互联网上有很多书籍和课程可以帮助你掌握Python和数据科学。之前我在这篇文章中列出了掌握Python的22个最佳资源。
然而，如果你正在寻找可以帮助你学习数据科学主题的细节和理论的书籍，那么之前的文章并没有涵盖这些内容。
因此，在本文中，我将尝试填补这个空白。幸运的是，有很多完全免费的电子书可以在线阅读，涵盖了我们作为数据科学家需要学习的大部分主题和概念。
以下是我最喜欢的数据科学书籍列表。
1. Think Stats
作者：Allen B. Downey
Think Stats（书封面）
对于Python开发人员来说，Think Stats是一个适合初学者的统计和概率入门指南。你可以在官方greenteapress网站上在线阅读这本书，或者将其下载为PDF格式。
你可以跟随书中提供的编码示例来学习统计概念和处理数据的实用技能。这使得学习变得更加容易，数学公式也变得有趣。
关键主题：人工神经网络
读者级别：初学者。
编程语言：Python
下载链接：http://greenteapress.com/thinkstats2/thinkstats2.pdf
该GitHub存储库提供了代码示例和解决方案这里。
2. Dive into Deep Learning
作者：Aston Zhang，Zachary C. Lipton，Mi Li和Alexander J. Smole
Dive into Deep Learning（书封面）
如果你想了解深度学习模型的工作原理以及如何入门？那么Dive into Deep Learning就是你的答案。它从机器学习的基础开始，逐步涵盖更复杂的深度学习部分。
关键主题：人工神经网络
读者级别：初学者。
编程语言：Python
下载链接：https://www.intechopen.com/books/6187
使用这些Python技巧和技巧来编写更好的Python代码。
3. Advanced Applications for Artificial Neural Networks
作者：Adel El-Shahat
Advanced Applications for Artificial Neural Networks（书封面）
这本书将帮助你了解人工神经网络的当前能力以及它们将来的发展。我最喜欢的是书中的案例研究，如高分辨率土壤属性ANN地图和多足机器人的步态生成的硬件ANN地图等等。
关键主题：人工神经网络
读者级别：初学者。
编程语言：Python
下载链接：https://www.intechopen.com/books/6187
4. Explanatory Model Analysis: Explore, Explain, and Examine Predictive Models
作者：Przemyslaw Biecek和Tomasz Burzykowski
Explanatory Model Analysis: Explore, Explain, and Examine Predictive Models（书封面）
作为数据科学家，我们需要通过数据帮助企业做出正确的决策。为了做到这一点，我们需要学习解释模型分析的技能。这本书可以帮助你学习模型分析技能。
关键主题：解释模型分析。
读者级别：初学者到高级。
编程语言：Python和R
5. Bayesian Methods for Hackers: Probabilistic Programming for Bayesian Inference
作者：Cameron Davidson-Pilon
Bayesian Methods for Hackers: Probabilistic Programming for Bayesian Inference（书封面）
贝叶斯推断是许多概率机器学习方法的重要组成部分。如果你是贝叶斯推断的新手，并且需要一个真正好的介绍，那么Bayesian Methods for Hackers是一个很好的选择。这本书通过解释理论数学公式并将其应用于实际应用程序来填补这个空白。
关键主题：数据科学的贝叶斯方法。
读者级别：初学者。
编程语言：Python
下载链接：https://camdavidsonpilon.github.io/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/```
6. 使用Fastai和PyTorch进行编码的深度学习
作者：Jeremy Howard和Sylvain Gugger
使用Fastai和PyTorch进行编码的深度学习（书封面）
本书旨在启动你的深度学习之旅。即使你已经有了一些深度学习的经验，这本书也可以帮助你。它涵盖了使用多层神经网络进行人类语音识别和动物图像分类的内容。你可以在阅读本书的同时参加fast.ai的深度学习课程https://course.fast.ai/。
主要内容：使用PyTorch和Fastai进行深度学习。
读者层次：初学者到高级水平。
编程语言：Python
下载链接：https://fastai.github.io/fastbook2e/
7. 图上的深度学习
作者：Yao Ma和Jiliang Tang
图上的深度学习（书封面）
图形可以被轻松地解释、解释和采样。本书重点介绍了构建图神经网络（GNNs）所需的广泛深度学习技术。此外，它还涵盖了GNN在计算机视觉、自然语言处理、医疗保健和数据挖掘等不同领域的应用。
主要内容：图神经网络（GNNs）
读者层次：初学者。
编程语言：Python
官方链接：https://web.njit.edu/~ym329/dlg_book/
下载链接：https://web.njit.edu/~ym329/dlg_book/dlg_book.pdf
8. 神经网络设计
作者：Martin T. Hagan，Howard B. Demuth，Mark Hudson Beale和Orlando De Jesús
神经网络设计（书封面）
在这本电子书中，你将从神经网络体系结构和学习规则的基本原理开始，然后进一步进入感知器学习规则。它广泛涵盖了前馈网络（包括多层和径向基网络）的训练方法。然后，你将获得更多关于向量空间、线性变换等理论知识。
主要内容：神经网络设计
读者层次：初学者
编程语言：Python
下载链接：https://hagan.okstate.edu/nnd.html
9. 基于物理的深度学习
作者：N. Thuerey、P. Holl、M. Mueller、P. Schnell、F. Trost和K. Um
基于物理的深度学习（书封面）
本书介绍了深度学习中物理模拟的实际和全面的介绍。你还将学习可区分的模拟、针对物理问题定制的训练算法以及强化学习和不确定性建模。除了关于NNS、可区分的物理、强化学习和物理损失等理论知识外，你还将找到使用Jupyter笔记本的实际代码示例。
主要内容：基于物理的模拟
读者层次：高级
编程语言：Python
下载链接：https://physicsbaseddeeplearning.org/intro.html
10. 面向计算机科学和机器学习的代数、拓扑、微分计算和优化理论
作者：Jean Gallier和Jocelyn Quaintance
本书将帮助你了解数学如何应用于机器学习。最终，通过这本书的帮助，你将能够数学地解释不同的数据科学方法。
主要内容：代数、拓扑、微分计算
读者层次：高级
编程语言：Python
下载链接：https://www.cis.upenn.edu/~jean/gbooks/geomath.html
11. 使用Python进行自然语言处理
作者：Steven Bird、Ewan Klein和Edward Loper
使用Python进行自然语言处理（书封面）
本书是使用Python学习自然语言处理的绝佳入门教材。这是一本初学者友好的介绍，使用NLTK工具包来挖掘、分析、处理和分类文本数据。
主要内容：自然语言处理和文本挖掘。
读者层次：初学者。
编程语言：Python
书籍链接：https://www.nltk.org/book/
12. 机器学习岁月
作者：Andrew Ng
机器学习岁月（书封面）
本书基于Andrew Ng领导Google brain团队的经验而创作。它借鉴了成功机器学习项目的实践步骤和框架。此外，它还提供了有关处理不平衡数据、拆分数据、验证和构建复杂机器学习模型的有用指导。
主要内容：构建成功的机器学习系统。
读者层次：中级。
编程语言： 无。
下载链接：https://info.deeplearning.ai/machine-learning-yearning-book
13. 统计学习简介
作者：Gareth James、Daniela Witten、Trevor Hastie、Robert Tibshirani
《统计学习简介》（书籍封面）
我们每天都在增加收集的数据量。统计学习是任何想要了解数据的人的重要工具。这本书可以帮助任何人学习统计学习的关键方法。
主要主题： 机器学习。
读者水平： 初学者。
编程语言： Python。
下载链接：https://www.statlearning.com/
14. 线性代数
作者：Jim Hefferon
《线性代数》（书籍封面）
Jim Hefferon 的《线性代数》是机器学习中数学领域的基础。这本书涵盖了线性系统和高斯方法、向量空间、线性映射和矩阵。它还包含一套练习，以便练习和测试你的学习。
主要主题： 线性代数
读者水平： 初学者。
编程语言： Python。
下载链接：https://hefferon.net/linearalgebra/
15. 预测：原理与实践
作者：Rob H Hyndman 和 George Athanasopoulos
《预测：原理与实践》（书籍封面）
在这本书中，你将学习到用于预测的不同方法，包括大量带有真实数据的示例，分析和验证适合不同模型（如线性和非线性模型、ARIMA模型和神经网络）。在R中，它使用了_tsibble _和fable包，使我们能够与tidyverse密切集成。
主要主题： 预测。
读者水平： 初学者到高级。
编程语言： R。
我希望你找到了一本可以启动你的职业生涯并提高你的数据科学知识的书。然而，更多的书籍可以简化你的学习，但它们并不完全免费。你可以查看这个收集在Github上的机器学习书籍的综合列表。
译自：https://python.plainenglish.io/15-free-data-science-deep-learning-books-4af882135fad
评论(0)