Liste over topp 10 beste datavitenskapsbøker og beskrivelser for generalist

Datavitenskap er studiet felt som håndterer enorme datamengder ved bruk av vitenskapelige metoder, prosesser, algoritmer og systemer for å finne de usettede mønstrene, utlede meningsfull informasjon, ta forretningsavgjørelser i selskaper og også bruke i ikke-forretningsinstitusjoner. Ikke-forretningsinstitusjonene inkluderer bransjer for helsevesen, spill, bildegjenkjenning, anbefalingssystemer, logistikk, svindeldeteksjon (bank- og finansinstitusjoner), Internett-søk, talegjenkjenning, målrettet reklame, flyselskapsplanlegging og forsterket virkelighet. Datavitenskap er et undersetting av kunstig intelligens. Dataene som brukes til analyse kan komme fra mange forskjellige kilder og presenteres i forskjellige formater. Noen av kildedataene kan være standardisert; Andre er kanskje ikke standardisert.

For å si det på en annen måte, brukes forskjellige metodologier for å samle dataene (flertall av datum). Deretter blir kunnskap (verdifulle konklusjoner) hentet fra de samlede dataene. I prosessen, etter at dataene er samlet, gjøres forskningen på dem (data) for å få nye data (resultater) som problemene er løst.

Datavitenskap som en (hoved) disiplin eksisterer på bachelor- og mastergradsnivå ved universitetet. Imidlertid er det bare få universiteter i verden som tilbyr datavitenskapen i Bachelor eller Master -grad. På bachelorgradsnivået er studenten uteksaminert med en grad i datavitenskap. Dette er som en generell grad. På mastergradsnivå overlater studenten med en postgraduate i datavitenskap, som spesialiserer seg på dataanalyse, datateknikk eller som dataforsker.

Det kan overraske leseren og muligens dessverre at maskinlæring, modellering, statistikk, programmering og databaser er forutsetningskunnskap for å studere datavitenskapen på bachelorgradsnivå til tross for at de er respekterte universitetskurs i sine egne rettigheter, studert i Andre fagområder på bachelorgradsnivå eller masternivå. Til tross for at når en student går til et universitet for å studere datavitenskap på gradsnivå, vil alle disse kursene fortsatt bli studert, sammen med eller før de riktige kursene, for datavitenskap.

Datavitenskap for bachelorgrad eller spesialiseringer som dataanalyse, datateknikk eller som dataforsker utvikles fortsatt; Selv om de nådde et stadium som de blir brukt i bransjer etter å ha blitt studert (på universitetet). Datavitenskap er en relativt veldig ny disiplin generelt.

Husk at du først skulle være generalist før du blir spesialist. Skillene mellom spesialistprogrammer er ennå ikke klare. Skillene mellom generalist- og spesialistprogrammene er ikke klare ennå.

Siden datavitenskap er en relativt ny disiplin, er bøkene som er foreskrevet i dette dokumentet basert på innholdsdekning og ikke pedagogikk (hvor godt boken lærer). Og de er for programmet Bachelorgrad (generalist). Det er forskjellige generalistkurs.

Listen

For mer informasjon og mulig kjøp med kredittkort, er det gitt en hyperkobling for hver av bøkene. Ikke en av bøkene dekker alle generalistkursene.

Essential Math for Data Science: Calculus, Statistics, Probability Theory and Linear Algebra

Skrevet av: Hadrien Jean

• Utgiver: Hadrien Jean
• Publisert dato: Etter 30. september 2020
• Språk: engelsk
• Nei. av sider: mer enn 400

Innholdet i denne boken kan sees på som matematikkurs for datavitenskap. Selv om det ikke anbefales å lære datavitenskap av seg selv, bør en videregående utdannet som ønsker å lære datavitenskap av seg selv, starte med denne boken.

Innhold: beregning; Statistikk og sannsynlighet; Lineær algebra; Skalarer og vektorer; Matriser og tensorer; Spenn, lineær avhengighet og romtransformasjon; Systemer for lineære ligninger; Egenvektorer og egenverdier; Singular verdi nedbrytning.

https: // www.EssentialMathfordatascience.com/

En vanlig fornuft for datastrukturer og algoritmer: Level Up Your Core Programming Skills / 2. utgave

Skrevet av: Jay Wengrow

• Utgiver: pragmatisk bokhylle
• Publisert dato: 15. september 2020
• Språk: engelsk
• Dimensjoner: 7.5 x 1.25 x 9.25 tommer
• Nei. av sider: 508

Denne boken omhandler algoritmer og datastrukturer som brukes i datavitenskap. Forutsatt at noen lærer datavitenskap av seg selv etter endt utdanning fra videregående skole, er dette neste bok å lese etter å ha lest forrige matematikkbok. Eksempelprogrammene er gitt i JavaScript, Python og Ruby.

Innhold: Hvorfor datastrukturer betyr noe; Hvorfor algoritmer betyr noe; Å ja! Stor o notasjon; Fremskynder koden din med Big O; Optimalisere kode med og uten stor o; Optimalisering for optimistiske scenarier; Stor o i hverdagskode; Blazing Rask oppslag med hasjbord; Lage elegant kode med stabler og køer; Rekursivt gjentar seg med rekursjon; Lære å skrive i rekursiv; Dynamisk programmering; Rekursive algoritmer for hastighet; Nodebaserte datastrukturer; Fremskynder alle tingene med binære søketrær; Holde prioriteringene dine rett med hauger; Det skader ikke å trie; Koble alt med grafer; Håndtere rombegrensninger; Teknikker for kodeoptimalisering

Smartere datavitenskap: lykkes med data om bedriftsklasse og AI-prosjekter / 1^st Utgave

Skrevet av: Neal Fishman, Cole Stryker og Grady Booch

• Utgiver: Wiley
• Publisert dato: 14. april 2020
• Språk: engelsk
• Nei. av sider: 286

Innhold: Klatre på AI -stigen; Innramming av del I: Hensyn for organisasjoner som bruker AI; Innramming av del II: Hensyn for å jobbe med data og AI; Et tilbakeblikk på analyser: mer enn en hammer; A ser frem til analyser: ikke alt kan være en spiker; Adressere operative fagområder på AI -stigen; Maksimere bruken av dataene dine: å være verdidrevet; Verdsettelse av data med statistisk analyse og muliggjør meningsfull tilgang; Konstruere for langsiktig; En reisens slutt: en IA for AI.

Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning Series) Illustrated Edition

Skrevet av: Kevin P. Murphy

• Utgiver: MIT -pressen
• Publisert dato: 24. august 2012
• Språk: engelsk
• Dimensjoner: 8.25 x 1.79 x 9.27 tommer
• Nei. av sider: 1104

Denne boken er bra for nybegynnere. Igjen, som alle resten av bøkene som er foreskrevet i dette dokumentet, dekker ikke denne boken alt som er nødvendig for det generalistprogrammet som dessverre fremdeles ikke er ferdigstilt (spesialistprogrammene er fremdeles ikke ferdigstilt). Den typiske nybegynneren her er en videregående utdannet med en passering i matematikk og informatikk.

Innhold: Introduksjon (maskinlæring: Hva og hvorfor?, Uovervåket læring, noen grunnleggende konsepter innen maskinlæring); Sannsynlighet; Generative modeller for diskrete data; Gaussiske modeller; Bayesisk statistikk; Frekventistisk statistikk; Lineær regresjon; Logistisk regresjon; Generaliserte lineære modeller og den eksponentielle familien; Regisserte grafiske modeller (Bayes Nets); Blandingsmodeller og EM -algoritmen; Latente lineære modeller; Sparsomme lineære modeller; Kjerner; Gaussiske prosesser; Adaptive basisfunksjonsmodeller; Markov og skjulte Markov -modeller; Statlige rommodeller; Ikke rettede grafiske modeller (Markov tilfeldige felt); Nøyaktig slutning for grafiske modeller; Variasjonsinnsats; Mer variasjonsinnsats; Monte Carlo inferens; Markov Chain Monte Carlo (MCMC) inferens; Gruppering; Grafisk modellstrukturlæring; Latente variable modeller for diskrete data; Dyp læring.

Datavitenskap for virksomhet: Hva du trenger å vite om data mining og dataanalytisk tenking / 1. utgave

Skrevet av: Tom Fawcett og Foster Provost

• Utgiver: O'Reilly Media
• Publisert dato: 17. september 2013
• Språk: engelsk
• Dimensjoner: 7 x 0.9 x 9.19 tommer
• Nei. av sider: 413

Innhold: Dataanalytisk tenking; Forretningsproblemer og datavitenskapelig løsninger; Introduksjon til prediktiv modellering: Fra korrelasjon til veiledet segmentering; Montere en modell til data; Overmontering og dens unngåelse; Likhet, naboer og klynger; Beslutningsanalytisk tenking I: Hva er en god modell?; Visualisere modellytelse; Bevis og sannsynligheter; Representere og gruvetekst; Beslutningsanalytisk tenking II: Mot analytisk ingeniørvitenskap; Andre datavitenskapelige oppgaver og teknikker; Datavitenskap og forretningsstrategi; Konklusjon.

https: // www.Amazon.COM/Data-Science-Business-Data-Analytic-Thinking/DP/B08VL5K5ZX

Praktisk statistikk for dataforskere: 50+ viktige konsepter ved bruk av R og Python / 2. utgave

Skrevet av: Peter Bruce, Andrew Bruce og Peter Gedeck

• Utgiver: O'Reilly Media
• Publisert dato: 2. juni 2020
• Språk: engelsk
• Dimensjoner: 7 x 0.9 x 9.1 tommer
• Nei. av sider: 368

Innhold: Utforskende dataanalyse, data og prøvetakingsfordeling, statistiske eksperimenter og signifikansestesting, regresjon og prediksjon, klassifisering, statistisk maskinlæring, uten tilsyn læring.

Boken om hvorfor: den nye vitenskapen om årsak og virkning

Skrevet av: Judea Pearl, Dana Mackenzie

• Utgiver: Grunnleggende bok
• Publisert dato: 15. mai 2018
• Språk: engelsk
• Dimensjoner: 6.3 x 1.4 x 9.4 tommer
• Nei. av sider: 432

Mens mange datavitenskapelige bøker bruker den rene forretningsbransjen til illustrasjon, bruker denne boken medisinsk industri og andre fagområder for illustrasjon.

Innhold: Introduksjon: Mind Over Data; Årsaken til årsakssammenheng; Fra Buccaneers til marsvin: Genesen av årsakssammenheng; Fra bevis til årsaker: pastor Bayes møter MR. Holmes; Forvirrende og dekonferende: eller, drepe den lurervariabelen; Den røykfylte debatten: å rydde luften; Paradokser i massevis!; Utover justering: erobringen av monteringsinngrep; Kontrafaktuelle: gruveverdener som kunne ha vært; Mekling: søket etter en mekanisme; Big data, kunstig intelligens og de store spørsmålene.

Bygg en karriere innen datavitenskap

Skrevet av: Emily Robinson og Jacqueline Nolis

• Utgiver: Manning
• Publisert dato: 24. mars 2020
• Språk: engelsk
• Dimensjoner: 7.38 x 0.8 x 9.25 tommer
• Nei. av sider: 354

Innhold: Komme i gang med datavitenskap; Finne din datavitenskapsjobb; Bosette seg i datavitenskap; Vokser i din datavitenskapelige rolle.

https: // www.Manning.com/bøker/build-a-career-in-data-science

Data Science for Dummies / 2. utgave

Skrevet av: Lillian Pierson

• Utgiver: For dummies
• Publisert dato: 6. mars 2017
• Språk Engelsk
• Dimensjoner: 7.3 x 1 x 9 tommer
• Nei. av sider: 384

Denne boken forutsetter at leseren allerede har matematikk og programmering før påkrevd kunnskap.

Innhold: Å pakke hodet rundt datavitenskap; Utforske datatekniske rørledninger og infrastruktur; Anvende datadrevet innsikt i næringslivet; Maskinlæring: Læring av data med maskinen din; Matematikk, sannsynlighet og statistisk modellering; Ved å bruke klynging til deling av data; Modellering med forekomster; Bygge modeller som driver internett-av-ting-enheter; Etter prinsippene for datavisualisering av design; Bruker D3.JS for datavisualisering; Nettbaserte applikasjoner for visualisering av design; Utforske beste praksis innen design av dashbord; Lage kart fra romlige data; Bruker Python for datavitenskap; Bruker åpen kildekode R for datavitenskap; Bruker SQL i datavitenskap; Gjør datavitenskap med Excel og Knime; Data Science in Journalism: Nailing Down the Five Ws (og en H); Fordypende inn i miljødata; Datavitenskap for å drive vekst i e-handel; Bruke datavitenskap for å beskrive og forutsi kriminell aktivitet; Ti fenomenale ressurser for åpne data; Ti gratis datavitenskapelige verktøy og applikasjoner.

Gruvedrift av massive datasett / 3^Rd Utgave

Skrevet av: Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman

• Utgiver: Cambridge University Press
• Publisert dato: 13. februar 2020
• Språk Engelsk
• Dimensjoner: 7 x 1 x 9.75 tommer
• Nei. av sider: 565

Denne boken antar også at leseren allerede har matematikk og programmering av forhåndskrevende kunnskap.

Innhold: Data mining; MapReduce og den nye programvarestabelen; Algoritmer ved bruk av MapReduce; Finne lignende gjenstander; Gruvedatastrømmer; Lenkeanalyse; Hyppige gjenstander; Gruppering; Annonsering på nettet; Anbefalingssystemer; Gruvedrift av sosiale nettverksgrafer; Dimensjonalitetsreduksjon; Storskala maskinlæring.

Konklusjon

Skillene mellom spesialistprogrammer er ennå ikke klare. Skillene mellom generalist- og spesialistprogrammene er heller ikke klare ennå. Etter å ha lest den gitte listen over bøker, vil leseren imidlertid være i stand til å sette pris på de spesielle rollene som dataanalytiker, datateknikk og dataforsker, og deretter gå videre.