数据算法书籍推荐
自学c语言中的数据结构与算法，我把它分为入门，巩固，应用，提高，进化这几个阶段，不同阶段可以看不同书籍。
《数据结构与算法分析——C语言描述》 ，一般大学普遍教程。
《算法设计与分析》
《算法引论》
《Elements of Programming》
《C Interfaces and Implementation》
这个相关书籍貌似没得，可以自己是一些功能，如下：
《Algorithm Design Manual》
《The Science of Programming》
《编程珠玑》
《Algorithms 4th》
《Advanced Data Structures》
如果你想成为一个码农或是熟练工（Code Monkey），你大可以不学算法，因为算法对你确实没有用；但如果你想成为一个优秀的开发者（Developer），扎实的算法必不可少，因为你会不断的掉进一些只能借助算法才能爬出去的坑里。所以，骚年加油把。
② 算法入门的话看什么书比较好
原理 入门：《编码：隐匿在计算机软硬件背后的语言》
这是一本讲述计算机工作原理的书。
不过，你千万不要因为“工作原理”之类的字眼就武断地认为，它是晦涩而难懂的。作者用丰富的想象和清晰的笔墨将看似繁杂的理论阐述得通俗易懂，你丝毫不会感到枯燥和生硬。 更重要的是，你会因此而获得对计算机工作原理较深刻的理解。这种理解不是抽象层面上的，而是具有一定深度的，这种深度甚至不逊于“电气工程师”和“程序员”的理解。
不管你是计算机高手，还是对这个神奇的机器充满敬畏之心的菜鸟，都不妨翻阅一下《编码:隐匿在计算机软硬件背后的语言》，读一读大师的经典作品，必然会有收获。
实战 晋升：《编程珠玑》
正如自然界里珍珠出自细沙对牡蛎的磨砺，计算机科学大师 Jon Bentley 以其独有的洞察力和创造力，从磨砺程序员的实际问题中凝结出一篇篇不朽的编程“珠玑”，成为世界计算机界名刊《ACM通讯》历史上最受欢迎的专栏，最终结集为两部不朽的计算机科学经典名着，影响和激励着一代又一代程序员和计算机科学工作者。
本书为第一卷，主要讨论计算机科学中最本质的问题：如何正确选择和高效地实现算法。
永恒的经典：《代码大全》
Steve McConnell 的原作《代码大全》(第1版)是公认的关于编程的最佳实践指南之一， 在过去的十多年间，本书一直在帮助开发人员编写更好的软件。
现在，作者将这本经典着作全新演绎，融入了最前沿的实践技术，加入了上百个崭新的代码示例， 充分展示了软件构建的艺术性和科学性。 McConnell汇集了来自研究机构、学术界以及业界日常实践的主要知识， 把最高效的技术和最重要的原理交织融会为这本既清晰又实用的指南。
无论您的经验水平如何，也不管您在怎样的开发环境中工作，也无论项目是大是小， 本书都将激发您的思维并帮助您构建高品质的代码。
③ 有哪些值得推荐的《数值分析》(数值计算方法)教材或者参考书
《数值分析 中南大学韩旭里 126讲》网络网盘资源免费下载
链接: https://pan..com/s/1ath5aUEumr5ueV5d_GRa5Q
数值分析 中南大学 韩旭里 126讲|线性方程组的迭代解法（一）.mp4|线性方程组的迭代解法（五）.mp4|线性方程组的迭代解法（四）.mp4|线性方程组的迭代解法（三）.mp4|线性方程组的迭代解法（七）.mp4|线性方程组的迭代解法（六）.mp4|线性方程组的迭代解法（二）.mp4|数值积分与数值微分（一）.mp4|数值积分与数值微分（五）.mp4|数值积分与数值微分（四）.mp4|数值积分与数值微分（十一）.mp4|数值积分与数值微分（十五）.mp4|数值积分与数值微分（十四）.mp4|数值积分与数值微分（十三）.mp4
④ 提高数据分析能力必读书籍推荐
【导读】随着互联网的发展，数据分析已经成了非常热门的职业，大数据分析师也成了社会打工人趋之若鹜的职业，不仅高薪还没有很多职场微世界的繁琐事情，不过要想做好数据分析工作也并不简单，参看一些好书，对行进数据分析会更有帮助!今天小编就给大家带来了提高数据分析能力必读书籍推荐，希望对各位小伙伴有所帮助。
数据分析进阶
1.《精益数据分析》
本书展示了怎样验证自己的设想、找到实在的客户、打造能挣钱的产品，以及行进企业知名度。并经过30多个事例剖析，深化展示了怎样将六个典型的商业办法运用到各种规划的精益创业、数据分析根底，和数据驱动的思维办法中，找到企业添加的首先要害方针。
2.《数学之美》
本书把深邃的数学原理讲得愈加通俗易懂，让非专业读者也能领会数学的魅力。读者经过具体的比方学到的是考虑问题的办法 ——
怎样化繁为简，怎样用数学去向理工程问题，怎样跳出固有思维不断去考虑立异。
数据挖掘
1.《数据挖掘导论(无缺版)》
本书全面介绍了数据挖掘，包括了五个主题：数据、分类、相关剖析、聚类和异常检测。除异常检测外，每个主题都有两章。前一章包括根柢概念、代表性算法和点评技术，然后一章谈论高档概念和算法。这样读者在透彻地了解数据挖掘的根底的一同，还可以了解更多重要的高档主题。
2.《数据挖掘概念与技术》
本书无缺全面地叙说数据挖掘的概念、办法、技术和最新研讨翻开。本书对前两版做了全面修订，加强和从头组织了全书的技术内容，要害论说了数据预处理、再三办法挖掘、分类和聚类等的内容，还全面叙说了OLAP和离群点检测，并研讨了挖掘网络、凌乱数据类型以及重要运用范畴。
3.《数据挖掘与数据化运营实战：思维、办法、技巧与运用》
现在有关数据挖掘在数据化运营实践范畴比较全面和系统的作品，也是诸大都据挖掘书本中为数不多的交叉许多实在的实践运用事例和场景的作品，更是发明性地针对数据化运营中不同剖析挖掘课题类型，推出逐一对应的剖析思路集锦和相应的剖析技巧集成，为读者供给“菜单化”实战锦囊的作品
作为数据分析师，如果仅仅安于现状，不注重自我行进，那么，不久的将来，你很或许成为公司的“人肉”取数机，影响往后的工作生计。
以上就是小编今天给大家整理分享关于“提高数据分析能力必读书籍推荐”的相关内容希望对大家有所帮助。小编认为要想在大数据行业有所建树，需要考取部分含金量高的数据分析师证书，一直学习，这样更有核心竞争力与竞争资本。
⑤ 如何选择一本优质的数据科学书籍
如何选书
选择一本合适的数据科学书至关重要，一本不适合的书会浪费你的时间以及精力。
有时候，书的大纲可能正合你意。但是随着你深入阅读时，可能会发现作者只触及了表面，并不够深入。这种情况之前也发在我的身上，我写这篇文章就是为了让你避免这种情况。
当我们选择数据科学相关书籍时，可以考录一下几点：
· 看作者的个人简介：能够帮助了解作者的背景，他的研究和主要兴趣，同时也展现了本书的一些细节。但也要给新的作者机会，不要把这一点作为关键。
· 仔细阅读序言：大部分图书在网上都能免费阅读其序言部分。请仔细阅读该部分。大多数情况下，在此部分作者不仅会介绍写书背景，也会阐述各章节的细节。
· 选择有独立章节的书：这是我的个人喜好，比较一本技术型的书不是小说。虽然从书中由易到难、逐步学习很重要，但选择一本或多或少带有独立章节的书能让你结构性的把握此书。
· 去书店逛逛：虽然如今可以在网上找到所有的东西，但是在书店可以给你更直观的感受。有时候，当浏览一本书的关键章节时，我可能会改变主意，去选择另一本书。
· 阅读在线评论：首先不要相信所有评论，毕竟评论是主观的，但在线评论可以了解人们对此书的普遍看法。我们常说：不要以一本书的封面来判断其好坏。亚马逊的评论值得参考，人们会对作者做出有见地的评论和批评。
感兴趣的书籍
数据科学有很多好书，在本文末尾，我列出了39本我所读过的数据分析书籍。如果列表中没有涵盖你认为优质的书，请给我留言。
详细的回顾
一次回顾一堆书是一个艰巨的任务。将所有这些书放在一起的原因是，我认为概念和理论上有一些重叠的部分，其中最具挑战是大部分时间它们都是以不同的词汇呈现和阐述的。以下是我列出的，在阅读数据科学书之前值得一看的理想书籍清单。记住，你永远不会从一本书中获得足够的知识，因为科学领域是非常复杂的，一本书是远远不够的。
在下文中，我根据每个标准选择了这些书籍中的前5名。
书籍长度（页数）
一本书的长度确实取决于所探讨的内容。虽然这不是对质量的衡量标准，但我们可以假设你阅读的内容越多，所获得的知识就越多。以下是我根据书籍中探讨的内容多少排名前5名的书籍。
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
写作风格
对科学领域进行阐述很有挑战性，不能让每个人都满意，这取决于目标受众。有些作者有这方面的天赋，能够以简单明了的方式传达复杂的概念。同样，通过巧妙的结构和良好的学习方式解释概念，有助于学习。以下是写作风格方面前5名的书籍。
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
结构
教授数据科学并非易事，但也没有那么难，我们只需了解应如何构建内容，从而确保信息被保留。关于这点有两个主要的方法。我们可以构建独立的模块，当中的内容可以不具备相关性，但还是属于数据科学分析流程的内容。单独阐述这些概念不需按照顺序。
另一方面，人们可以通过以难度递增的顺序来构建内容，就像大多数教学书籍中一样。例如关于回归，书中以最基本形式的回归开始，并加以越来越多的变化和最复杂形式的回归。以下是结构性排名前五的书籍。
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
内容
怎样就算太过了？从哪儿开始记叙？应该涉及什么内容，跳过什么内容？这些都是写数据科学相关书籍是会遇到的问题。一些作者会选择涵盖一个非常具体的领域，当查看这些作者的学术资料时，我们看到他们的研究与着作之间的联系。大多数时候，这些作者写的不是一般的数据科学书籍，而是他们的研究的一部分。他们的目标受众也比较狭窄。另一方面，一些作者针对数据科学教学，关注的是基本的和全局的部分，而不是细节。这类书籍常常涉及使用R语言或Python的回归，分类，以及使用模块进行数据分析等等。
通过封面判断一本书？
大多数人都说不要这么做。但我不认同这点。我们会用封面来判断一本书的好坏吗？我们需要、且必须这么做。当然，这里说的不是这本书的外部封面，而是在序言中可以看到的，书第一部的介绍性段落。在这部分，作者大部分都详细介绍了本书各个章节的细节。有时，作者会偏离他们最初对书籍的设想。这是正常的，这个领域正在快速发现，观点也是如此。但是一本好书总能够遵循其最初的设想。
解释的深度
作者在解释时会深入到哪个程度？我认为这与我在这篇文章中提到的很多观点有关。这与内容，结构和长度之间存在关联性。解释的深度能够区分好的作者，作者传达的信息中包含的内容，关系到你能够吸收知识，特别是那种会在大脑中留存很长时间的知识。因此，作者的技能在这占很重要的角色。因为他们必须掌握内容背后的真谛，这使得他们在解释问题时能够深入，同时避免读者脱离本书的大框架。
代码解释
代码很重要，但不是必需的。如果这本书的主要目的是为了解释特定的方法，算法和方法在后台如何工作，那么最好的方法是从头开始重新实现一个算法。尽管很多人会说：“为什么要这么麻烦，我们有对应的模块啊”，那么我只能建议他们换一本书，因为他们选错书了。重新实现的过程，能够让你感受到为了优化库的可扩展性所投入的精力。根据上下文，一些书只是为了教会你如何使用特定的库和包，这种书大多时候被称为cookbook，这类书作者会依赖笔记（分享在GitHub或其他版本控制平台用于对他们的书进行补充）。通过作者，你会发现足够的代码能够通过解释一些联系，从而帮助你掌握特定的主题。
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
结语
这是一个非常主观的分类，如果你有不同的看法，欢迎给我留言。
附：39本数据科学相关推荐书籍
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
原文链接：
https://opendatascience.com/blog/how-to-choose-a-great-data-science-book/
⑥ 《数据结构与算法分析：C语言描述（原书第2版） 》这本书比起其他书，可以么看这本书需要什么基础
额，我想你说：“数据结构与算法分析”魏斯写道，正确的，这本书在豆瓣给出了9分的高分，被认为是一个非常高的分数，但计算机世界经典名曲，如浩瀚的海洋伟大的编程书籍。
Kernighan的编程做法是让你全面了解做什么经典，这本书是非常薄的编程。
Bentley的“编程
cormen”算法导论“Skiena”算法设计手册“的分析”的数据结构和算法更大量的是一个杰作。珍珠“（卷1和2）将带你领略的电源的算法。
侯捷的STL源码分析，深入讲解了C + +标准库的实现细节，让你真正的顶尖选手的杰作。
史蒂文斯的“UNIX水平的编程环境UNIX网络编程是程序员的高级系列，一读再读，因为你最终会了解你的程序运行在操作系统上，需要交互和网络，你需要了解他们，与他们友好相处。
C + +'父Bjarne Stroustrup的三大杰作：“C + +程序设计语言，C + +程序设计原理与实践”，“C + +语言的设计和演变”C + +语言权威的指南，也是编程的经典书籍。
科比“深入理解计算机系统能够告诉你的计算机基础做了什么让你的计算机更好地了解和更好地利用CPU圣经。 BR />
经典的书，这些都是软件开发“程序员修炼”代码完成“重建”设计模式“，任何编程论坛成员推荐表中的程序必须看的书。
有一本书叫做计算机程序的构造和解释，上帝的作品一样，它可以颠覆你的编程思想。
当然，计算机算法来计算的顶部Knuth的“计算机程序设计艺术”（1-4卷）非常困难的非常广泛的，深刻的内容，如浩瀚的海洋，然后它是惊人的一个。
所谓术业有专攻，每个地区都有自己的经典之作，根据您的个人利益，有必要去进一步探讨。如编程语言和编译器，操作系统内核，硬件设计，人工智能，机器学习，自然语言处理，信息理论，信号处理，网络编程，机??器人等。