大數(shù)據(jù)入門級學習

1、數(shù)據(jù)科學 怎樣進行大數(shù)據(jù)的入門級學習？數(shù)據(jù)科學并沒有一個獨立的學科體系，統(tǒng)計學，機器學習，數(shù)據(jù)挖掘，數(shù)據(jù)庫，分布式計算，云計算，信息可視化等技術或方法來對付數(shù)據(jù)。但從狹義上來看，我認為數(shù)據(jù)科學就是解決三個問題：1. data pre-processing;(數(shù)據(jù)預處理）2. data interpretation；（數(shù)據(jù)解讀）3. data modeling and analysis.（數(shù)據(jù)建模與分析）這也就是我們做數(shù)據(jù)工作的三個大步驟：1. 原始數(shù)據(jù)要經(jīng)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(shù)據(jù)；2. 我們想看看數(shù)據(jù)“長什么樣”，有什么特點和規(guī)律；3. 按照自己的需

2、要，比如要對數(shù)據(jù)貼標簽分類，或者預測，或者想要從大量復雜的數(shù)據(jù)中提取有價值的且不易發(fā)現(xiàn)的信息，都要對數(shù)據(jù)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(jīng)驗來看，按照這個大思路走，數(shù)據(jù)一般不會做跑偏。這樣看來，數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)科學相關的。R programming如果只是想初步了解一下R語言已經(jīng)R在數(shù)據(jù)分析方面的應用，那不妨就看看這兩本：R in action：我的R語

3、言大數(shù)據(jù)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(fā)布的R basics（/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(zhàn)。Data analysis and graphics using R：使用R語言做數(shù)據(jù)分析的入門書。這本書的特點也是緊貼實戰(zhàn)，沒有

4、過多地講解統(tǒng)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(shù)據(jù)工作，那么上面兩本恐怕不夠，還需要這些：Modern applied statistics with S：這本書里統(tǒng)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(tǒng)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）Data manipulation with R：這本書實務性很強，它教給你怎么從不同格式的原始數(shù)據(jù)文件里

5、讀取、清洗、轉換、整合成高質量的數(shù)據(jù)。當然和任何一本注重實戰(zhàn)的書一樣，本書也有豐富的真實數(shù)據(jù)或模擬數(shù)據(jù)供你練習。對于真正從事數(shù)據(jù)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(shù)據(jù)預處理技能可以幫你節(jié)省大量的時間和精力。否則，你的研究總是要等待你的數(shù)據(jù)。R Graphics Cookbook：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(shù)類型的數(shù)據(jù)。以我現(xiàn)在極業(yè)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。An introduction to statistical learning with application in R：這

6、本書算是著名的the element of statistical learning的姊妹篇，后者更注重統(tǒng)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。A handbook of statistical analysis using R：這本書內容同樣非常扎實，很多統(tǒng)計學的學生就是用這本書來學習用R來進行統(tǒng)計建模的。PythonThink Python，Think Stats，Think Bayes：這是Allen B. Downey寫的著名的Think X series三大卷。其實是三本精致的小冊子，如果想快速地掌握Py

7、thon在統(tǒng)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(tǒng)計建模了。Python For Data Analysis：作者是pandas的主要開發(fā)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(shù)據(jù)。這本書其實analysis講得不多，說成數(shù)據(jù)處理應該更合適。掌握了這本書，處理各種糟心的數(shù)據(jù)就問題不大了。Introduction to Python for Econometrics, Statistics and Data Analysis：這本書第一章就告訴你要安裝Nump

8、y, 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。Practical Data Analysis：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(shù)據(jù)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。Python Data Visualization Cookbook：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。Exp

9、loratory Data Analysis 和 Data VisualizationExploratory Data Analysis：John Tukey寫于1977年的經(jīng)典老教材，是這一領域的開山之作。如今EDA已經(jīng)是統(tǒng)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(shù)據(jù)，堅信數(shù)據(jù)可以以一種出人意料的方式呈現(xiàn)出來。正是他的努力，讓數(shù)據(jù)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。要想完整地了解EDA，推薦下一本：Exploratory Data Analysis with MATLAB：這本書雖然標題帶了個MATLAB，但實際上內容幾乎沒怎么講M

10、ATLAB，只是每講一個方法的時候就列出對應的MATALB函數(shù)。這本書的重要之處在于，這是我讀過的講EDA最系統(tǒng)的一本書，除了對visualization有不輸于John Tucky的講解外，對于高維的數(shù)據(jù)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。Visualize This：中譯本叫“鮮活的數(shù)據(jù)”，作者是個“超級數(shù)據(jù)迷”，建立了一個叫的網(wǎng)頁展示他的數(shù)據(jù)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(shù)據(jù)

11、、時間序列、空間數(shù)據(jù)等，最后你就可以用數(shù)據(jù)講故事了。如果你只想感受一下數(shù)據(jù)可視化是個什么，可以直接點開下面這個鏈接感受下吧！A tour through the visualization zoo（A Tour Through the Visualization Zoo）Machine Learning & Data Mining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（deep learning）同樣值

12、得研究，特別是后者現(xiàn)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(shù)據(jù)領域的應用也不算很廣。deep learning目前工業(yè)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deep learning這兩塊就不薦書了。The Element of Statistical Learning：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

13、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(shù)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(tǒng)計學習）的庫現(xiàn)在已經(jīng)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(fā)現(xiàn)你把數(shù)據(jù)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。Data Mining:Concepts and Techniques, by Jiawei Han and Micheline

14、Kamber 數(shù)據(jù)挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺?shù)模且驗殡m然他這本書的出發(fā)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(jīng)加進去了social network analysis這種當時的前沿內容?，F(xiàn)在已經(jīng)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(jié)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data scientist都要用到，所以這一塊就不再細說。還有

15、一些印象比較深刻的書：Big Data Glossary：主要講解大數(shù)據(jù)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(shù)據(jù)可視化工具包，數(shù)據(jù)清洗，序列化指南等等。總之，是一本辭典式的大數(shù)據(jù)入門指導。Mining of Massive Datasets：這本書是斯坦福大學Web Mining的講義，里面很多內容與韓家煒的Data Mining那本書重合，但這本書里詳細地講了MapReduce的設計原理，PageRank（Google創(chuàng)業(yè)時期的核心排序算法，現(xiàn)在也在不斷優(yōu)化更新）講解得也比較詳細。Developing A

16、nalytic Talent：作者是個從事了十幾年數(shù)據(jù)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(shù)據(jù)處理經(jīng)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(shù)據(jù)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how to become a data scientist的邏輯把他近幾年的博客文章串聯(lián)了起來。Past, Present and Future of Statistical Science：這本書是由COPSS（統(tǒng)計學社主席委員會，

17、由國際各大統(tǒng)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(tǒng)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(tǒng)計學這條路，有的探討了一些統(tǒng)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Harvard Data Science：這是H大的Data science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Data science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: （ and solutions

18、: （PyData：PyData是來自各個domain的用Python做數(shù)據(jù)的人每年舉行一次的聚會，期間會有各路牛人舉行一些規(guī)模不大的seminar或workshop，有好心人已經(jīng)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(shù)據(jù)分析和模型開發(fā)，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(tǒng)計學家開發(fā)的軟件，所做的事也自然圍繞統(tǒng)計學展開。MATLAB雖然算不上是個專業(yè)的數(shù)據(jù)分析工具，但因為很多人不是專業(yè)做數(shù)據(jù)的，做數(shù)據(jù)還是為了自己

19、的domain expertise（特別是科學計算、信號處理等），而MATLAB又是個強大無比的Domain expertise工具，所以很多人也就順帶讓MATLAB也承擔了數(shù)據(jù)處理的工作，雖然它有時候顯得效率不高。Python雖然不是做數(shù)據(jù)分析的專業(yè)軟件，但作為一個面向對象的高級動態(tài)語言，其開源的生態(tài)使Python擁有無比豐富的庫，Numpy, Scipy 實現(xiàn)了矩陣運算/科學計算，相當于實現(xiàn)了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實現(xiàn)了機器學習。SQL（必備）：雖然現(xiàn)在人們都說傳統(tǒng)的關系型數(shù)據(jù)庫如Oracle、MySQL越來越無法