¿Qué libros debe dominar un gran programador para convertirse en un científico de datos respetado?

Aquí hay algunos buenos libros con los que puedes comenzar. Algunos de ellos pueden comenzar de manera muy simple, pero luego retomarlo.

Libros de resumen de ciencia de datos

R para ciencia de datos: Importar, ordenar, transformar, visualizar y modelar datos (9781491910399): Hadley Wickham, Garrett Grolemund: Libros

Ciencia de datos desde cero: primeros principios con Python 1, Joel Grus, eBook

Estadísticas

Estadísticas prácticas para científicos de datos: 50 conceptos esenciales (9781491952962): Peter Bruce, Andrew Bruce: Libros

R

Recetas probadas para análisis de datos, estadísticas y gráficos (O’Reilly Cookbooks): Paul Teetor: 8601400898512: Amazon.com: Libros

Aprendizaje automático

Conceptos, herramientas y técnicas para construir sistemas inteligentes: Aurélien Géron: 9781491962299: Amazon.com: Libros

Python Machine Learning eBook: Sebastian Raschka: Tienda Kindle

Amazon.com: Machine Learning con R

Amazon.com: Fundamentos del aprendizaje automático para el análisis de datos predictivos: algoritmos, ejemplos trabajados y estudios de casos (MIT Press) (9780262029445): John D. Kelleher, Brian Mac Namee, Aoife D’Arcy: Libros

Redes neuronales

Haga su propio libro electrónico de red neuronal: Tariq Rashid: Tienda Kindle

Martin T Hagan, Howard B Demuth, Mark H Beale, Orlando De Jesús: 9780971732117: Amazon.com: Libros

No estoy seguro de qué camino desea explorar dentro de la ciencia de datos, pero estos libros serán un buen comienzo para que comprenda los fundamentos de la ciencia de datos.

gran pregunta y si se domina, un fantástico / lucrativo temblor de habilidades.

Esto es lo que creo que captura sobre todo:

Análisis matricial de Horn

Los elementos del aprendizaje estadístico Segunda edición por Hastie et al.

Optimización convexa por Boyd

Esos tres abarcan muchas de las herramientas y el conocimiento matizado para tener éxito en la OMI dado que probablemente esté familiarizado con NLP, IR, estructuras de datos y algoritmos.

Realmente me gusta Mining Massive Data Sets donde nuestro amigo Anand Rajaraman es uno de los autores … los capítulos sobre minhash y hashing sensible a la localidad son imprescindibles para un ingeniero / científico de datos moderno.

No hay tales “libros” que deba dominar para convertirse en un Científico de Datos. En cambio, yo diría, domina las “habilidades”. Eso te convertiría en un respetado científico de datos.

Hay muchas capacitaciones en línea disponibles que pueden ayudarlo a aprender las diversas técnicas necesarias para convertirse en un científico de datos. Hay muchos entrenamientos diseñados para enseñarle Big Data, Hadoop, etc. que pueden resultar inmensamente útiles en su carrera de Data Science.

Incluso para todas las demás necesidades de programación suyas, hay muchos recursos disponibles en línea que pueden ayudarlo. Haga una lista de las herramientas y tecnologías que desea dominar y apúntelas. Ir a través de video conferencias, cursos en línea, cualquier recurso disponible. Presta atención al adquirir la habilidad en sí.

La razón por la cual un tutorial en línea sería beneficioso en este sentido es porque: un tutorial le enseña de manera sistemática. Dado que los expertos en el campo le enseñan, saben mejor lo que necesita aprender primero y lo que sigue.

Yo trabajo para COSO IT . Somos consultores y formadores de Data Science, Big Data, Inteligencia Artificial, Aprendizaje automático y análisis . Después de trabajar con varios proyectos en las últimas tecnologías , también compartimos nuestro conocimiento a través de la capacitación en varias tecnologías más recientes. Nuestra capacitación es casi en tiempo real con desafíos reales que enfrentamos mientras trabajamos en el proyecto.

¡La mejor de las suertes!

¡Aquí hay algunos recursos gratuitos para comenzar!

• Libro electrónico gratuito sobre ciencia de datos con R
• Comenzando con Python para Data Science
• Python para análisis de datos
• Un Python indispensable: el abastecimiento de datos para la ciencia de datos.
• Tutorial SQL
• Estadísticas prácticas para científicos de datos: 50 conceptos esenciales (9781491952962): Peter Bruce, Andrew Bruce: Libros

  ______________________________________________________________________

• Datos: gobierno, estado, ciudad, local y público
• Datos: API, Hubs, Marketplaces y Plataformas
• Conjuntos de datos públicos gratuitos

Vea la respuesta del usuario de Quora a ¿Cómo aprendo minería de datos en un mes?

No tengo ninguna posición como esta, pero he leído un poco y he tomado algunos MOOC y he pagado cursos en línea.

1. Aprendiendo de los datos, Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin
2. Teoría de la información, inferencia y algoritmos de aprendizaje, David JC MacKay [pdf gratuito]
3. Todas las estadísticas, Larry Wasserman
4. Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción, Trevor Hastie, Robert Tibshirani, Jerome Friedman [pdf]
5. Modelos gráficos probabilísticos: principios y técnicas, Daphne Koller, Nir Friedman

No, pero sé qué libros leer.

1. R Cookbook por Paul Teetor
2. Aprendizaje automático para hackers por Drew Conway y John Myles White
3. Libro de cocina de gráficos R de Winston Chang
4. Programación de inteligencia colectiva por Toby Segaran (conocido popularmente como PCI)
5. Python para el análisis de datos por Wes McKinney para los usuarios avanzados, si ya conoce a los pandas, debe mirar esta presentación de Wes sobre cuáles son las deficiencias de los pandas.
6. Ciencia de datos ágil por Russell Jurney

Hay más pero estos son buenos. Además, conviértete en un mejor investigador.

Creo que no hay ninguno. Ninguna compañía respetará que usted conozca ciencia de datos simplemente leyendo un libro de programación o simplemente yendo a una clase de MooC. Debe crear proyectos, publicarlo en GitHub y compartir sus proyectos para demostrar que conoce estadísticas, modelado de datos, programación, visualización, etc. Las 2 herramientas de programación utilizadas en Data Science son R y Python.

Aprende estadísticas y aprendizaje automático.

R (todas las cosas estadísticas), Python (numpy) y Lua / torch (si desea profundizar en las redes neuronales), Java y Scala (para Spark y MLlib) son algunos de los lenguajes recomendados. Pero para las estadísticas, Sas y Spss también podrían ayudar.

Mira a Kaggle y prueba algunas de las competiciones.

Práctica práctica práctica.

Necesitarás matemáticas y estadísticas. Recomendaría una base sólida en cálculo, álgebra lineal y estadística. Si no los tiene, aplicará ciegamente algoritmos y hará inferencias incorrectas.

Amigo, ¿por qué necesitas libros? Internet está lleno de esas cosas. Mira este sitio:

Escuchar datos

Cómo ingresar al campo de Analytics

Para obtener estadísticas, puede borrar los conceptos básicos de Khan’s Academy. Aprendizaje automático de algos que puede aprender de Coursera o Datacamp.