1. 深入浅出数据分析 (豆瓣)这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。
难易程度：非常易。
2. 啤酒与尿布 (豆瓣)通过案例来说事情，而且是最经典的例子。
难易程度：非常易。
3. 数据之美 (豆瓣)一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。
难易程度：易。
4. 集体智慧编程 (豆瓣)学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的Python代码。
难易程度：中。
5. Machine Learning in Action (豆瓣)用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！目前中科院的王斌老师（微博： @王斌_ICTIR）已经翻译这本书了 机器学习实战 (豆瓣)。这本书本身质量就很高，王老师的翻译质量也很高。
难易程度：中。
6. 推荐系统实践 (豆瓣)这本书不用说了，研究推荐系统必须要读的书，而且是第一本要读的书。
难易程度：中上。
7. 数据挖掘导论 (豆瓣)最近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，没有推荐Jiawei Han老师的那本书，因为个人觉得那本书对于初学者来说不太容易读懂。
难易程度：中上。
8. The Elements of Statistical Learning (豆瓣)这本书有对应的中文版：统计学习基础 (豆瓣)。书中配有R包，非常赞！可以参照着代码学习算法。
难易程度：难。
9. 统计学习方法 (豆瓣)李航老师的扛鼎之作，强烈推荐。
难易程度：难。
10. Pattern Recognition And Machine Learning (豆瓣)经典中的经典。
11. Machine Learning (豆瓣)去年出版的新书，作者Kevin Murrphy教授是机器学习领域中年少有为的代表。这书是他的集大成之作，写完之后，就去Google了，产学研结合，没有比这个更好的了。
12. Bayesian Reasoning and Machine Learning (豆瓣)看名字就知道了，彻彻底底的Bayesian学派的书，里面的内容非常多，有一张图将机器学习中设计算法的关系总结了一下，很棒。
13. Machine Learning for Hackers (豆瓣)也是通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。
14. Probabilistic Graphical Models (豆瓣)鸿篇巨制，这书谁要是读完了告诉我一声。
15. Convex Optimization (豆瓣)凸优化中最好的教材，没有之一了。课程也非常棒，Stephen老师拿着纸一步一步推到，图一点一点画，太棒了。
16. Graphical Models, Exponential Families, and Variational Inference (豆瓣)这个是Jordan老爷子和他的得意门徒 Martin J Wainwright在 Foundation of Machine Learning Research上的创刊号，可以免费下载，比较难懂，但是一旦读通了，graphical model的相关内容就可以踏平了。
17. Introduction to Semi-Supervised Learning (豆瓣)半监督学习必读必看的书。
18. Learning to Rank for Information Retrieval (豆瓣)微软亚院刘铁岩老师关于LTR的著作，啥都不说了，推荐！
19. Learning to Rank for Information Retrieval and Natural Language Processing (豆瓣)李航老师关于LTR的书，也是当时他在微软亚院时候的书，可见微软亚院对LTR的研究之深，贡献之大。
20. SciPy and NumPy (豆瓣)这本书可以归类为数据分析书吧，因为numpy和scipy真的是非常强大啊。
21. Python for Data Analysis (豆瓣)作者是Pandas这个包的作者，看过他在Scipy会议上的演讲，实例非常强，用pandas做数据分析！
22. Bad Data Handbook (豆瓣)很好玩的书，作者的角度很不同。
转载自http://www.douban.com/group/topic/49433829/