《数据科学入门》经典读后感有感

《数据科学入门》是一本由[美] Joel Grus著作，人民邮电出版社出版的平装图书，本书定价：69.00元，页数：304，特精心收集的读后感，希望对大家能有帮助。

《数据科学入门》读后感(一)：数据科学入门

数据科学是一个蓬勃发展、前途无限的行业，有人将数据科学家称为“21世纪头号性感职业”。本书从零开始讲解数据科学工作，教授数据科学工作所必需的黑客技能，并带领读者熟悉数据科学的核心知识——数学和统计学。

作者选择了功能强大、简单易学的Python语言环境，亲手搭建工具和实现算法，并精心挑选了注释良好、简洁易读的实现范例。书中涵盖的所有代码和数据都可以在GitHub上下载。

通过阅读本书，你可以：

学到一堂Python速成课；

学习线性代数、统计和概率论的基本方法，了解它们是怎样应用在数据科学中的；

掌握如何收集、探索、清理、转换和操作数据；

深入理解机器学习的基础；

运用k-近邻、朴素贝叶斯、线性回归和逻辑回归、决策树、神经网络和聚类等各种数据模型；

探索推荐系统、自然语言处理、网络分析、MapReduce和数据库。

《数据科学入门》读后感(二)：其实不怎么适合拿来入门

说是数据科学指路到是差不多。告诉你有哪些方面的知识需要去学习的。25章每章都值得单独去借上一两本书去学习，都值得花上一两个月用上N多个案例来实践，这样之后，我觉得才是真的入门了。

书中的代码又是一段一段的，估计只有作者才会知道这个功能是怎么来的，有什么用。后面的章里面经常大量地使用到前面各章中的代码（函数），但是书里面是不会告诉你需要（从哪里）导入的。甚至有些是python自带模块的函数，作者也是不会说的。但是却是经常需要from collections import Counter，或者from functools import partial等等。又不说，谁知道呢。感觉就是作者觉得这么讲，你们（读者）应该懂了。

不过就像开头说的，至少它起到了一个引路的作用，还是有其作用的。我就对里面提到的贝叶斯和线性回归比较感兴趣，已经借了两本专门讲贝叶斯分析的书回来看了。还专门拿了大学时候的统计学教材来学习“相关和回归分析”相关内容。

当然，如果这是因为翻译的问题的话，请把上面的“作者”换成“译者”

《数据科学入门》读后感(三)：说实话，不太适合入门。

书名叫《数据科学入门》，可实际上却并不适合零基础的人读，需要有一定的基础（包括python基础和数学基础）。我觉得称之为“指南”更合适。 —————————— 当初为什么买这本书？ 有段时间对数据异常着迷，只要和数据有关的数都不管三七二十一加到购物车，发工资了就买。到现在淘宝和京东的购物车里还有很多书在吃灰... —————————— 首先，先说下书中提到学习数据科学需要的三个方面基础： 1.数学和统计学知识 2.编程能力 3.领域知识

3个基础能力对应的发展方向

既然是数据，那就绕不开数学，而数学这块需要具备的基础能力有线性代数、微积分、概率论和统计学。达到什么程度算入门？大学好好听课就行。 再来说说编程能力。现在自助式分析工具非常多，有很多分析师甚至都不会编程，但拥有基础的编程能力（特别是会python），能够跳脱出市面上分析软件的限制，自定义自己心中所想思路和展示。同样，学习编程入门，能看懂简单的代码想表达的逻辑即可。 至于领域知识，那就是各显神通了。想投身电商行业，就得了解电商行业的运作，想投身游戏行业，就得了解游戏行业的运作。这都是靠经验一点一点积累的。 —————————— 将章节拆分下。 书本第2和第3章讲的就是编程能力，主要是基础的python语法和python的可视化。 第4到第7章就是数学的基础，线形代数、概率论和统计学 第8章我不知道该划分到哪，因为我对梯度下降的理解更倾向于是一种算法。要了解本章首先得理解微积分中梯度是什么？然后为什么要下降找到最小值？ 第11到第19章就是经典的机器学习算法，每章都是简单的用python代码实现，但有些算法的基础是数学，像线性回归（简单线性回归和多重线形回归）、信息熵，如果没有学过或学透，完全看不懂或者看起来非常吃力。 后面就是一些应用场景——文本分析、网络分析、推荐系统。 —————————— 总的来说， 1.不适合完全没有基础的人，特别是没有学过python，因为本书都是用python代码来实现的。适合有一定数学和python基础的朋友。 2.书中的目录特别有用，介绍的很全面。可以根据每个章节都需要花费大量的时间去打基础——数学基础、编程基础、算法思想。 读完这本书，可以对整个数据科学行业有个简单的全面的了解。仅仅是简单的了解。