數據演算法書籍推薦
自學c語言中的數據結構與演算法，我把它分為入門，鞏固，應用，提高，進化這幾個階段，不同階段可以看不同書籍。
《數據結構與演算法分析——C語言描述》 ，一般大學普遍教程。
《演算法設計與分析》
《演算法引論》
《Elements of Programming》
《C Interfaces and Implementation》
這個相關書籍貌似沒得，可以自己是一些功能，如下：
《Algorithm Design Manual》
《The Science of Programming》
《編程珠璣》
《Algorithms 4th》
《Advanced Data Structures》
如果你想成為一個碼農或是熟練工（Code Monkey），你大可以不學演算法，因為演算法對你確實沒有用；但如果你想成為一個優秀的開發者（Developer），扎實的演算法必不可少，因為你會不斷的掉進一些只能藉助演算法才能爬出去的坑裡。所以，騷年加油把。
② 演算法入門的話看什麼書比較好
原理 入門：《編碼：隱匿在計算機軟硬體背後的語言》
這是一本講述計算機工作原理的書。
不過，你千萬不要因為「工作原理」之類的字眼就武斷地認為，它是晦澀而難懂的。作者用豐富的想像和清晰的筆墨將看似繁雜的理論闡述得通俗易懂，你絲毫不會感到枯燥和生硬。 更重要的是，你會因此而獲得對計算機工作原理較深刻的理解。這種理解不是抽象層面上的，而是具有一定深度的，這種深度甚至不遜於「電氣工程師」和「程序員」的理解。
不管你是計算機高手，還是對這個神奇的機器充滿敬畏之心的菜鳥，都不妨翻閱一下《編碼:隱匿在計算機軟硬體背後的語言》，讀一讀大師的經典作品，必然會有收獲。
實戰 晉升：《編程珠璣》
正如自然界里珍珠出自細沙對牡蠣的磨礪，計算機科學大師 Jon Bentley 以其獨有的洞察力和創造力，從磨礪程序員的實際問題中凝結出一篇篇不朽的編程「珠璣」，成為世界計算機界名刊《ACM通訊》歷史上最受歡迎的專欄，最終結集為兩部不朽的計算機科學經典名著，影響和激勵著一代又一代程序員和計算機科學工作者。
本書為第一卷，主要討論計算機科學中最本質的問題：如何正確選擇和高效地實現演算法。
永恆的經典：《代碼大全》
Steve McConnell 的原作《代碼大全》(第1版)是公認的關於編程的最佳實踐指南之一， 在過去的十多年間，本書一直在幫助開發人員編寫更好的軟體。
現在，作者將這本經典著作全新演繹，融入了最前沿的實踐技術，加入了上百個嶄新的代碼示例， 充分展示了軟體構建的藝術性和科學性。 McConnell匯集了來自研究機構、學術界以及業界日常實踐的主要知識， 把最高效的技術和最重要的原理交織融會為這本既清晰又實用的指南。
無論您的經驗水平如何，也不管您在怎樣的開發環境中工作，也無論項目是大是小， 本書都將激發您的思維並幫助您構建高品質的代碼。
③ 有哪些值得推薦的《數值分析》(數值計算方法)教材或者參考書
《數值分析 中南大學韓旭里 126講》網路網盤資源免費下載
鏈接: https://pan..com/s/1ath5aUEumr5ueV5d_GRa5Q
數值分析 中南大學 韓旭里 126講|線性方程組的迭代解法（一）.mp4|線性方程組的迭代解法（五）.mp4|線性方程組的迭代解法（四）.mp4|線性方程組的迭代解法（三）.mp4|線性方程組的迭代解法（七）.mp4|線性方程組的迭代解法（六）.mp4|線性方程組的迭代解法（二）.mp4|數值積分與數值微分（一）.mp4|數值積分與數值微分（五）.mp4|數值積分與數值微分（四）.mp4|數值積分與數值微分（十一）.mp4|數值積分與數值微分（十五）.mp4|數值積分與數值微分（十四）.mp4|數值積分與數值微分（十三）.mp4
④ 提高數據分析能力必讀書籍推薦
【導讀】隨著互聯網的發展，數據分析已經成了非常熱門的職業，大數據分析師也成了社會打工人趨之若鶩的職業，不僅高薪還沒有很多職場微世界的繁瑣事情，不過要想做好數據分析工作也並不簡單，參看一些好書，對行進數據分析會更有幫助!今天小編就給大家帶來了提高數據分析能力必讀書籍推薦，希望對各位小夥伴有所幫助。
數據分析進階
1.《精益數據分析》
本書展示了怎樣驗證自己的設想、找到實在的客戶、打造能掙錢的產品，以及行進企業知名度。並經過30多個事例剖析，深化展示了怎樣將六個典型的商業辦法運用到各種規劃的精益創業、數據分析根底，和數據驅動的思維辦法中，找到企業添加的首先要害方針。
2.《數學之美》
本書把深邃的數學原理講得愈加通俗易懂，讓非專業讀者也能領會數學的魅力。讀者經過具體的比方學到的是考慮問題的辦法 ——
怎樣化繁為簡，怎樣用數學去向理工程問題，怎樣跳出固有思維不斷去考慮立異。
數據挖掘
1.《數據挖掘導論(無缺版)》
本書全面介紹了數據挖掘，包括了五個主題：數據、分類、相關剖析、聚類和異常檢測。除異常檢測外，每個主題都有兩章。前一章包括根柢概念、代表性演算法和點評技術，然後一章談論高檔概念和演算法。這樣讀者在透徹地了解數據挖掘的根底的一同，還可以了解更多重要的高檔主題。
2.《數據挖掘概念與技術》
本書無缺全面地敘說數據挖掘的概念、辦法、技術和最新研討翻開。本書對前兩版做了全面修訂，加強和從頭組織了全書的技術內容，要害論說了數據預處理、再三辦法挖掘、分類和聚類等的內容，還全面敘說了OLAP和離群點檢測，並研討了挖掘網路、凌亂數據類型以及重要運用范疇。
3.《數據挖掘與數據化運營實戰：思維、辦法、技巧與運用》
現在有關數據挖掘在數據化運營實踐范疇比較全面和系統的作品，也是諸大都據挖掘書本中為數不多的交叉許多實在的實踐運用事例和場景的作品，更是發明性地針對數據化運營中不同剖析挖掘課題類型，推出逐一對應的剖析思路集錦和相應的剖析技巧集成，為讀者供給「菜單化」實戰錦囊的作品
作為數據分析師，如果僅僅安於現狀，不注重自我行進，那麼，不久的將來，你很或許成為公司的「人肉」取數機，影響往後的工作生計。
以上就是小編今天給大家整理分享關於「提高數據分析能力必讀書籍推薦」的相關內容希望對大家有所幫助。小編認為要想在大數據行業有所建樹，需要考取部分含金量高的數據分析師證書，一直學習，這樣更有核心競爭力與競爭資本。
⑤ 如何選擇一本優質的數據科學書籍
如何選書
選擇一本合適的數據科學書至關重要，一本不適合的書會浪費你的時間以及精力。
有時候，書的大綱可能正合你意。但是隨著你深入閱讀時，可能會發現作者只觸及了表面，並不夠深入。這種情況之前也發在我的身上，我寫這篇文章就是為了讓你避免這種情況。
當我們選擇數據科學相關書籍時，可以考錄一下幾點：
· 看作者的個人簡介：能夠幫助了解作者的背景，他的研究和主要興趣，同時也展現了本書的一些細節。但也要給新的作者機會，不要把這一點作為關鍵。
· 仔細閱讀序言：大部分圖書在網上都能免費閱讀其序言部分。請仔細閱讀該部分。大多數情況下，在此部分作者不僅會介紹寫書背景，也會闡述各章節的細節。
· 選擇有獨立章節的書：這是我的個人喜好，比較一本技術型的書不是小說。雖然從書中由易到難、逐步學習很重要，但選擇一本或多或少帶有獨立章節的書能讓你結構性的把握此書。
· 去書店逛逛：雖然如今可以在網上找到所有的東西，但是在書店可以給你更直觀的感受。有時候，當瀏覽一本書的關鍵章節時，我可能會改變主意，去選擇另一本書。
· 閱讀在線評論：首先不要相信所有評論，畢竟評論是主觀的，但在線評論可以了解人們對此書的普遍看法。我們常說：不要以一本書的封面來判斷其好壞。亞馬遜的評論值得參考，人們會對作者做出有見地的評論和批評。
感興趣的書籍
數據科學有很多好書，在本文末尾，我列出了39本我所讀過的數據分析書籍。如果列表中沒有涵蓋你認為優質的書，請給我留言。
詳細的回顧
一次回顧一堆書是一個艱巨的任務。將所有這些書放在一起的原因是，我認為概念和理論上有一些重疊的部分，其中最具挑戰是大部分時間它們都是以不同的詞彙呈現和闡述的。以下是我列出的，在閱讀數據科學書之前值得一看的理想書籍清單。記住，你永遠不會從一本書中獲得足夠的知識，因為科學領域是非常復雜的，一本書是遠遠不夠的。
在下文中，我根據每個標准選擇了這些書籍中的前5名。
書籍長度（頁數）
一本書的長度確實取決於所探討的內容。雖然這不是對質量的衡量標准，但我們可以假設你閱讀的內容越多，所獲得的知識就越多。以下是我根據書籍中探討的內容多少排名前5名的書籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python in a Nutshell: A Desktop Quick Reference
Alex Martelli, Anna Ravenscroft, Steve Holden
Data Structures and Algorithms in Python
Michael T. Goodrich and Roberto Tamassia
Doing Data Science
Cathy O』Neil and Rachel Schutt
Python Machine Learning
Sebastian Raschka
寫作風格
對科學領域進行闡述很有挑戰性，不能讓每個人都滿意，這取決於目標受眾。有些作者有這方面的天賦，能夠以簡單明了的方式傳達復雜的概念。同樣，通過巧妙的結構和良好的學習方式解釋概念，有助於學習。以下是寫作風格方面前5名的書籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
The Art of Data Science
Roger D. Peng, Elizabeth Matsui
Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Peter Flach
Real World Machine Learning
Henrik Brink and Joseph Richards
結構
教授數據科學並非易事，但也沒有那麼難，我們只需了解應如何構建內容，從而確保信息被保留。關於這點有兩個主要的方法。我們可以構建獨立的模塊，當中的內容可以不具備相關性，但還是屬於數據科學分析流程的內容。單獨闡述這些概念不需按照順序。
另一方面，人們可以通過以難度遞增的順序來構建內容，就像大多數教學書籍中一樣。例如關於回歸，書中以最基本形式的回歸開始，並加以越來越多的變化和最復雜形式的回歸。以下是結構性排名前五的書籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
Modern Python CookBook
Steven F. Lott
Docker in Practice
Ian Miell and Aidan Hobson Sayers
Ensemble Methods: Foundations and Algorithms
Zhi-Hua Zhou
內容
怎樣就算太過了？從哪兒開始記敘？應該涉及什麼內容，跳過什麼內容？這些都是寫數據科學相關書籍是會遇到的問題。一些作者會選擇涵蓋一個非常具體的領域，當查看這些作者的學術資料時，我們看到他們的研究與著作之間的聯系。大多數時候，這些作者寫的不是一般的數據科學書籍，而是他們的研究的一部分。他們的目標受眾也比較狹窄。另一方面，一些作者針對數據科學教學，關注的是基本的和全局的部分，而不是細節。這類書籍常常涉及使用R語言或Python的回歸，分類，以及使用模塊進行數據分析等等。
通過封面判斷一本書？
大多數人都說不要這么做。但我不認同這點。我們會用封面來判斷一本書的好壞嗎？我們需要、且必須這么做。當然，這里說的不是這本書的外部封面，而是在序言中可以看到的，書第一部的介紹性段落。在這部分，作者大部分都詳細介紹了本書各個章節的細節。有時，作者會偏離他們最初對書籍的設想。這是正常的，這個領域正在快速發現，觀點也是如此。但是一本好書總能夠遵循其最初的設想。
解釋的深度
作者在解釋時會深入到哪個程度？我認為這與我在這篇文章中提到的很多觀點有關。這與內容，結構和長度之間存在關聯性。解釋的深度能夠區分好的作者，作者傳達的信息中包含的內容，關繫到你能夠吸收知識，特別是那種會在大腦中留存很長時間的知識。因此，作者的技能在這占很重要的角色。因為他們必須掌握內容背後的真諦，這使得他們在解釋問題時能夠深入，同時避免讀者脫離本書的大框架。
代碼解釋
代碼很重要，但不是必需的。如果這本書的主要目的是為了解釋特定的方法，演算法和方法在後台如何工作，那麼最好的方法是從頭開始重新實現一個演算法。盡管很多人會說：「為什麼要這么麻煩，我們有對應的模塊啊」，那麼我只能建議他們換一本書，因為他們選錯書了。重新實現的過程，能夠讓你感受到為了優化庫的可擴展性所投入的精力。根據上下文，一些書只是為了教會你如何使用特定的庫和包，這種書大多時候被稱為cookbook，這類書作者會依賴筆記（分享在GitHub或其他版本控制平台用於對他們的書進行補充）。通過作者，你會發現足夠的代碼能夠通過解釋一些聯系，從而幫助你掌握特定的主題。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
Modern Python CookBook
Steven F. Lott
Docker in Practice
Ian Miell and Aidan Hobson Sayers
Ensemble Methods: Foundations and Algorithms
Zhi-Hua Zhou
結語
這是一個非常主觀的分類，如果你有不同的看法，歡迎給我留言。
附：39本數據科學相關推薦書籍
Doing Data Science
Cathy O』Neil and Rachel Schutt
Docker in Action
Jeff Nickoloff The Art Of R Programming
Norman Matloff
Introcing Data Science
Davy Cielen and Arno Meysman
Learning Predictive Analytics with Python
Ashish Kumar
Data Structures and Algorithms in Python
Michael T. Goodrich and Roberto Tamassia
Amazon Web Services in Action
Andreas Wittig and Michael Wittig
Spark for Python Developers
Amit Nandi
Machine Learning : A probabilistic perspective
Kevin P. Murphy
Real World Machine Learning
Henrik Brink and Joseph Richards
iPython Interactive Computing and Visualization Cookbook
Cyrille Rossant
Mastering Machine Learning with scikit-learn
Gavin Hackeling
Python Data Science Cookbook
Gopi Subramanian
Building Machine Learning Systems with Python
Willi Richert and Luis Pedro Coelho
Hadoop The Definitive Guide
Tom White
Statistical Learning with Sparsity
Trevor Hastie and Robert Tibshirani
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Fluent Python
Luciano Ramalho
Thoughtful Machine Learning
Matthew Kirk
Machine Learning with R Cookbook
Yu-Wei, Chiu (David Chiu)
Docker in Practice
Ian Miell and Aidan Hobson Sayers
Data Science and Big Data Analytics
EMC Ecation Services
Mastering Object-Oriented Python
Steven F. Lott
Machine Learning with Spark
Nick Pentreath
Machine Learning for Hackers
Drew Conway and John Myles White
Data Science for Business
Foster Provost and Tom Fawcett
Developing Analytic Talent
Vincent Granville
Think Python : How to Think Like a Computer Scientist
Allen B. Downey
Python Algorithms
Magnus Lie Hetland
Python Cookbook
David Beazley and Brian K. Jones
Testing Python
David Sale
Programming Collective Intelligence
Toby Segaran
Data Analysis with open source tools
Philipp K. Janert
Python in a Nutshell: A Desktop Quick Reference
Alex Martelli, Anna Ravenscroft, Steve Holden
Python Machine Learning
Sebastian Raschka
The Art of Data Science
Roger D. Peng, Elizabeth Matsui
Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Peter Flach
Modern Python CookBook
Steven F. Lott
Ensemble Methods: Foundations and Algorithms
Zhi-Hua Zhou
原文鏈接：
https://opendatascience.com/blog/how-to-choose-a-great-data-science-book/
⑥ 《數據結構與演算法分析：C語言描述（原書第2版） 》這本書比起其他書，可以么看這本書需要什麼基礎
額，我想你說：「數據結構與演算法分析」魏斯寫道，正確的，這本書在豆瓣給出了9分的高分，被認為是一個非常高的分數，但計算機世界經典名曲，如浩瀚的海洋偉大的編程書籍。
Kernighan的編程做法是讓你全面了解做什麼經典，這本書是非常薄的編程。
Bentley的「編程
cormen」演算法導論「Skiena」演算法設計手冊「的分析」的數據結構和演算法更大量的是一個傑作。珍珠「（卷1和2）將帶你領略的電源的演算法。
侯捷的STL源碼分析，深入講解了C + +標准庫的實現細節，讓你真正的頂尖選手的傑作。
史蒂文斯的「UNIX水平的編程環境UNIX網路編程是程序員的高級系列，一讀再讀，因為你最終會了解你的程序運行在操作系統上，需要交互和網路，你需要了解他們，與他們友好相處。
C + +'父Bjarne Stroustrup的三大傑作：「C + +程序設計語言，C + +程序設計原理與實踐」，「C + +語言的設計和演變」C + +語言權威的指南，也是編程的經典書籍。
科比「深入理解計算機系統能夠告訴你的計算機基礎做了什麼讓你的計算機更好地了解和更好地利用CPU聖經。 BR />
經典的書，這些都是軟體開發「程序員修煉」代碼完成「重建」設計模式「，任何編程論壇成員推薦表中的程序必須看的書。
有一本書叫做計算機程序的構造和解釋，上帝的作品一樣，它可以顛覆你的編程思想。
當然，計算機演算法來計算的頂部Knuth的「計算機程序設計藝術」（1-4卷）非常困難的非常廣泛的，深刻的內容，如浩瀚的海洋，然後它是驚人的一個。
所謂術業有專攻，每個地區都有自己的經典之作，根據您的個人利益，有必要去進一步探討。如編程語言和編譯器，操作系統內核，硬體設計，人工智慧，機器學習，自然語言處理，信息理論，信號處理，網路編程，機??器人等。