入门读物：
- 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。
- 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。
- 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。
- 数学之美 (豆瓣) 这本书非常棒啦，入门读起来很不错！
数据分析：
- 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。
- 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！
- Bad Data Handbook (豆瓣) 很好玩的书，作者的角度很不同。
适合入门的教程：
- 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。
- 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。我带的研究生入门必看数目之一！
- Building Machine Learning Systems with Python (豆瓣) 虽然是英文的，但是由于写得很简单，比较理解，又有 Python 代码跟着，辅助理解。
- 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。
- 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。
稍微专业些的：
- Introduction to Semi-Supervised Learning (豆瓣) 半监督学习必读必看的书。
- 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！
- 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。
- 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。
- 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。
- Natural Language Processing with Python (豆瓣) NLP 经典，其实主要是讲 NLTK 这个包，但是啊，NLTK 这个包几乎涵盖了 NLP 的很多内容了啊！
机器学习教材：
- 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。
- 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。
- 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。
Machine Learning (豆瓣) 这书和上面的书不是一本！这书叫：Machine Learning: An Algorithmic Perspective 之前做过我带的研究生教材，由于配有代码，所以理解起来比较容易。 - Pattern Recognition And Machine Learning (豆瓣) 经典中的经典。
- 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。
- Probabilistic Graphical Models (豆瓣) 鸿篇巨制，这书谁要是读完了告诉我一声。
- 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。
《Doing Data Science: Straight Talk from the Frontline》：Doing Data Science (豆瓣)
作者之一Rachel Schutt本科在密歇根大学学习数学，同时拥有纽约大学数学硕士学位，以及斯坦福大学工程经济系统和运筹学双硕士学位，美国哥伦比亚大学统计学博士学位，而后在谷歌研究所担任统计学专家。Johnson研究实验室的高级科学家兼创始人之一，目前在哥伦比亚大学讲授“数据科学导论”(Introduction to Data Science)课程。她提出了数据科学家的概念即“计算机科学家、软件工程师和统计学家的混合体。”另一位作者Cathy O’Neil是哈佛大学数学博士，麻省理工学院数学系博士后，目前在华尔街的德劭基金(D.E.Shaw)做quant。（总之是两个大牛XD）
本书前面几个章节大致介绍了数据分析法、一些机器学习算法、线性回归和逻辑回归、朴素贝叶斯等等。其中有一些内容需要一些数学基础才能吃透。 第六到十章节是本书的精华，详细介绍了如何利用金融及社交网络中的数据进行数据建模分析，值得反复回味。
《Agile Data Science: Building Data Analytics Applications with Hadoop》：Agile Data Science (豆瓣)
本书适合刚入行的数据爱好者以及有两三年工作经验数据科学家，作者立志打造一个full-stack解决方案（包括开发框架、运行环境等，有了它无需再下载别的软件）来减少前期在数据准备上必须花费的大量时间。此外书中的一些例子放在了GitHub上，建议一边看书一边DIY。
- 《Fast Data Processing with Spark》：Fast Data Processing with Spark (豆瓣)
目前市面上关于Spark的书籍不多，这本120多页的薄书可以当做预热。Spark同Hadoop一样是基于Mapreduce算法实现的分布式计算，不同的是任务的中间输出结果可以保存在内存中无需读写HDFS，所以更加适合需要进行反复迭代的机器学习算法实验。作者Holden Karau曾在亚马逊数据挖掘项目组，目前是一名在谷歌工作的软件研发工程师。
《New Internet:大数据挖掘》 —— 是MS的一位资深专家写的，从算法到工具，再到DM在日志分析、营销邮件、电商、移动等业务中的实际应用，内容有较全面的介绍，语言浅显易懂，作DM领域进门读物很不错。并且在每章节后都有提供本章提到的工具或数据来源，方便学习。
《数据挖掘与数据化运营实战:思路、方法、技巧与应用》—— 这是ALi的一位数据专家写的，从书名能看出这本偏运营实践，里面有很多电商方面的实践案例。当然也有几章节概述DM工具和算法，作为入门介绍。
1、谁说菜鸟不会数据分析 (豆瓣) 其实EXCEL在工作中还是大杀器，原因是易传承，好传播
2、调查研究中的统计分析法 (豆瓣) 统计学肯定要了解，统计学书都可以的
3、SPSS统计分析精要与实例详解 (豆瓣) SPSS的内容，我是从这本书开始看的，因为这本书每个方法都有案例，可以直接看案例明白理论的作用，再加上 SPSS官方说明文档 基本上就够了
4、数据挖掘与数据化运营实战 (豆瓣) ali的专家写的，看了这本书能理解很多方法的适用场景，适用场景和数据解读能力对于业务能力要求很高。
《数据仓库工具箱：维度建模的完全指南》
《Microsoft数据仓库工具箱》
《SQL Server 2008 分析服务从入门到精通》
《SQL Server 2008 报表服务从入门到精通》
另外，推荐以下链接：
原文地址:知乎
本文转自链接: http://www.zhihujingxuan.com/19146.html进行了重新整理数据分析、挖掘方面，有哪些好书值得推荐
原文地址：https://www.cnblogs.com/shujuxiong/p/10240883.html