У цій збірці ми зібрали 10 актуальних книг для освоєння науки про дані.

1. Дж. Грас - Data Science. Наука про дані з нуля

Автор виклав матеріал по Data Science для якнайшвидшого старту в професії. Знання аналітики і дисципліни не будуть потрібні. У процесі читання ви будете вивчати Python, алгебру, математичний аналіз і статистику, а також теорію ймовірностей, машинне навчання та інші теми. Додатковий акцент зроблений на методи аналізу соціальних мереж, основи баз даних і SQL.

2. П. Брюс, Е. Брюс - Практична статистика для фахівців Data Science

Тут вам знадобляться знання математичної статистики і мови R, а також базові знання по загальній темі. Легкодоступна форма подачі матеріалу допоможе швидко розібратися з такими темами, як: розвідувальний аналіз даних, статистичні експерименти, перевірка значущості, регресія, класифікація, машинне навчання і навчання без учителя.

3. О'Ніл, Шатт - Data Science. Інсайдерська інформація для новачків

Книга заснована на курсі Колумбійського університету з аналізу даних. У процесі навчання ви дізнаєтеся про Байєсовий метод, візуалізацію даних, статистичні алгоритми, MapReduce і фінансове моделювання.

4. Ин, Су - Теоретичний мінімум по Big Data. Все що потрібно знати про великі дані

Видання не орієнтоване тільки на професіоналів, зайнятися освітою можуть почати аналітики, бізнесмени, програмісти і непрофільні фахівці. На сторінках цієї праці розглядається маса алгоритмів, кожному з яких присвячена окрема глава, з картинками і прикладами з реальних завдань.

5. Сілен, Мейсман, Алі - Основи Data Science і Big Data. Python і наука про дані

Вивчення DS ви почнете з базових речей, а потім приступите до алгоритмів машинного навчання, масивів даних, NoSQL і т.д. В якості мови програмування в цій книзі використовується Python зі спеціальними бібліотеками.

6. Дж. Вандер Плас - Python для складних завдань. Наука про дані і машинне навчання

Даний посібник занурить вас в найпопулярніші статистичні методи обробки даних і наукові дослідження. У процесі прочитання ви зможете розібратися з тим, як зчитувати різні формати даних, як їх перетворювати і візуалізувати, а також будувати статистичні моделі і застосовувати машинне навчання.

7. R. Shams - Java Data Science Cookbook

Якщо вам необхідно побудувати наукові моделі для виробництва - Java ваше все. За допомогою крутих бібліотек, таких як MLlib, Weka і DL4j, ви зможете ефективно виконати всі необхідні завдання по обробці даних. Книга починається з рецептів для отримання, індексування та пошуку даних. Потім ви перейдете до різних методів аналізу і вилучення інформації. Останнім навчальним етапом буде обробка Big Data, глибоке навчання і візуалізація.

8. A. Boschetti - Python Data Science Essentials

Тут ви знайдете докладні приклади, які допоможуть зрозуміти основні статистичні методи збору та аналізу даних. Ви отримаєте уявлення про передові теми, такі як алгоритми машинного навчання, розподілені обчислення, настройка моделей прогнозу і обробка природної мови. А ще ви познайомитеся з інструментами глибокого навчання, такими як XGBoost, LightGBM і CatBoost.

9. D. Toomey - Jupyter for Data Science

Якщо ви знайомі з Jupyter Notebook і хочете дізнатися, як використовувати його можливості для виконання різних завдань в Data Science, ця книга для вас. Дане видання роз'яснить кожен крок впровадження ефективного конвеєра обробки даних з використанням Jupyter від дослідження даних до візуалізації. Ви навчитеся використовувати функції Jupyter, щоб ділитися своїми ідеями і кодом з колегами. У книзі також описано, як Python 3, R і Julia можуть бути інтегровані в Jupyter для різних завдань обробки даних.

10. P. Prevos - Principles of Strategic Data Science

Книга починається з пояснення того, що таке наука про дані і як організації можуть її використовувати для оптимізації всіх робочих процесів. Потім автор наводить критерії надійності інформаційних продуктів і способи візуалізації інформації. У процесі вивчення п'ятиетапної структури ви будете відкривати для себе стратегічні аспекти DS, які дозволяють підвищити цінність видобутих даних. У заключній главі розглядається роль штатного аналітика даних в процесі інтеграції DS-підходу в бізнес-процеси організації.

Джерело перекладу