實戰：如何進行大數據的入門級學習？

但從狹義上來看，我認為數據科學就是解決三個問題：1.datapre-processing;(數據預處理)2.datainterpretation；(數據解讀)3.datamodelingandanalysis.(數據建模與分析)這也就是我們做數據工作的三個大步驟：1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程，才能形成高質量的數據；2、我們想看看數據“長什么樣”，有什么特點和規律；3、按照自己的需要，比如要對數據貼標簽分類，或者預測，或者想要從大量復雜的數據中提取有價值的且不易發現的信息，都要對數據建模，得到output。這三個步驟未必嚴謹，每個大步驟下面可能依問題的不同也會有不同的小步驟，但按我這幾年的經驗來看，按照這個大思路走，數據一般不會做跑偏。這樣看來，數據科學其實就是門復合型的技術，既然是技術就從編程語言談起吧，為了簡練，只說說R和Python。但既然是薦數據科學方面的書，我這里就不提R/Python編程基礎之類的書了，直接上跟數據科學相關的。Rprogramming如果只是想初步了解一下R語言已經R在數據分析方面的應用，那不妨就看看這兩本：Rinaction：我的R語言大數據101。其實對于一個沒有任何編程基礎的人來說，一開始就學這本書，學習曲線可能會比較陡峭。但如果配合上一些輔助材料，如官方發布的Rbasics(/doc/contrib/usingR.pdf)，stackoverflow上有tag-R的問題集(Newest‘r’Questions)，遇到復雜的問題可在上面搜索，總會找到解決方案的。這樣一來，用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕松，緊貼實戰。DataanalysisandgraphicsusingR：使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰，沒有過多地講解統計學理論，所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強，也就是說哪怕你手頭沒電腦寫不了代碼，有事沒事拿出這本書翻一翻，也能讀得進去。但如果你先用R來從事實實在在的數據工作，那么上面兩本恐怕不夠，還需要這些：ModernappliedstatisticswithS：這本書里統計學的理論就講得比較多了，好處就是你可以用一本書既復習了統計學，又學了R語言。(S/Splus和R的關系就類似于Unix和Linux，所以用S教程學習R，一點問題都沒有)DatamanipulationwithR：這本書實務性很強，它教給你怎么從不同格式的原始數據文件里讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣，本書也有豐富的真實數據或模擬數據供你練習。對于真正從事數據處理工作的人來說，這本書的內容非常重要，因為對于任何研究，一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則，你的研究總是要等待你的數據。RGraphicsCookbook：想用R做可視化，就用這本書吧。150多個recipes，足以幫你應付絕大多數類型的數據。以我現在極業余的可視化操作水平來看，R是最容易做出最漂亮的圖表的工具了。AnintroductiontostatisticallearningwithapplicationinR：這本書算是著名的theelementofstatisticallearning的姊妹篇，后者更注重統計(機器)學習的模型和算法，而前者所涉及的模型和算法原沒有后者全面或深入，但卻是用R來學習和應用機器學習的很好的入口。AhandbookofstatisticalanalysisusingR：這本書內容同樣非常扎實，很多統計學的學生就是用這本書來學習用R來進行統計建模的。PythonThinkPython，ThinkStats，ThinkBayes：這是AllenB.Downey寫的著名的ThinkXseries三大卷。其實是三本精致的小冊子，如果想快速地掌握Python在統計方面的操作，好好閱讀這三本書，認真做習題，答案鏈接在書里有。這三本書學通了，就可以上手用Python進行基本的統計建模了。PythonForDataAnalysis：作者是pandas的主要開發者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能，能夠處理結構比較復雜的數據。這本書其實analysis講得不多，說成數據處理應該更合適。掌握了這本書，處理各種糟心的數據就問題不大了。IntroductiontoPythonforEconometrics，StatisticsandDataAnalysis：這本書第一章就告訴你要安裝Numpy，Scipy，Matplotlib，Pandas，IPython等等。然后接下來的十好幾章就是逐一介紹這幾個庫該怎么用。很全面，但讀起來比較枯燥，可以用來當工具書。PracticalDataAnalysis：這本書挺奇葩，貌似很暢銷，但作者把內容安排得東一榔頭西一棒子，什么都講一點，但一個都沒講透。這本書可以作為我們學習數據分析的一個索引，看到哪塊內容有意思，就順著它這個藤去摸更多的瓜。PythonDataVisualizationCookbook：用Python做可視化的教材肯定不少，我看過的也就這一本，覺得還不錯。其實這類書差別都不會很大，咬住一本啃下來就是王道。ExploratoryDataAnalysis和DataVisualizationExploratoryDataAnalysis：JohnTukey寫于1977年的經典老教材，是這一領域的開山之作。如今EDA已經是統計學里的重要一支，但當時還是有很多人對他的工作不屑一顧。可他愛數據，堅信數據可以以一種出人意料的方式呈現出來。正是他的努力，讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了，內容略過時。ExploratoryDataAnalysiswithMATLAB：這本書雖然標題帶了個MATLAB，但實際上內容幾乎沒怎么講MATLAB，只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在于，這是我讀過的講EDA最系統的一本書，除了對visualization有不輸于JohnTucky的講解外，對于高維的數據集，通過怎樣的方法才能讓我們從中找到潛在的pattern，這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼，而且還提供了GUI(圖形用戶界面)。所以這本書學起來還是相當輕松愉悅的。VisualizeThis：中譯本叫“鮮活的數據”，作者是個“超級數據迷”，建立了一個叫的網頁展示他的數據可視化作品，這本書告訴你該選擇什么樣的可視化工具，然后告訴你怎樣visualize關系型數據、時間序列、空間數據等，最后你就可以用數據講故事了。如果你只想感受一下數據可視化是個什么，可以直接點開下面這個鏈接感受下吧！Atourthroughthevisualizationzoo(ATourThroughtheVisualizationZoo)MachineLearning&DataMining這一塊就不多說了，不是因為它不重要，而是因為它太太太重要。所以這一部分就推兩本書，都是”世界名著“，都比較難讀，需要一點點地啃。這兩本書拿下，基本就算是登堂入室了。其實作為機器學習的延伸和深化，概率圖模型(PGM)和深度學習(deeplearning)同樣值得研究，特別是后者現在簡直火得不得了。但PGM偏難，啃K.Daphne那本大作實在太燒腦，也沒必要，而且在數據領域的應用也不算很廣。deeplearning目前工業界的步子邁得比學術界的大，各個domain的應用如火如荼，但要有公認的好教材問世則還需時日，所以PGM和deeplearning這兩塊就不薦書了。TheElementofStatisticalLearning：要學機器學習，如果讓我只推薦一本書，我就推薦這本巨著。Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了，大廈建得夠高夠大，結構也非常嚴謹，而且很有前瞻性，納入了很多前沿的內容，而不僅僅是一部綜述性的教材。(圖表也做得非常漂亮，應該是用R語言的ggplot2做的。)這本書注重講解模型和算法本身，所以需要具備比較扎實的數理基礎，啃起這本書來才不會太吃力。事實上掌握模型和算法的原理非常重要。機器學習(統計學習)的庫現在已經非常豐富，即使你沒有完全搞懂某個模型或算法的原理和過程，只要會用那幾個庫，機器學習也能做得下去。但你會發現你把數據代進去，效果永遠都不好。但是，當你透徹地理解了模型和算法本身，你再調用那幾個庫的時候，心情是完全不一樣的，效果也不一樣。DataMining:ConceptsandTechniques，byJiaweiHanandMichelineKamber數據挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺的，是因為雖然他這本書的出發點是應用，但原理上的內容也一點沒有落下，內容非常完整。而且緊跟時代，更新的很快，我看過的是第二版，就已經加進去了socialnetworkanalysis這種當時的前沿內容。現在已經有第三版了，我還沒看過，但應該也加入了不少新內容。其實這本書并不難讀，只是篇幅較長，啃起來比較耗時。其實這兩本書里單拎出來一塊內容可能又是幾本書的節奏，比如bayesian方法，再拿出兩三本書來講也不為過，我個人用到的比較多，而且也確實有不少好書。但并非是所有datascientist都要用到，所以這一塊就不再細說。還有一些印象比較深刻的書：?BigDataGlossary：主要講解大數據處理技術及工具，內容涵蓋了NoSQL，MapReduce，Storage，Servers，NLP庫與工具包，機器學習工具包，數據可視化工具包，數據清洗，序列化指南等等。總之，是一本辭典式的大數據入門指導。MiningofMassiveDatasets：這本書是斯坦福大學WebMining的講義，里面很多內容與韓家煒的DataMining那本書重合，但這本書里詳細地講了MapReduce的設計原理，PageRank(Google創業時期的核心排序算法，現在也在不斷優化更新)講解得也比較詳細。DevelopingAnalyticTalent：作者是個從事了十幾年數據工作的geek，技術博客寫得很有個人風格，寫的內容都比較偏門，通常只有具備相關數據處理經驗的人能體會出來，絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎么辦，或者MapReduce在什么時候不好用的問題，才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的博客文章的集結，用howtobecomeadatascientist的邏輯把他近幾年的博客文章串聯了起來。Past，PresentandFutureofStatisticalScience：這本書是由COPSS(統計學社主席委員會，由國際各大統計學會的帶頭人組成)在50周年出版的一本紀念冊，里面有50位統計學家每人分別貢獻出的一兩篇文章，有的回憶了自己當年如何走上統計學這條路，有的探討了一些統計學的根本問題，有的談了談自己在從事的前沿研究，有的則給年輕一代寫下了寄語。非常有愛的一本書。其它資料HarvardDataScience：這是H大的Datascience在線課，我沒有修過，但口碑很好。這門課需要費用8千刀左右，比起華盛頓大學的4千刀的Datascience在線課雖貴一倍，但比斯坦福的14千刀要便宜將近一半(而且斯坦福的更偏計算機)。如果想自學，早有好心人分享了slides:(/folderview?id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing)和homeworksandsolutions:(/cs109/content)PyData：PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會，期間會有各路牛人舉行一些規模不大的seminar或workshop，有好心人已經把video上傳到github，有興趣的去認領吧(DataTau/datascience-anthology-pydata·GitHub)工具R/Python/MATLAB(必備)：如果是做數據分析和模型開發，以我的觀察來看，使用這三種工具的最多。R生來就是一個統計學家開發的軟件，所做的事也自然圍繞統計學展開。MATLAB雖然算不上是個專業的數據分析工具，但因為很多人不是專業做數據的，做數據還是為了自己的domainexpertise(特別是科學計算、信號處理等)，而MATLAB又是個強大無比的Domainexpertise工具，所以很多人也就順帶讓MATLAB也承擔了數據處理的工作，雖然它有時候顯得效率不高。Python雖然不是做數據分析的專業軟件，但作為一個面向對象的高級動態語言，其開源的生態使Python擁有無比豐富的庫，Numpy，Scipy實現了矩陣運算/科學計算，相當于實現了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實現了機器學習。SQL(必備)：雖然現在人們都說傳統的關系型數據庫如Oracle、MySQL越來越無法適應大數據的發展，但對于很多人來說，他們每天都有處理數據的需要，但可能一輩子都沒機會接