简介

精彩点评

• 

  小酒儿唠嗑

  推荐

  简单易懂，适合我这种小白，作为我第一本大数据机器学习入门读物！

• 

  Binz

  推荐

  这本书我给5🌟，基于以下几个理由： 一、内容丰富，几乎涵盖了大数据和机器学习的所有知识点。先从数据的概念以及基本的微积分、统计学、概率论知识点讲起，为后续理解算法的概念和公式打下基础；然后对监督学习和非监督学习的几类重点算法进行了详细的讲述，包括分类、聚类、回归、关联、推荐、神经网络等，最后还介绍了大数据的一些框架，及工业上的一些方法。 二、详略得当，通俗易懂。抽象晦涩的概念作者能结合实际举例；具体的算法作者能给出完整详尽的代码，让我们去学习实验；甚至很多软件的安装和下载，每一步都有截图，我们可以按照步骤操作，这其实很重要，因为IT开发的软件，不仅仅是下载，重要是配置，可能一个环境变量配置不当，软件就不会工作，影响学习的信心。因此，我特别喜欢这种贴截图的作者，能够让我们学习后及时去实践去验证。 三、对于我本人来讲，这本书没有像教科书那样一字一句去学，但是几乎没有跳读。它帮助我回顾了研一研二我学习的东西，真的很感慨，现在的工作已经完全与这无关，但是回顾后我又燃起了做研究算法的心。我觉得我对于大数据和算法的整体理解都还在，只是具体的应用上要加强。所以我后续应先学原理以及如何应用，然后再耗时间去关注具体的推导过程。 总之，这本书非常适合有一定IT基础的人去读。通读后能帮助我们建立完整的大数据和算法思维架构，细节地方不必强求，当作工具书，需要运用时在学习就OK。再次强烈推荐。

• 

  杨钰源

  推荐

  算法部分可以更深入一些，大数据和机器学习业务应用上，最终形成产品是离不开云计算的，可以讲一下SAAS、PAAS和DAAS相关的知识会更好……

• 

  young

  推荐

  对于之前不是研究这个方向但是想快速建立整体理解的朋友们来说，再合适不过了。

• 

  王瑞

  推荐

  这本书是我读过的、理解机器学习基本原理坡度最缓的一本，尤其是像我这种数学学得不好的人来说。 快速刷一遍，形成初步的概念地图，然后在根据需要精度某些部分，或再去读其他资料。我从这种方式中受益不少，也推荐给想快速对某个领域建立初步认知的朋友，值得一试。

• 

  望天吼

  推荐

  高屋建瓴的介绍了大数据和机器学习，适合读者从大方向上认识大数据及机器学习

• 

  Ethan

  推荐

  由浅入深，步步推进。 草草翻完这本书，因为大部分数学知识都忘了。书是好书，读书人不是好读书人。

• 

  家彬

  推荐

  通俗易懂，同时复习了一些高中的统计学 概率的知识。掌握高中数学基本都能看懂。

• 

  🇩 🇦 🇼 🇦 🇳 🇬

  推荐

  还算通俗易懂，适合小白或者入门 有些地方啰嗦了，有些地方讲太少或太简单

• 

  王逸少

  推荐

  大数据是一个以数据为核心的产业，是一个围绕大数据生命周期不断循环往复的生产过程，同时也是由多种行业分工和协同配合而产生的一个复合性极高的行业。 大数据产业生产流程从数据的生命周期的传导和演变上可以分为这样几个部分：数据收集、数据存储、数据建模、数据分析、数据变现。 其中每个环节都是非常重要的数据生命环节，每个环节的生产加工行为都是有其价值的，并且每个环节做到极致都可以成就一个伟大的公司。整个完整的产业生态圈就是大数据，它的缩影也渗透在任何一家以数据作为运营基础的公司中。

• 

  阿白

  推荐

  讲的很通俗，可以让你了解很多相关概念并带你入门，但是如果想要深挖的话建议配合其他书籍食用。

• 

  田

  推荐

  很好的书记。可以看出作者知识面很广，基础扎实i，所以书写的深入浅出，对本质描述的清晰，而不会陷入复杂的理论。

• 

  莫念

  推荐

  这本书是集概率统计、数据挖掘算法、大数据为一体的汇总，涵盖的知识点相对来说都比较简单，举的例子不是很具有代表性，感觉书的重点有点儿偏移，没有达到对这本书的期望。

• 

  孙欢

  推荐

  白话，切题~质量一般，收获较少，快读 印象深刻的几点： 同比：如2019/4÷2018/4不同年份同时期对比，可排除一些波动因素； 环比：本次统计和上一统计周期的对比，用于比较业务的数据趋势。 A/B测试，AB不能差异太大，不然，结果分析不便对比，找不到真正原因。 统计知识忘了差不多了，可能还需要复习，但这本书真是太白话了，还是看别的书吧。

• 

  你好

  推荐

  很白话。基本都是很浅显的东西。 入门很有用，便于理解。 都是蜻蜓点水，但是不会烦躁。通俗