淺析：數(shù)據(jù)挖掘從入門(mén)到進(jìn)階，要看什么書(shū)_數(shù)據(jù)分析師

做數(shù)據(jù)挖掘也有些年頭了，寫(xiě)這篇文一方面是讓我寫(xiě)篇文，朋友作為數(shù)據(jù)挖掘方面的參考，另一方面也是有拋磚引玉之意，希望能夠和一些大牛交流，相互促進(jìn)，讓大家見(jiàn)笑了。

Q:學(xué)習(xí),最近在看集體智慧編程,樓主可否推薦下數(shù)學(xué)基礎(chǔ)的書(shū)?

A:我數(shù)學(xué)本身也不好 自己也在偷偷補(bǔ) 因?yàn)榭吹牟欢嘁膊荒芙o出個(gè)提綱式的建議 只能給您列下我近期看過(guò)和在看的覺(jué)得不錯(cuò)的書(shū) 您看做參考吧

1.矩陣方面 Kaare Brandt Petersen的《The Matrix Cookbook》 網(wǎng)易公開(kāi)課中的《麻省理工公開(kāi)課：線性代數(shù)》

2.概率論與數(shù)理統(tǒng)計(jì)方面 JohnA.Rice 的《數(shù)理統(tǒng)計(jì)與數(shù)據(jù)分析》《統(tǒng)計(jì)建模與R軟件》

3.微積分方面 網(wǎng)易公開(kāi)課中的《麻省理工學(xué)院公開(kāi)課：?jiǎn)巫兞课⒎e分》

其實(shí)您只要有了

1.概率論與數(shù)理統(tǒng)計(jì)以及其他統(tǒng)計(jì)學(xué)基礎(chǔ)

2.扎實(shí)的線性代數(shù)功底

3.微積分（如果能學(xué)習(xí)下實(shí)變函數(shù)和泛函分析就更好了）

這幾方面的基礎(chǔ) 基本上機(jī)器學(xué)習(xí)的大部分算法您都具有了其數(shù)學(xué)基礎(chǔ)

如果您覺(jué)得我說(shuō)的太泛 可以先看看《模式分類(lèi)》這本書(shū)的附錄中的數(shù)學(xué)基礎(chǔ) 這樣您就大體有個(gè)印象了

入門(mén)：

數(shù)據(jù)挖掘入門(mén)的書(shū)籍，中文的大體有這些：

Jiawei Han的《數(shù)據(jù)挖掘概念與技術(shù)》

Ian H. Witten / Eibe Frank的《數(shù)據(jù)挖掘 實(shí)用機(jī)器學(xué)習(xí)技術(shù)》

Tom Mitchell的《機(jī)器學(xué)習(xí)》

TOBY SEGARAN的《集體智慧編程》

Anand Rajaraman的《大數(shù)據(jù)》

Pang-Ning Tan的《數(shù)據(jù)挖掘導(dǎo)論》

Matthew A. Russell的《社交網(wǎng)站的數(shù)據(jù)挖掘與分析》

很多人的第一本數(shù)據(jù)挖掘書(shū)都是Jiawei Han的《數(shù)據(jù)挖掘概念與技術(shù)》，這本書(shū)也是我們組老板推薦的入門(mén)書(shū)（我個(gè)人覺(jué)得他之所以推薦是因?yàn)镠an是他的老師）。其實(shí)我個(gè)人來(lái)說(shuō)并不是很推薦把這本書(shū)。這本書(shū)什么都講了，甚至很多書(shū)少有涉及的一些點(diǎn)比如OLAP的方面都有涉獵。但是其實(shí)這本書(shū)對(duì)于初學(xué)者不是那么友好的，給人一種教科書(shū)的感覺(jué)，如果你有大毅力讀完這本書(shū)，也只能獲得一些零碎的概念的認(rèn)識(shí)，很難上手實(shí)際的項(xiàng)目。

我個(gè)人推薦的入門(mén)書(shū)是這兩本：TOBY SEGARAN的《集體智慧編程》和Ian H. Witten / Eibe Frank的《數(shù)據(jù)挖掘 實(shí)用機(jī)器學(xué)習(xí)技術(shù)》

《集體智慧編程》很適合希望了解數(shù)據(jù)挖掘技術(shù)的程序員，這本書(shū)講述了數(shù)據(jù)挖掘里面的很多實(shí)用的算法，而且最重要的是其講述的方式不是像Han那種大牛掉書(shū)袋的講法，而是從實(shí)際的例子入手，輔以python的代碼，讓你很快的就能理解到這種算法能夠應(yīng)用在哪個(gè)實(shí)際問(wèn)題上，并且還能自己上手寫(xiě)寫(xiě)代碼。唯一的缺點(diǎn)是不夠深入，基本沒(méi)有數(shù)學(xué)推導(dǎo)，而且不夠全面，內(nèi)容不夠翔實(shí)。不過(guò)作為一本入門(mén)書(shū)這些缺點(diǎn)反而是幫助理解和入門(mén)的優(yōu)點(diǎn)。

推薦的另一本《數(shù)據(jù)挖掘 實(shí)用機(jī)器學(xué)習(xí)技術(shù)》則相對(duì)上一本書(shū)要稍微難一點(diǎn)，不過(guò)在容易理解的程度上依然甩Han老師的書(shū)幾條街，其作者就是著名的Weka的編寫(xiě)者。整本書(shū)的思想脈絡(luò)也是盡可能的由易到難，從簡(jiǎn)單的模型入手?jǐn)U展到現(xiàn)實(shí)生活中實(shí)際的算法問(wèn)題，最難能可貴的是書(shū)的最后還稍微講了下如何使用weka，這樣大家就能在學(xué)習(xí)算法之余能夠用weka做做小的實(shí)驗(yàn)，有直觀的認(rèn)識(shí)。

看完上述兩本書(shū)后，我覺(jué)得大體數(shù)據(jù)挖掘就算有個(gè)初步的了解了。往后再怎么繼續(xù)入門(mén)，就看個(gè)人需求了。

如果是只是想要稍微了解下相關(guān)的技術(shù)，或者作為業(yè)余愛(ài)好，則可隨便再看看Anand Rajaraman的《大數(shù)據(jù)》以及Matthew A. Russell的《社交網(wǎng)站的數(shù)據(jù)挖掘與分析》。前者是斯坦福的”Web挖掘”這門(mén)課程的材料基礎(chǔ)上總結(jié)而成。選取了很多數(shù)據(jù)挖掘里的小點(diǎn)作為展開(kāi)的，不夠系統(tǒng)，但講的挺好，所以適合有個(gè)初步的了解后再看。后者則亦是如此，要注意的是里面很多api因?yàn)镚FS的緣故不能直接實(shí)驗(yàn)，也是個(gè)遺憾

進(jìn)階：

進(jìn)階這個(gè)話題就難說(shuō)了，畢竟大家對(duì)于進(jìn)階的理解各有不同，是個(gè)仁者見(jiàn)仁的問(wèn)題。就我個(gè)人來(lái)說(shuō)，則建議如下展開(kāi)：

視頻學(xué)習(xí)方面： 

可以看看斯坦福的《機(jī)器學(xué)習(xí)》這門(mén)課程的視頻，最近聽(tīng)說(shuō)網(wǎng)易公開(kāi)課已經(jīng)全部翻譯了，而且給出了雙語(yǔ)字幕，更加容易學(xué)習(xí)了^_^

書(shū)籍學(xué)習(xí)方面：

我個(gè)人推薦的是這樣：可以先看看李航的《統(tǒng)計(jì)學(xué)習(xí)方法》，這本書(shū)著重于數(shù)學(xué)推導(dǎo)，能讓我們很快的對(duì)于一些算法的理解更加深入。有了上面這本書(shū)的基礎(chǔ)，就可以開(kāi)始啃一些經(jīng)典名著了。

這些名著看的順序可以不分先后，也可以同時(shí)學(xué)習(xí)：

Richard O. Duda的《模式分類(lèi)》這本書(shū)是力薦，很多高校的數(shù)據(jù)挖掘導(dǎo)論課程的教科書(shū)便是這本（也是我的數(shù)據(jù)挖掘入門(mén)書(shū)，很有感情的）。如果你不通讀這本書(shū)，你會(huì)發(fā)現(xiàn)在你研究很多問(wèn)題的時(shí)候，甚至一些相對(duì)簡(jiǎn)單的問(wèn)題（比如貝葉斯在高斯假設(shè)下為什么退化成線性分類(lèi)器）都要再重新回頭讀這本書(shū)。

Christopher M. Bishop的《Pattern Recognition And Machine Learning》這本書(shū)也是經(jīng)典巨著，整本書(shū)寫(xiě)的非常清爽。

《The Elements of Statistical Learning》這本書(shū)豆友有句很好的吐槽“機(jī)器學(xué)習(xí) — 從入門(mén)到精通”可以作為這本書(shū)的副標(biāo)題。可以看出這本書(shū)對(duì)于機(jī)器學(xué)習(xí)進(jìn)階的重要性。值得一說(shuō)的是這本書(shū)雖然有中文版，但是翻譯之爛也甚是有名，聽(tīng)說(shuō)是學(xué)體育的翻譯的。

Hoppner, Frank的《Guide to Intelligent Data Analysis》這本書(shū)相對(duì)于上面基本經(jīng)典巨著并不出名，但是寫(xiě)的甚好，是knime官網(wǎng)上推薦的，標(biāo)榜的是解決實(shí)際生活中的數(shù)據(jù)挖掘問(wèn)題，講述了CRISP-DM標(biāo)準(zhǔn)化流程，每章后面給出了R和knime的應(yīng)用例子。

項(xiàng)目方面：

事實(shí)上，我覺(jué)得從進(jìn)階起就應(yīng)該上手一些簡(jiǎn)單的項(xiàng)目了。如果不實(shí)踐只是看書(shū)和研究算法，我覺(jué)得是無(wú)法真正理解數(shù)據(jù)挖掘的精髓所在的。打個(gè)簡(jiǎn)單的比方，就算你看完了C++ Primer、effective C++等等書(shū)籍，如果自己不寫(xiě)C++，那么自己也就會(huì)停留在hello world的級(jí)別。實(shí)踐出真知非常切合數(shù)據(jù)挖掘這門(mén)學(xué)科，實(shí)際上手項(xiàng)目后才會(huì)發(fā)現(xiàn)什么叫”80%的準(zhǔn)備，20%的建?！?，real world的問(wèn)題我認(rèn)為并不是僅僅靠modeling就能很好的解決的。詳細(xì)的可以看看《Guide to Intelligent Data Analysis》就能略知一二。如果上手做推薦或者一些簡(jiǎn)單的項(xiàng)目，也可以考慮用用mahout，推薦的入門(mén)手冊(cè)是《mahout in action》。項(xiàng)目問(wèn)題說(shuō)來(lái)話長(zhǎng)，有時(shí)間會(huì)以CRISP流程為引單獨(dú)作文，這里也就不詳談了。

軟件方面：

我常用而且推薦的軟件有如下，這里只是簡(jiǎn)單的列出，以后有時(shí)間再詳細(xì)分析和寫(xiě)出入門(mén)：

Weka Java的軟件，可以集成到自己的項(xiàng)目中

Orange 一個(gè)用python寫(xiě)的數(shù)據(jù)挖掘開(kāi)源軟件，界面做的很漂亮，可以做圖形化實(shí)驗(yàn)，也可以用python調(diào)用編程。

Knime 和Orange類(lèi)似，特點(diǎn)是可以集成weka和R等開(kāi)源軟件

SAS的EM模塊以及R 還有最最經(jīng)典的matlab大大