的鲁棒性相关的内容，如先令系统、攻击模型以及相应的防御模型。

推荐理由：这是一本非常优秀的推荐系统教科书，它不仅用简单的语言阐述了推荐系统的基础，深入地介绍了核心算法的概念以及数学论证，还为读者提供了第三方工具或框架使用时需要查询的大量资料。它对于推荐系统的基础、具体应用和相关文献进行了全面介绍，既适合研究人员作为推荐系统的入门书籍，又适合工业从业人员作为工具参考书。

3. Sentiment Analysis: Mining Opinions, Sentiments,and Emotions

作者：Bing Liu

中文译名：情感分析：挖掘观点、情感和情绪

主要内容：本书主要从自然语言处理的角度全面地介绍情感分析这个主题中的基础算法以及先进的研究技术和科研结果。书中几乎涵盖了情感分析所有的核心领域，在介绍了情感分析的基本概念和多种基本的情感分析场景后，又解读了多个新兴的情感分析主题，比如辩论分析、意图挖掘、假民意检测等，不仅能够让读者了解通常用于表达观点和情感的问题和语言的基本结构，还能帮助读者深入地探究大量观点挖掘和情感分析的算法和系统。

推荐理由：本书是迄今为止观点挖掘与情感分析领域最权威、最全面的著作之一。书中几乎涵盖了情感分析的方方面面，将理论和实践相结合，深入浅出，同时兼顾了领域知识的深度和广度，不仅可以作为刚接触这一领域的学者或开发者的入门教材，又可以作为了解这一领域最前沿研究成果的经典读物。

4. 移动数据挖掘

作者：连德富、张富峥、王英子、袁晶、谢幸

主要内容：本书选取当前学术界和工业界的热点为主题，自成体系，书中以人的轨迹数据，特别是移动社交网络的位置数据为中心，结合人的基本信息及社交网络等相关信息来研究个人与群体的移动模式特性，介绍了移动数据挖掘的基本概念和方法，具体包括移动数据预处理、用户移动模型、用户画像以及兴趣位置推荐等，内容十分新颖。

推荐理由：本书是大数据管理丛书中的一本，书中梳理总结了作者团队过去十年在人群移动数据理解上展开的研究，这些研究经验不仅对于很多实际应用有着重要的价值，也有助于解决一些具有社会意义的科学问题。本书在介绍了移动数据的概念及其价值的同时，还细致地讲解了移动数据领域内的多个前沿研究课题，对于想要深入了解这个领域的学者和工业从业人员是非常好的选择。

看完了书单，还不赶紧挑选几本！

欢迎大家在下方留言区留言，分享你心目中数据挖掘的经典书籍。

你还需要哪个领域的书单呢？也欢迎在留言区告诉我们！

你也许还想看：

【加入我们】

微软亚洲研究院公共关系组招聘平面设计实习生1名。

要求：

就读工业设计、视觉设计、传播设计或其它相关专业；

熟悉微博、微信等社交媒体；

有完整的平面设计作品集呈现；

熟练掌握Adobe Photoshop、Illustrator、InDesign等软件；

关注细节、精确到像素；

具有优秀的沟通和表达能力；

具有基础的书面英语能力；

能全职实习至少3个月。

实习待遇相当丰厚哦，快带上你的简历和作品集加入我们吧！简历作品请投递至：

v-nand@microsoft

感谢你关注“微软研究院AI头条”，我们期待你的留言和投稿，共建交流平台。来稿请寄：msraai@microsoft。

给大家整理一下本年度一些优质的文章，根据大数据相关的知识点一个个整理的，整理的内容包括知识点普及、学习书籍、学习路线图、学习笔记、学习资料、学习视频等等。

AI时代就业指南

未来已来：AI时代就业指南

AI时代就业指南：计算机、统计完全零基础，到底能不能学数据分析？

AI时代就业指南：数据科学人才成长之路

AI时代就业指南：Java 程序员如何转行做大数据？

AI时代就业指南：企业在招什么样的大数据工程师？

AI时代就业指南：女生适合做数据分析吗？

AI时代就业指南：数据挖掘工程师成长之路

AI时代就业指南：数学专业，你看不见的前尘似锦

AI时代就业指南：数据挖掘入门与指南

AI时代就业指南：普通程序员如何转向AI方向

AI时代就业指南：作为大数据从业人员，如何写好一份可堪入目的简历？

大数据

【入门】大数据行业如何入门-书籍、工具、案例（问题集锦）

【工具】2017 年你应该学习的编程语言、框架和工具

【资料】史上最全的“大数据”学习资源（上）

【资料】史上最全的“大数据”学习资源（下）

【路线图】大数据工程师学习路线图

【路线图】2017年最全的数据科学学习计划

【就业】2016年数据科学薪酬大盘点

【学习群】数据挖掘-机器学习

数据分析

【入门】数据分析那些事（数据分析师入门必看）

【职业】数据分析与数据挖掘类的职位必备技能

【职业】与大数据相关的工作职位有哪些？

【路线图】数据分析师学习路线图

【路线图】数据科学学习路线图

【书单】数据分析师的必读书单

【学习群】人人都是数据咖

统计学

【书单】统计学入门经典书单

【视频】大数据统计学基础

【学习群】大数据-统计分析

SQL

【文章】实用SQL语句大全

【笔记】SQL学习点滴合集

【视频】13次课了解sql2008的故事

Python

【教程】python快速教程

【文章】python爬虫实战

【文章】Python-pandas技巧系(量化小讲堂)

【路线图】python学习路线图

【路线图】Python大数据学习之路

【资料】python机器学习入门资料梳理

【视频】Python入门：数据分析与数据挖掘

【课程】Python进阶：数据挖掘实战

【学习群】Python数据挖掘-初级

【学习群】Python数据挖掘-高级

R

【文章】R语言知识体系

【文章】怎样学习R（上、下)

【文章】ggplot2绘图入门系列

【文章】R利剑NoSQL系列文章

【文章】R语言常用数据挖掘包

【路线图】R语言学习路线图

【视频】R学习免费学习视频

【课程】R语言入门

【课程】R语言实战

【课程】机器学习与R语言实践

【课程】R语言量化交易

【工具】全球最火的R工具包一网打尽，超过300+工具，还在等什么?

【学习群】R语言数据挖掘-初级

【学习群】R语言数据挖掘-中高级

Hadoop

【文章】Hadoop学习路线图

【文章】RHadoop实践系列文章

【教程】Spark入门实战系列教程

【课程】大数据实战工具Spark

【学习群】大数据-hadoop-spark

数据挖掘/机器学习

【入门】机器学习和数据挖掘推荐书单

【路线图】R语言学习路线图及R数据挖掘包

【路线图】Python数据分析和数据挖掘学习路线图

【路线图】机器学习路线图

【资料】近200篇机器学习&深度学习资料

【学习群】大数据-机器学习

因文本问题无法嵌入链接，请复制http://ppvke/Blog/archives/27665 至浏览器查看原文

前言书要读懂，先求不懂。 因为很多人私信问我大数据应该读什么书比较好，所以小编特意找了二十本大数据实战可依赖的书籍，想要转职或者深入学习大数据的朋友可以注意了，点赞收藏加转发，鼓励一下小编的良苦用心

1、互联网大规模数据挖掘与分布式处理

作者：Jure Leskovec，Anand Rajaraman，Jeffrey David Ullman

译者：王斌

书号：978-7-115-39525-2

定价：79

页数：388

畅销书全新升级，新增影响与同质性、社交媒体推荐和行为分析等超实用内容

涵盖解决数据挖掘核心问题所用算法，及实际应用数据挖掘所需知识，理论与实现并重

斯坦福大学数据挖掘方向专家Jure Leskovec、Anand Rajaraman、Jeffrey David Ullman重磅力作

http://ituring/book/1561

2、数据挖掘导论（完整版）

作者：Jure Leskovec，Anand Rajaraman，Jeffrey David Ullman

译者：范明 范宏建

书号：978-7-115-24100-9

定价：69

页数：480

本书全面介绍了数据挖掘的理论和方法，旨在为读者提供将数据挖掘应用于实际问题所必需的知识。

本书涵盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都包含两章：前面一章讲述基本概念、代表性算法和评估技术，后面一章较深入地讨论高级概念和算法。目的是使读者在透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量示例、图表和习题。

http://ituring/book/83

3、数据科学实战

作者：Cathy O’Neil，Rachel Schutt

译者：王群锋 冯凌秉

书号：978-7-115-38349-5

定价：69

页数：312

英文原版数据挖掘和算法类畅销书，随机模型类No.1

谷歌、微软、eBay数据科学家通过实际案例分享算法、方法与模型

MIT数学博士后Cathy O’Neil，前谷歌高级统计师、哥伦比亚大学讲师Rachel Schutt力作

http://ituring/book/1193

4、命令行中的数据科学

作者：Jeroen Janssens

译者：王晓伟 刘峰

书号：978-7-115-39168-1

定价：49

页数：188

本书讲解众多实用的命令行工具。无论使用Windows、OS X，还是Linux，都可以安装包含80多个命令行工具的“数据科学工具箱”，迅速创建自己的数据分析环境。

http://ituring/book/1539

5、重新设计互联网

作者：徐立冰

书号：978-7-115-31150-4

定价：59.00

页数：312

“弯曲评论”网站“拨云见日”系列热文加量10倍的强烈之书首次完整呈现。

云计算时代，网络面临怎样的挑战？大数据之下，网络设计应着眼何处？虚拟化的最后1000米你该如何冲刺？OpenFlow、FCoE、LISP、FabricPath、VN-Tag、VPLS、VXLAN

……当所有这一切结合到一起，你将面临怎样的情形？

是时候，重新设计互联网。

通过阅读本书，读者将清楚地了解到如何在云计算与大数据时代构建安全、可靠、高速与灵活的网络。

http://ituring/book/966

5、机器学习入门第一书

作者：杉山将

译者：许永伟

书号：978-7-115-38802-5

定价：49

页数：240

最简单的机器学习入门书，187张图轻松入门

覆盖机器学习中最经典、用途最广的算法

提供可执行的Matlab程序代码

本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种无监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。

http://ituring/book/1371

7、机器学习系统设计

作者：Willi Richert，Luis Pedro Coelho

译者：刘峰

书号：978-7-115-35682-6

定价：49

页数：224

微软Bing核心团队成员推出

聚焦算法编写和编程方式

结合大量实例学会解决实际问题

本书将向读者展示如何从原始数据中发现模式，首先从Python与机器学习的关系讲起，再介绍一些库，然后就开始基于数据集进行比较正式的项目开发了，涉及建模、推荐及改进，以及声音与图像处理。通过流行的开源库，我们可以掌握如何高效处理文本、图片和声音。同时，读者也能掌握如何评估、比较和选择适用的机器学习技术。

http://ituring/book/1192

8、机器学习实战

作者：Peter Harrington

译者：李锐 李鹏等

书号：978-7-115-31795-7

定价：69

页数：332

最畅销机器学习图书

介绍并实现机器学习的主流算法

面向日常任务的高效实战内容

全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。

http://ituring/book/1021

9、R语言入门

作者：Richard Cotton

译者：刘军

书号：978-7-115-35170-8

定价：69

页：360

语言幽默，通俗易懂

完美讲述R 核心组件

示例丰富，快学快用

“这本书读起来感觉棒极了，示例完整清晰，内容通俗易懂，是目前市面上介绍R核心组件最优秀的图书之一。”

——Rebecca Smith，TDX 公司分析经理

http://ituring/book/1187

10、R语言实战

作者：Robert I. Kabacoff

译者：高涛 肖楠 陈钢

书名：978-7-115-29990-1

定价：79

页数：408

本书从解决实际问题入手，尽量跳脱统计学的理论阐述来讨论R语言及其应用，讲解清晰透澈，极具实用性。通读本书，你将全面掌握使用R语言进行数据分析、数据挖掘的技巧，并领略大量探索和展示数据的图形功能，从而更加高效地进行分析与沟通。

http://ituring/book/857

11、Hadoop基础教程

作者：Garry Turkington

译者：张治起

书号：978-7-115-34133-4

定价：65

页数：324

本书着重讲解如何应用Hadoop和相关技术搭建工作系统并完成任务。本书从Hadoop的基本概念和初始设置入手，讲述了如何开发Hadoop程序，如何在数据规模增长的时候维持系统运行，涵盖有效使用Hadoop处理实际问题所需用到的全部知识。

http://ituring/book/1168

12、Hadoop实战

作者：Chuck Lam

译者：韩冀中

书号：978-7-115-26448-0

定价：59

页数：268

经典畅销书，广受赞誉

揭开云计算的神秘面纱

深入分析，追本溯源

本书分为3个部分，深入浅出地介绍了Hadoop框架、编写和运行Hadoop数据处理程序所需的实践技能及Hadoop之外更大的生态系统。

http://ituring/book/733

13、Mahout实战

作者：Sean Owen，Robin Anil等

译者：韩冀中 吴海星 段菲

书号：978-7-115-34722-0

页数：340

Apache基金会官方推荐

Mahout核心团队权威力作

大数据时代机器学习的实战经典

Mahout作为Apache的开源机器学习项目，把推荐系统、分类和聚类等领域的核心算法浓缩到了可扩展的现成的库中。使用Mahout可以在自己的项目中应用亚马逊、Netflix等公司的机器学习技术。

http://ituring/book/862

14、Storm源码分析

作者：李明 王晓鹏

书号：978-7-115-37126-3

定价：79

页数：484

微软搜索技术部门高级研发工程师实战经验分享

从源代码的角度深入剖析Storm设计与实现

学习如何实现和高效利用“实时的Hadoop”

“本书从源代码角度深入浅出地分析了Storm的设计及实现，一方面可以使读者更好地了解并用好Storm技术，另一方面可以让读者学习如何设计大规模分布式系统，相信读者一定会受益匪浅。”

——于伟，微软资深开发总监

http://ituring/book/1507

15、Elasticsearch服务器开发

作者：Rafal Kuc，Marek Rogozinski

译者：蔡建斌

书号：978-7-115-38032-6

定价：59

页数：292

Elasticsearch百科全书式著作，用户权威指南

所有示例和功能基于Elasticsearch服务器1.0版

在云计算平台上建立稳定、可靠、方便快速的实时搜索技术

Elasticsearch是一个基于Lucene构建的开源、分布式、RESTful风格的搜索引擎。它被设计用于云计算中，具有实时搜索、稳定、快速、安装使用方便等优点。本书是关于Elasticsearch的百科全书式著作，介绍了Elasticsearch这个优秀的全文检索和分析引擎从安装和配置到集群管理的方方面面知识。

http://ituring/book/1447

16、Openstack部署实践

作者：张子凡

书号：978-7-115-34679-7

定价：59

页数：284

从研究D版以来，我在各个群中回答了很多新手在OpenStack系统安装部署方面碰到的各类问题，虽然在博客中公布了很多，但仍比较零散，我也一直盼望能有一本较为系统的书给新手提供帮助。看到本书后我非常高兴，对于OpenStack初学者和在公司内使用OpenStack部署私有云的系统运维工程师来说，此书将会帮助大家解决很多问题，同时更有助于大家灵活地运用OpenStack系统。

——北京-YZ（博客http://xiaoyinzei），

KVM虚拟化群群主（93146027）

一线高手实践总结

实例讲解使用OpenStack建设企业私有云系统

有效降低企业IT 成本

http://ituring/book/1356

17、Docker开发实践

作者：曾金龙，肖新华，刘清

书号：978-7-115-39519-1

定价：59

页数292

出自国内最强云加速+ 云存储“迅雷云”团队

基础篇：原理、操作全面解析；案例篇：带你一步步构建复杂应用；高级篇：网络、安全、API 实战、kubernetes集群实战

“腾讯的互娱的开发节奏，只有Docker跟得上！如果你想你的团队加快开发速度，那么我推荐你使用Docker，而本书从基础、案例到高级话题，都有很全面的覆盖。”

——易剑，腾讯互动娱乐事业群高级架构师

http://ituring/book/1631

18、非技术读本 《精益数据分析》

作者：Alistair Croll， Benjamin Yoskovitz

书号：978-7-115-37476-9

定价：79

页数：356

精益系列丛书，《精益创业》作者埃里克·莱斯主编

本书围绕精益创业展开讨论，融合了精益创业法、客户开发、商业模式画布和敏捷/持续集成的精华。本书汇聚了100多位创始人、投资人、内部创业者和创新者的成功创业经验，呈现了30多个极具价值的案例分析，可以为各阶段的创业者提供行为准则。

http://ituring/book/1125

19、非技术读本《大数据的冲击》

作者：城田真琴

译者：周自恒

书号：978-7-115-31787-2

定价：49

页数：268

本书是日本最畅销的大数据商业应用指南。书中结合野村综合研究独家披露的调查数据，网罗了美国、日本标杆企业与政府的应用案例，总结了大数据的商业模式，以及在大数据应用中需要注意的隐私问题，并就如何为大数据时代做好准备展开了深入的探讨，提出了诸多有益的建议。

http://ituring/book/1128

20、非技术读本《有趣的统计》

作者：Bruce Frey

译者：邹澍

书号：978-7-115-35621-5

定价：59

页数：292

本书介绍的实用技巧运用了统计学原理，还借鉴了教育学和心理学上的测量和实验研究方法。这些技巧可以帮你解决商业、游戏以及日常生活中的各类问题。利用统计推断的各种工具，揭开概率的神秘面纱、发现相关性，预测事件。

http://ituring/book/1094