想要学习大数据，应该看些什么书？推荐的学习书单1.《统计学习基础 数据挖掘、推理与预测》尽管应用的是统计学方法，但强调的是概念，而不是数学。《统计学习基础:数据挖掘、推理与预测》内容广泛，从有指导的学习（预测），到无指导的学习；从神经网络、支持向量机，到分类树、提升等主题，应有尽有，许多例子还附以彩图，是同类书籍中介绍最全面的
想要学习大数据，应该看些什么书？
推荐的学习书单1.《统计学习基础 数据挖掘、推理与预测》尽管应用的是统计学方法，但强调的是概念，而不bù 是数学。《统计学习基础:数据挖掘、推理与预测》内容广泛，从有指导的学习（预测），到无指导的学习；从神经网络、支持向量机，到分类树、提升等主题，应有尽有，许多例子还附以彩图，是同类书籍中介绍最全面的。计算和信息技术的飞速发展带来了医学、生物学、财经【繁：經】和（拼音：hé）营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据{练：jù}挖掘、机器学习和生物信息学等新领域。
2.《模式分类》第二版
除了保留了[繁：瞭]第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近（练：jìn）25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计《繁：計》学习理论和支持向量机等。
开云体育3.《推荐[繁：薦]系统实践》
过大量代码和图表全面系统地阐述了和推荐系统有关的理论基础，介绍了评价推荐系统优劣的各种【繁：種】标准(比如覆盖率、满意度)和方法(比如AB测试)，总结了当今互联网领域中各种和推荐有关的{练：de}产品和服务。
4.《深入搜索引擎–海量信息[练亚博体育：xī]的压缩、索引和查询》
理论[繁：論]和实践并重，深入浅出地给出了海(pinyin：hǎi)量信息数据处理的整套解决方案，包括压缩、索引和查询的方方面面。其最大的特色在于不仅仅满足信息检索理论学习的需要，更重要的是给出了实践中可能面对的各种问题及其解决方法。
澳门博彩5.《概率论与【yǔ】数理统计》
这本书不用过多介{练：jiè}绍了吧，普遍大学里大一时期的教《读：jiào》科书，只恨当年没听课啊，现在正在慢慢啃。
6.《大数据：互联网大规模数据挖掘与分布式处理（pinyin：lǐ）》
主要内容（练：róng）包括分布式文件系统、相似性搜索、搜索引擎技术、频繁项集《读：jí》挖掘、聚类《繁：類》算法、广告管理及推荐系统。
7.《W澳门伦敦人eb数据【练：jù】挖掘》
信息检索领域的书籍，该书深入讲解了从大量非结构化Web数据中提取和产生知识的技术。书中首先论述了Web的基础（包括Web信息采集机制、Web标引机制以及基于关键字或基于相似性搜索机制），然后系统地描述了Web挖掘的基础知识，着重介绍基于超文本的机器学习和数据挖掘方法，如聚类、协同过滤、监督学习、半监督学习《繁：習》，最后讲述了这些基本（pinyin：běn）原理在Web挖掘（jué）中的应用。《Web数据挖掘》为读者提供了坚实的技术背景和最新的知识。
8.《数{pinyin：shù}据之巅》
对大数据追（拼音：zhuī）根溯源，提出当前信息技术的发展，已{pinyin：yǐ}经让中国获《繁：獲》得了后发优势，中国要在大数据时代的全球竞争中胜出，必须把大数据从科技符号提升成为文化符号，在全社会倡导数据文化。
9澳门银河.《深入{rù}浅出统计学》
本书涵盖的知[练：zhī]识点包括：信息可视化、概率计算、几何分布、二项分布及泊松分布、正态分布、统计抽样、置信区间的构《繁：構》建、假设检《繁体：檢》验、卡方分布、相关与回归等等，完整涵盖AP考试范围。
10.《矩阵分析[练：xī]》
本书从数学分析的角度论述矩阵分析的经典方法和现代方法，取材新，有一定的深度，并给出在多元微积分、复分析、微分方程、量优化、逼近理论中的许多重[zhòng]要应用。主要内容包括：特征值、特征向量和相似性，酉等价（繁：價）和正规(繁：規)矩阵，标准形，Hermite矩阵和对称矩阵，向量范数和矩阵范数，特征值和估计和扰动，正定矩阵，非负矩阵。
11.《统计学习方{pinyin：fāng}法》
本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模mó 型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学{pinyin：xué}习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参[繁：蔘]考文献。
12.《机器学习导（繁：導）论》
对机器学习的定义和应用实例进行了介(jiè)绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度dù 归约、聚类、非参数方法、决策树
线性判别式、多层感知【读：zhī】器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合[繁：閤]多学习器[练：qì]以及增强学习等。
《机器学习及其应用》：全书共分14章，内容涉及因果推断、流形学习与降维、迁移学习、类别不平衡学（繁体：學）习、演化聚类、多标记学习、排[pinyin：pái]序学习、半监督【pinyin：dū】学习等技术和协同过滤、社区推荐、机器翻译等应用，以及互联网应用对机。
本文链接：http://21taiyang.com/Business-Operations/6946397.html
人【rén】类所有学科分类转载请注明出处来源
