入門讀物：html
- 深刻淺出數據分析 (豆瓣) 這書挺簡單的，基本的內容都涉及了，說得也比較清楚，最後談到了R是大加分。難易程度：很是易。
- 啤酒與尿布 (豆瓣) 經過案例來講事情，並且是最經典的例子。難易程度：很是易。
- 數據之美 (豆瓣) 一本介紹性的書籍，每章都解決一個具體的問題，甚至還有代碼，對理解數據分析的應用領域和作法很是有幫助。難易程度：易。
- 數學之美 (豆瓣) 這本書很是棒啦，入門讀起來很不錯！
- SciPy and NumPy (豆瓣) 這本書能夠歸類爲數據分析書吧，由於numpy和scipy真的是很是強大啊。
- Python for Data Analysis (豆瓣) 做者是Pandas這個包的做者，看過他在Scipy會議上的演講，實例很是強！
- Bad Data Handbook (豆瓣) 很好玩的書，做者的角度很不一樣。
- 集體智慧編程 (豆瓣) 學習數據分析、數據挖掘、機器學習人員應該仔細閱讀的第一本書。做者經過實際例子介紹了機器學習和數據挖掘中的算法，淺顯易懂，還有可執行的Python代碼。難易程度：中。
- Machine Learning in Action (豆瓣) 用人話把複雜難懂的機器學習算法解釋清楚了，其中有零星的數學公式，可是是以解釋清楚爲目的的。並且有Python代碼，大讚！目前中科院的王斌老師（微博：王斌_ICTIR）已經翻譯這本書了 機器學習實戰 (豆瓣)。這本書自己質量就很高，王老師的翻譯質量也很高。難易程度：中。我帶的研究生入門必看數目之一！
- Building Machine Learning Systems with Python (豆瓣) 雖然是英文的，可是因爲寫得很簡單，比較理解，又有 Python 代碼跟着，輔助理解。
- 數據挖掘導論 (豆瓣) 最近幾年數據挖掘教材中比較好的一本書，被美國諸多大學的數據挖掘課做爲教材，沒有推薦Jiawei Han老師的那本書，由於我的以爲那本書對於初學者來講不太容易讀懂。難易程度：中上。
- Machine Learning for Hackers (豆瓣) 也是經過實例講解機器學習算法，用R實現的，能夠一邊學習機器學習一邊學習R。
稍微專業些的：算法
- Introduction to Semi-Supervised Learning (豆瓣) 半監督學習必讀必看的書。
- Learning to Rank for Information Retrieval (豆瓣) 微軟亞院劉鐵巖老師關於LTR的著做，啥都不說了，推薦！
- Learning to Rank for Information Retrieval and Natural Language Processing (豆瓣) 李航老師關於LTR的書，也是當時他在微軟亞院時候的書，可見微軟亞院對LTR的研究之深，貢獻之大。
- 推薦系統實踐 (豆瓣) 這本書不用說了，研究推薦系統必需要讀的書，並且是第一本要讀的書。
- Graphical Models, Exponential Families, and Variational Inference (豆瓣) 這個是Jordan老爺子和他的得意門徒 Martin J Wainwright 在 Foundation of Machine Learning Research上的創刊號，能夠免費下載，比較難懂，可是一旦讀通了，graphical model的相關內容就能夠踏平了。
- Natural Language Processing with Python (豆瓣) NLP 經典，其實主要是講 NLTK 這個包，可是啊，NLTK 這個包幾乎涵蓋了 NLP 的不少內容了啊！
機器學習教材：編程
- The Elements of Statistical Learning (豆瓣) 這本書有對應的中文版：統計學習基礎 (豆瓣)。書中配有R包，很是贊！能夠參照着代碼學習算法。
- 統計學習方法 (豆瓣) 李航老師的扛鼎之做，強烈推薦。難易程度：難。
- Machine Learning (豆瓣) 去年出版的新書，做者Kevin Murrphy教授是機器學習領域中年少有爲的表明。這書是他的集大成之做，寫完以後，就去Google了，產學研結合，沒有比這個更好的了。
Machine Learning (豆瓣) 這書和上面的書不是一本！這書叫：Machine Learning: An Algorithmic Perspective 以前作過我帶的研究生教材，因爲配有代碼，因此理解起來比較容易。網絡
- Pattern Recognition And Machine Learning (豆瓣) 經典中的經典。
- Bayesian Reasoning and Machine Learning (豆瓣) 看名字就知道了，不折不扣的Bayesian學派的書，裏面的內容很是多，有一張圖將機器學習中設計算法的關係總結了一下，很棒。
- Probabilistic Graphical Models (豆瓣) 鴻篇鉅製，這書誰要是讀完了告訴我一聲。
- Convex Optimization (豆瓣) 凸優化中最好的教材，沒有之一了。課程也很是棒，Stephen老師拿着紙一步一步推到，圖一點一點畫，太棒了。
《Doing Data Science: Straight Talk from the Frontline》：Doing Data Science (豆瓣)框架
做者之一Rachel Schutt本科在密歇根大學學習數學，同時擁有紐約大學數學碩士學位，以及斯坦福大學工程經濟系統和運籌學雙碩士學位，美國哥倫比亞大學統計學博士學位，然後在谷歌研究所擔任統計學專家。Johnson研究實驗室的高級科學家兼創始人之一，目前在哥倫比亞大學講授「數據科學導論」(Introduction to Data Science)課程。她提出了 數據科學家的概念即「計算機科學家、軟件工程師和統計學家的混合體。」另外一位做者Cathy O’Neil是哈佛大學數學博士，麻省理工學院數學系博士後，目前在華爾街的德劭基金(D.E.Shaw)作quant。（總之是兩個大牛XD）本書前面幾個章節大體介紹了數據分析法、一些機器學習算法、線性迴歸和邏輯迴歸、樸素貝葉斯等等。其中有一些內容須要一些數學基礎才能吃透。 第六到十章節是本書的精華，詳細介紹瞭如何利用金融及社交網絡中的數據進行數據建模分析，值得反覆回味。機器學習
《Agile Data Science: Building Data Analytics Applications with Hadoop》：Agile Data Science (豆瓣)分佈式
本書適合剛入行的數據愛好者以及有兩三年工做經驗數據科學家，做者立志打造一個full-stack解決方案（包括開發框架、運行環境等，有了它無需再下載別的軟件）來減小前期在數據準備上必須花費的大量時間。此外書中的一些例子放在了GitHub上，建議一邊看書一邊DIY。- 《Fast Data Processing with Spark》：Fast Data Processing with Spark (豆瓣)
《New Internet:大數據挖掘》 —— 是MS的一位資深專家寫的，從算法到工具，再到DM在日誌分析、營銷郵件、電商、移動等業務中的實際應用，內容有較全面的介紹，語言淺顯易懂，做DM領域進門讀物很不錯。而且在每章節後都有提供本章提到的工具或數據來源，方便學習。工具
《數據挖掘與數據化運營實戰:思路、方法、技巧與應用》—— 這是ALi的一位數據專家寫的，從書名能看出這本偏運營實踐，裏面有不少電商方面的實踐案例。固然也有幾章節概述DM工具和算法，做爲入門介紹。oop
一、誰說菜鳥不會數據分析 (豆瓣) 其實EXCEL在工做中仍是大殺器，緣由是易傳承，好傳播學習
二、調查研究中的統計分析法 (豆瓣) 統計學確定要了解，統計學書均可以的
三、SPSS統計分析精要與實例詳解 (豆瓣) SPSS的內容，我是從這本書開始看的，由於這本書每一個方法都有案例，能夠直接看案例明白理論的做用，再加上 SPSS官方說明文檔 基本上就夠了
四、數據挖掘與數據化運營實戰 (豆瓣) ali的專家寫的，看了這本書能理解不少方法的適用場景，適用場景和數據解讀能力對於業務能力要求很高。
《數據倉庫工具箱：維度建模的徹底指南》
《Microsoft數據倉庫工具箱》
《SQL Server 2008 分析服務從入門到精通》
《SQL Server 2008 報表服務從入門到精通》
另外，推薦如下連接：
原文地址:知乎
本文轉自連接: http://www.zhihujingxuan.com/19146.html進行了從新整理