Då, på 2010-talet, hade webbdesigners och programmerare snygga jobbtitlar och fick ganska bra löner. Men med internetdagarna har saker och ting förändrats.
I denna moderna era av 2000-talet registreras din webbhistorik, din e-postdata lagras och inte överraskande ser jag att min visningshistorik på YouTube direkt påverkar mina rekommendationer på Instagram-rullar, vilket leder till att jag spenderar mer tid på att rulla. Allt detta bevisar att nu är datavetenskapens tidsålder.
Eftersom vi släpper massor av data på internet varje dag, behöver vi definitivt fler dataforskare och ML-ingenjörer som kan låsa upp den fulla potentialen hos denna data, vilket gör våra liv ännu mer sömlösa.
Att samla in data och omvandla det till genomförbara beslut är något som dagens värld kräver. Om du bestämmer dig för att passa in i denna växande efterfrågan och vill bli dataprofessionell, läs vidare för att hitta några av de bästa datavetenskapliga böckerna.
Innehållsförteckning
Varför böcker när Internet är en flod av resurser?
Det är säkert att säga att onlineresurser är mer effektiva än böcker, men det stämmer inte alltid eftersom bokläsare ännu inte är utdöda i denna digitala värld.
Bokläsning och onlinekurser är två olika världar och inte jämförbara. Men vi kan räkna med några fördelar med att läsa böcker via internetresurser här.
Bemästra ämnet: När du är okej med allmän eller praktisk information om ett koncept, då går det bra att söka på nätet, men vill du fördjupa dig i ämnet, från dess historia till härledningar, så flyter boken på bra.
Få en riktig känsla: Böcker är verkliga! Oavsett hur många virtuella möten du deltar i, kan du aldrig fånga charmen med en personlig sammankomst. Så pröva att hålla i en bok och läs, du kommer att känna vikten av sidorna, doften av bläck och lägga märke till dina fingertoppar som flödar över orden. Äntligen kommer du att älska det.
Mindre distraktion: Jag vet att du är på internet för att lära dig något, men ett clickbait med ditt favoritprogram dök upp före dig och du klickade på det. När du insåg att du slösade bort din tid var det redan sent. Så är det inte med böcker. Du fortsätter att läsa dem tills du är uttråkad; inget annat sätt att distrahera dig.
Noggrannhet: Böcker går igenom flera faktakontroller och redigeringstester innan de publiceras, så dessa är mer exakta och tillförlitliga.
Auktoritet: I allmänhet är böcker skrivna av expertprofessorer och forskare inom området, medan internetresurser kan skapas av vem som helst. Så du kan blint lita på många av böckerna.
Här är listan över de bästa datavetenskapliga böckerna som hjälper dig att utmärka dig i din datavetenskapskarriär.
Introduktion till sannolikhet
Välj detta om du bestämmer dig för att inte vara en medioker dataforskare utan hellre markera ditt namn i det här fältet eftersom den här boken Introduktion till sannolikhet täcker de detaljerade och avancerade sannolikhetsbegrepp som alla dataforskare behöver.
Förutom de begrepp som behandlas innehåller boken också massor av problem i sannolikhet med ren matematik. Dessutom hittar du gratis detaljerade lösningar för alla kapitelslutövningar på förlagets webbplats.
Hur som helst, jag rekommenderar inte den här boken till någon som börjar sin karriär inom datavetenskap eller matematik. Du behöver en stark bas i kombinatorik eller en bra matematisk grund för att lära dig sannolikhet med den här boken.
Men när du har en anständig matematisk grund, är detta ett utmärkt val om du tänker på att fullt ut utnyttja frukterna av inlärningssannolikhet i din datavetenskapskarriär.
Data Science Handbook
Data Science Handbook är tänkt att förvandla dig till en unik dataforskare med kunskaper inom datavetenskap, programmering och affärsförståelse. Med den här boken får du en snabbkursupplevelse, men i ett skriftligt format.
Boken är skriven på vanlig engelska, vilket passar bra om du är ny inom datavetenskap.
Förutom att täcka klassiska ML-koncept och algoritmer, berör boken också programvaruteknik, datorminne, datastrukturer och databaser.
Kapitlen om kärnteknologier som Python, Big data visar att den här boken är på tekniksidan för datavetare och ML-ingenjörer som löser verkliga industriproblem snarare än att rikta in sig på dataforskare som arbetar med att publicera sin nästa tidskrift.
Designa dataintensiva applikationer
Den här boken är inte bara för dataforskare eller analytiker. Det inkluderar allt som en mjukvaruingenjör som designar skalbara verkliga applikationer, en mjukvaruarkitekt som utforskar dataintensiva applikationer eller en dataingenjör som bearbetar en stor mängd data behöver för att kunna utnyttja data fullt ut i moderna applikationer.
Skrivet av Martin Kleppmann, forskare inom distribuerade system och säkerhet vid University of Cambridge.
Boken täcker datamodeller, lagringshämtning, datakodning, partitionering, batch- och strömbearbetning och många kärnkoncept för att bygga dataintensiva moderna applikationer.
Om något av följande gäller för dig, är den här boken ett perfekt val för att skala dina färdigheter.
- Hur man bäst använder rätt verktyg för att lösa ett givet problem.
- Vill du bygga skalbara datasystem?
- Optimera prestandan för dina dataintensiva applikationer i produktionen.
- Förbättra flexibiliteten så att dina appar enkelt kan anpassa sig till ny teknik
Naken statistik
Charles Wheelan visar oss i Naked Statistics hur informativ data och de rätta statistiska verktygen kan hjälpa till att bygga fantastiska rekommendationssystem som föreslår nästa produkt du kan lägga till i din varukorg eller exakta prognossystem som hjälper dig att köpa och sälja aktier.
Boken syftar till att träna ditt sinne att intuitivt härleda statistisk analys från den information du har. Ämnen som beskrivande statistik, slutledning, korrelation och regressionsanalys i texten hjälper dig att uppnå detta.
Det bästa är boken Naked Statistics lär dig matematik som en berättelse.
Bayesianska metoder för hackare
Om du vill lära dig probabilistisk programmering från en Bayesiansk sida av dig, då är den här boken allt du behöver. Termen ”Hackare” i titeln kan vara missvisande, så låt oss betrakta hackare som individer som gillar att utforska och lära sig Bayesianska komplexa tillvägagångssätt och metoder.
Boken börjar med att lära dig Bayesianska slutledningar, sedan gör du smutsiga händer genom att bygga din första Bayesianska modell med hjälp av senare sammanhang i texten.
Den har praktiska övningar och kodimplementeringar för att tillämpa Bayesianska tekniker på verkliga problem. Du kommer att få se Bayesiansk implementering i olika branscher som finans och marknadsföring.
Dessutom är den här boken av särskilt intresse om du gillar Python-verktyg som NumPy, SciPy och Matplotlib och med en programmeringsbakgrund.
Hands-On ML med Scikit-Learn
Nuförtiden kan alla med lite programmeringserfarenhet eller ingen programmering alls skapa intelligenta system som kan lära av data och fatta beslut. Vill du också veta hur?
Aurélien Géron, författaren till denna bästa datavetenskapliga bok, lär dig hur du kan bygga ett intelligent ML-system med hjälp av de två Python plug-and-play-ramverken – Scikit-learn och TensorFlow.
Den här praktiska maskininlärningsboken visar dig hur du kan bygga heltäckande maskininlärningssystem, utnyttja den fulla potentialen av sci-kit Learn samtidigt som du kräver minimal kodning från din sida. Du kommer också att bli praktisk med TensorFlow-träning, bygga och skala neurala nätmodeller.
Den är skriven i en vänlig ton, och tro mig, jag förväntade mig aldrig att en ML-bok skulle vara så lättsam, med färre viktiga matematiska härledningar och mer intressanta aspekter av ML.
Deep Learning med Python
Det är vanligt att hitta djupinlärning som ett avsnitt eller ett kapitel i många böcker om maskininlärning och datavetenskap. Men du bör notera – båda områdena är stora ämnen på sitt eget sätt.
Så, den här Deep Learning with Python av François Chollets syfte är att hjälpa dig att specialisera dig uteslutande på grundläggande djupinlärningsämnen.
Boken innehåller tidsserieprognoser, textklassificering, bildgenerering och många fler avancerade djupinlärningskoncept.
Alla koder i boken är redo att köras och fritt nedladdningsbara. Föga överraskande är författaren till den här boken och skaparen av Keras samma person.
Så boken är en perfekt blandning av kortfattad skrift, expertförfattare och körbar kod.
Big Data: En revolution
Är du uttråkad av kodning och tekniker inom maskininlärning och vill fördjupa dig i datas verkliga inverkan i dagens värld?
Då är du bra att gå med denna big data-bok, skriven av Viktor Mayer-Schönberger, Internet Governance and Regulation professor vid Oxford Internet Institute-avdelningen vid University of Oxford.
Boken börjar med hur industrier, inklusive regeringen, samlar in data om allt och hur de använder det. Sedan går det vidare för att diskutera datasekretess och riskerna med det. Slutligen ger det en avslutning med framtida möjligheter och begränsningarna för big data.
Praktisk dataanalys med pandor
Vem som helst kan importera ett bibliotek och anropa en funktion, men att uppfinna insikter från rådata eller visa dig förbryllande resultat i enkla bilder är det som skiljer Data Scientists åt. För att inte tala om, Pandas är det första verktyget du bör känna till för att utföra sådana intuitiva uppgifter.
Oavsett om du är en nybörjare eller en skicklig dataguide visar denna praktiska dataanalys med Pandas-boken varje enskilt knep du behöver för att utforska, analysera och manipulera data med Pandas. Du lär dig att sammanfatta statistik i utforskande dataanalys och hitta mönster genom tydliga visualiseringar.
Genom att arbeta med slutkapitelövningar kommer du gradvis att utveckla färdigheter för att hantera verkliga data i ditt professionella arbete. Du kan komma åt alla filer och koder i den här boken på GitHub.
Praktisk datavetenskap med Python
Författaren Nathan George startar den här bästa praktiska datavetenskapsboken med Python-programmering och tar dig sedan till de centrala datavetenskapliga koncepten och kodar dem i Python. Den leder dig genom varje fas av datavetenskap, från dataanalys till prestandatester.
Kodimplementeringarna i boken är uppdelade i mindre och mer lättsmälta bitar, vilket skapar en samtalston för dig. Ännu viktigare, du kan komma åt varje kod i den här boken på GitHub gratis.
Pandas, SciPy och Sci-kit-learn är de stora Python-biblioteken och ramverken du kommer att använda genom hela boken.
R Programmering för datavetenskap
Efter Python tar R fart när det gäller att utforska avancerad statistik över komplexa data. Så jag är här med en annan textrekommendation om du vill gå in i Data Science med R.
R-programmering för Data Science är officiellt tillgänglig online gratis. Lita på mig, öppna den antingen i Edge eller din favorit-PDF-läsare, så hittar du absolut ingen skillnad mellan dess onlinekopia och den härliga inbundna utgåvan.
Den här boken är inte för dig att lära dig datavetenskap eller ML-tekniker. Det är dock enbart skrivet av Roger D. Peng, professor i biostatistik vid Johns Hopkins Bloomberg School of Public Health, för att utrusta dig med R-programmering, ett verktyg för att hantera vilken datakälla som helst.
I slutet av boken bör du bekvämt kunna använda R-objekt, R-paket, funktioner och reguljära uttryck för datamanipulation och analys.
Avslutar
Det här är en av de bästa listerna på internet för att hitta några perfekta böcker för att ta dina datakunskaper nästa nivå. Data Science är en stor domän. Så jag har inkluderat några specialiserade böcker inom varje område, som maskininlärning, Python, dataanalys och R-programmering, tillsammans med några övergripande bästa datavetenskapliga böcker.
Utforska sedan dessa datavetenskapliga verktyg som också borde hjälpa dig att bli en bättre dataforskare.