數據科學有哪些資源

㈠ 大數據專業都需要學習哪些軟體啊

大數據處理分析能力在21世紀至關重要。使用正確的大數據工具是企業提高自身優勢、戰勝競爭對手的必要條件。下面讓我們來了解一下最常用的30種大數據工具，緊跟大數據發展腳步。

第一部分、數據提取工具
Octoparse是一種簡單直觀的網路爬蟲，可以從網站上直接提取數據，不需要編寫代碼。無論你是初學者、大數據專家、還是企業管理層，都能通過其企業級的服務滿足需求。為了方便操作，Octoparse還添加了涵蓋30多個網站的「任務模板 (Task Templates)」，操作簡單易上手。用戶無需任務配置即可提取數據。隨著你對Octoparse的操作更加熟悉，你還可以使用其「向導模式 (Wizard Mode)」來構建爬蟲。除此之外，大數據專家們可以使用「高級模式 (Advanced Mode)」在數分鍾內提取企業批量數據。你還可以設置「自動雲提取 (Scheled Cloud Extraction)」，以便實時獲取動態數據，保持跟蹤記錄。

02

Content Graber

Content Graber是比較進階的網路爬網軟體，具有可用於開發、測試和生產伺服器的編程操作環境。用戶可以使用C#或VB.NET調試或編寫腳本來構建爬蟲。Content Graber還允許你在爬蟲的基礎上添加第三方擴展軟體。憑借全面的功能，Content Grabber對於具有基本技術知識的用戶來說功能極其強大。
Import.io是基於網頁的數據提取工具。Import.io於2016年首次啟動，現已將其業務模式從B2C轉變為B2B。2019年，Import.io並購了Connotate，成為了一個網路數據集成平台 (Web Data Integration Platform)。憑借廣泛的網路數據服務，Import.io成為了商業分析的絕佳選擇。
Parsehub是基於網頁的數據爬蟲。它可以使用AJax，JavaScript等等從網站上提取動態的的數據。Parsehub提供為期一周的免費試用，供用戶體驗其功能。
Mozenda是網路數據抓取軟體，提供企業級數據抓取服務。它既可以從雲端也可以從內部軟體中提取可伸縮的數據。
第二部分、開源數據工具

01Knime

KNIME是一個分析平台，可以幫助你分析企業數據，發現潛在的趨勢價值，在市場中發揮更大潛能。KNIME提供Eclipse平台以及其他用於數據挖掘和機器學習的外部擴展。KNIME為數據分析師提供了2,000多個模塊。

02OpenRefine（過去的Google Refine）是處理雜亂數據的強有力工具，可用於清理、轉換、鏈接數據集。藉助其分組功能，用戶可以輕松地對數據進行規范化。

03R-Programming

R大家都不陌生，是用於統計計算和繪制圖形的免費軟體編程語言和軟體環境。R語言在數據挖掘中很流行，常用於開發統計軟體和數據分析。近年來，由於其使用方便、功能強大，得到了很大普及。

04RapidMiner

與KNIME相似，RapidMiner通過可視化程序進行操作，能夠進行分析、建模等等操作。它通過開源平台、機器學習和模型部署來提高數據分析效率。統一的數據科學平台可加快從數據准備到實施的數據分析流程，極大地提高了效率。
第三部分、數據可視化工具

01

Datawrapper

Microsoft PowerBI既提供本地服務又提供雲服務。它最初是作為Excel附加組件引入的，後來因其強大的功能而廣受歡迎。截至目前，它已被視為數據分析領域的領頭羊，並且可以提供數據可視化和商業智能功能，使用戶能夠以較低的成本輕松創建美觀的報告或BI儀錶板。

02

Solver

Solver專用於企業績效管理 (CPM) 數據可視化。其BI360軟體既可用於雲端又可用於本地部署，該軟體側重於財務報告、預算、儀錶板和數據倉庫的四個關鍵分析領域。

03

Qlik

Qlik是一種自助式數據分析和可視化工具。可視化的儀錶板可幫助公司有效地「理解」其業務績效。
04

Tableau Public



Tableau是一種互動式數據可視化工具。與大多數需要腳本的可視化工具不同，Tableau可幫助新手克服最初的困難並動手實踐。拖放功能使數據分析變得簡單。除此之外，Tableau還提供了入門工具包和豐富的培訓資源來幫助用戶創建報告。

05

Google Fusion Tables

Fusion Table是Google提供的數據管理平台。你可以使用它來收集，可視化和共享數據。Fusion Table與電子表格類似，但功能更強大、更專業。你可以通過添加CSV，KML和電子表格中的數據集與同事進行協作。你還可以發布數據作品並將其嵌入到其他網路媒體資源中。

06

Infogram

Infogram提供了超過35種互動式圖表和500多種地圖，幫助你進行數據可視化。多種多樣的圖表（包括柱形圖，條形圖，餅形圖和文字雲等等）一定會使你的聽眾印象深刻。

第四部分、情感分析工具

01

HubSpot』s ServiceHub

HubSpot具有客戶反饋工具，可以收集客戶反饋和評論，然後使用自然語言處理 (NLP) 分析數據以確定積極意圖或消極意圖，最終通過儀錶板上的圖形和圖表將結果可視化。你還可以將HubSpot』s ServiceHub連接到CRM系統，將調查結果與特定聯系人聯系起來。這樣，你可以識別不滿意的客戶，改善服務，以增加客戶保留率。

02

Semantria

Semantria是一款從各種社交媒體收集帖子、推文和評論的工具。Semantria使用自然語言處理來解析文本並分析客戶的態度。通過Semantria，公司可以了解客戶對於產品或服務的感受，並提出更好的方案來改善產品或服務。

03

Trackur

Trackur的社交媒體監控工具可跟蹤提到某一用戶的不同來源。它會瀏覽大量網頁，包括視頻、博客、論壇和圖像，以搜索相關消息。用戶可以利用這一功能維護公司聲譽，或是了解客戶對品牌和產品的評價。

04

SAS Sentiment Analysis



SAS Sentiment Analysis是一款功能全面的軟體。網頁文本分析中最具挑戰性的部分是拼寫錯誤。SAS可以輕松校對並進行聚類分析。通過基於規則的自然語言處理，SAS可以有效地對消息進行分級和分類。

05

Hootsuit Insight

Hootsuit Insight可以分析評論、帖子、論壇、新聞站點以及超過50種語言的上千萬種其他來源。除此之外，它還可以按性別和位置對數據進行分類，使用戶可以制定針對特定群體的戰略營銷計劃。你還可以訪問實時數據並檢查在線對話。

第五部分、資料庫

01

Oracle



毫無疑問，Oracle是開源資料庫中的佼佼者，功能豐富，支持不同平台的集成，是企業的最佳選擇。並且，Oracle可以在AWS中輕松設置，是關系型資料庫的可靠選擇。除此之外，Oracle集成信用卡等私人數據的高安全性是其他軟體難以匹敵的。

02

PostgreSQL

PostgreSQL超越了Oracle、MySQL和Microsoft SQL Server，成為第四大最受歡迎的資料庫。憑借其堅如磐石的穩定性，它可以處理大量數據。

03

Airtable

Airtable是基於雲端的資料庫軟體，善於捕獲和顯示數據表中的信息。Airtable提供一系列入門模板，例如：潛在客戶管理、錯誤跟蹤和申請人跟蹤等，使用戶可以輕松進行操作。

04

MariaDB

MariaDB是一個免費的開源資料庫，用於數據存儲、插入、修改和檢索。此外，Maria提供強大的社區支持，用戶可以在這里分享信息和知識。

05

Improvado

Improvado是一種供營銷人員使用自動化儀錶板和報告將所有數據實時地顯示在一個地方的工具。作為營銷和分析領導者，如果你希望在一個地方查看所有營銷平台收集的數據，那麼Inprovado對你再合適不過了。你可以選擇在Improvado儀錶板中查看數據，也可以將其通過管道傳輸到你選擇的數據倉庫或可視化工具中，例如Tableau、Looker、Excel等。品牌，代理商和大學往往都喜歡使用Improvado，以大大節省人工報告時間和營銷花費。

㈡ 數據科學是什麼

數據科學:"處理數據的科學，一旦數據與其代表事物的關系被建立起來，將為其他領域與科學提供借鑒"。
研究內容
1、基礎理論研究。科學的基礎是觀察和邏輯推理，同樣要研究數據自然界中觀察方法，要研究數據推理的理論和方法，包括:數據的存在性、數據測度、時間、數據代數、數據相似性與簇論、數據分類與數據網路全書等。
2、實驗和邏輯推理方法研究。需要建立數據科學的實驗方法，需要建立許多科學假說和理論體系，並通過這些實驗方法和理論體系開展數據自然界的探索研究，從而認識數據的各種類型、狀態、屬性及變化形式和變化規律，揭示自然界和人類行為現象和規律。
3、領域數據學研究。將數據學的理論和方法應用於許多領域，從而形成專門領域的數據學，例如:腦數據學、行為數據學、生物數據學、氣象數據學、金融數據學、地理數據學等等。
4、數據資源的開發利用方法和技術研究。數據資源是重要的現代戰略資源，其重要程度將越來越凸顯，在本世紀有可能超過石油、煤炭、礦產，成為最重要的人類資源之一。這是因為人類的社會、政治和經濟都將依賴於數據資源，而石油、煤炭、礦產等資源的勘探、開采、運輸、加工、產品銷售等等無一不是依賴數據資源的，離開了數據資源，這些工作都將無法開展。

㈢ 《數據科學入門》pdf下載在線閱讀，求百度網盤雲資源

《數據科學入門》（[美] Joel Grus）電子書網盤下載免費在線閱讀

資源鏈接：

鏈接：https://pan..com/s/13UnWxb2ecRvrgdSqFpXI5A

書名：數據科學入門

作者：[美] Joel Grus

譯者：高蓉

豆瓣評分：7.0

出版社：人民郵電出版社

出版年份：2016-3

頁數：304

內容簡介：

數據科學是一個蓬勃發展、前途無限的行業，有人將數據科學家稱為「21世紀頭號性感職業」。本書從零開始講解數據科學工作，教授數據科學工作所必需的黑客技能，並帶領讀者熟悉數據科學的核心知識——數學和統計學。

作者選擇了功能強大、簡單易學的Python語言環境，親手搭建工具和實現演算法，並精心挑選了注釋良好、簡潔易讀的實現範例。書中涵蓋的所有代碼和數據都可以在GitHub上下載。

通過閱讀本書，你可以：

學到一堂Python速成課；

學習線性代數、統計和概率論的基本方法，了解它們是怎樣應用在數據科學中的；

掌握如何收集、探索、清理、轉換和操作數據；

深入理解機器學習的基礎；

運用k-近鄰、樸素貝葉斯、線性回歸和邏輯回歸、決策樹、神經網路和聚類等各種數據模型；

探索推薦系統、自然語言處理、網路分析、MapRece和資料庫。

作者簡介：

Joel Grus

是Google的一位軟體工程師，曾於數家創業公司擔任數據科學家。目前住在西雅圖，專注於數據科學工作並樂此不疲。偶爾在joelgrus.com發表博客，長期活躍於Twitter @joelgrus。

㈣ 《數據科學入門》pdf下載在線閱讀全文，求百度網盤雲資源

《數據科學入門》網路網盤pdf最新全集下載:
鏈接：https://pan..com/s/1s-MFDcy02kyK-MZLiZhQIA

㈤ 什麼是數據科學

數據科學，英文為Data Science，簡稱DS，從廣義上來說，數據科學顧名思義，和數據有關的科學研究都是數據科學。
維基網路對 DS 的解釋是這樣的：「 In general terms , Data Science is the extraction of knowledge from data , which is a continuation of the field data mining and predictive analytics , also known as knowledge discovery and data mining .」具體來說，數據科學是指通過挖掘數據、處理數據、分析數據，從而獲取數據中潛在的信息和技術。
數據科學家的工作：藉助統計編程，設計、開發和運用演算法來支持商業決策制定工具，管理海量數據， 創建可視化以幫助理解。

㈥ 《精通數據科學：從線性回歸到深度學習》pdf下載在線閱讀全文，求百度網盤雲資源

《精通數據科學：從線性回歸到深度學習》（唐亘）電子書網盤下載免費在線閱讀

鏈接: https://pan..com/s/1cQ6f79HuCy5Spcrx81DsiQ

書名：精通數據科學：從線性回歸到深度學習

作者：唐亘

豆瓣評分：7.2

出版社：人民郵電出版社

出版年份：2018-5-8

頁數：432

內容簡介：

數據科學是一門內涵很廣的學科，它涉及到統計分析、機器學習以及計算機科學三方面的知識和技能。本書深入淺出、全面系統地介紹了這門學科的內容。

本書分為13章，最初的3章主要介紹數據科學想要解決的問題、常用的IT工具Python以及這門學科所涉及的數學基礎。第4-7章主要討論數據模型，主要包含三方面的內容：一是統計中最經典的線性回歸和邏輯回歸模型；二是計算機估算模型參數的隨機梯度下降法，這是模型工程實現的基礎；三是來自計量經濟學的啟示，主要涉及特徵提取的方法以及模型的穩定性。接下來的8-10章主要討論演算法模型，也就是機器學習領域比較經典的模型。這三章依次討論了監督式學習、生成式模型以及非監督式學習。目前數據科學最前沿的兩個領域分別是大數據和人工智慧。本書的第11章將介紹大數據中很重要的分布式機器學習，而本書的最後兩章將討論人工智慧領域的神經網路和深度學習。

本書通俗易懂，而且理論和實踐相結合，可作為數據科學家和數據工程師的學慣用書，也適合對數學科學有強烈興趣的初學者使用。同時也可作為高等院校計算機、數學及相關專業的師生用書和培訓學校的教材。

作者簡介：

唐亘，數據科學家，專注於機器學習和大數據，熱愛並積極參與Apache Spark、scikit-learn等開源項目。作為講師和技術顧問，為多家機構（包括惠普、華為、復旦大學等）提供百餘場技術培訓。

此前的工作和研究集中於經濟和量化金融，曾參與經濟合作與發展組織（OECD）的研究項目並發表論文，並擔任英國知名在線出版社Packt的技術審稿人。

曾獲得復旦大學的數學和計算機雙學士學位；巴黎綜合理工的金融碩士學位；法國國立統計與經濟管理學校的數據科學碩士學位。

㈦ 數據科學有哪些學習內容

數據科學根據其側重點不同其實又分為三大類，即：數據分析、數據挖掘和大數據。
數據分析主要偏重業務，即利用一些數據分析和統計工具，如Excel、Spass、SAS、SQL等，進行數據分析和展現，以輔助公司的某項業務決策。
數據挖掘比數據分析更側重於建模能力一些，一般是給定一些數據和某個問題，讓你運用某些機器學習演算法從中建立出模型，再通過這個模型去對某些東西進行預測。所以，機器學習演算法可以說是數據挖掘中的核心。
大數據目前一般指Hadoop和Spark這些大數據框架，實際上偏重於一些平台架構類的東西。
注意，我們這里的數據科學主要圍繞數據挖掘為主，輔助以一些數據分析技術。

㈧ 大數據專業主要課程有哪些

大數據專業主要課程多種多樣，屬於交叉學科。

基礎課程：數學分析、高等代數、普通物理數學與信息科學概論、數據結構、數據科學導論、程序設計導論、程序設計實踐。

必修課：離散數學、概率與統計、演算法分析與設計、數據計算智能、資料庫系統概論、計算機系統基礎、並行體系結構與編程、非結構化大數據分析。

選修課：數據科學演算法導論、數據科學專題、數據科學實踐、互聯網實用開發技術、抽樣技術、統計學習、回歸分析、隨機過程。

就業前景：

作為人口大國和製造大國，我國數據產生能力巨大，大數據資源極為豐富。隨著數字中國建設的推進，各行業的數據資源採集、應用能力不斷提升，將會導致更快更多的數據積累。

預計到2021年底，我國數據總量預計將佔全球數據總量的21%，將成為名列前茅的數據資源大國和全球數據中心。

㈨ 九個成為數據科學家的必備技能

九個成為數據科學家的必備技能
Works詳細列舉了從僱主角度看來，數據科學家加強自身市場競爭力所必備的9個數據科學技能。
過去一年中人們對數據科學的興趣驟然增長。Nate Silver這個名字已經家喻戶曉，所有公司都在尋找獨角獸，很多不同學科的專業人才都開始關注這份薪水豐厚的職業，並將其當作自己可能的職業選擇。
在Burtch Works開展招聘工作時，我們與很多想要在數據科學這一成長性領域有所發展的分析學專家探討過，對具體的實施方案提出了疑問。我從招聘者的角度列出了在數據科學方面對成功十分關鍵，並且是招聘經理首先考慮的一些技術類與非技術類技能。
各公司在技能與工具的價值評判上都不盡相同，因此這個列表絕對談不上詳盡，不過在這些領域有過經驗的人會在數據科學上佔有更大的優勢。
技術技能：分析學
1、教育——數據科學家受教育程度都很高，其中88%至少擁有碩士學位，46%有博士學位。雖然有一些名人特例，不過通常來說成為一名數據科學家需要扎實的教育背景，才能掌握所需的深度知識。最常見的研究領域包括數學與統計學（32%），其次是計算機科學（19%）以及工程學（16%）。
2、SAS軟體與/或R語言——對其中至少一種分析工具有深入的了解，一般對數據科學來說R語言更好一些。
技術能力：計算機科學
3、都是公司在招聘數據科學類角色時最常提出的語言要求。
4、Hadoop平台——盡管不是總有這個需求，不過在很多情況下掌握它的人優勢更大。熟悉Hive或Pig也是很有利的賣點。熟悉類似Amazon S3這樣的雲工具也會很有優勢。
5、SQL資料庫/編程——盡管NoSQL和Hadoop已經成為了數據科學很大的組成部分之一，招聘者還是希望能夠找到可以編寫與執行SQL復雜查詢的候選人。
6、非結構化數據——數據科學家能夠處理非結構化數據這一點非常重要，無論這些數據是來自社交媒體、視頻源或者音頻的。
非技術類技能
7、求知慾——毫無疑問最近到處都能看到這個詞，尤其是在與數據科學家關聯時。Frank Lo在幾個月前的博文中描述了這個詞的含義，並且討論了其他必須的「軟技能」。
8、商業智慧——想要成為數據科學家，需要充分了解自己工作的行業，並且知道公司想要解決的商業問題是哪些。能夠根據數據科學分辨出解決哪些問題對公司來說更為重要，並且能夠找出利用數據的新辦法，這些是非常關鍵的。
9、通用技能——尋找優秀數據科學家的公司想要的是這樣的人材：能夠清楚順暢地將自己的技術發現轉化為非技術團隊（比如市場部或者銷售部）能夠使用的內容。數據科學家必須能得出可用以決策的量化insight，同時了解非技術團隊的需求，可以恰當地進行溝通以傳達數據。想要了解定量專家在溝通技巧方面的更多信息，請參見我們近期的調查。
一般接下來的問題都是：「怎樣能夠獲得這些技能呢？」網上有很多資源，不過筆者不希望讓讀者產生這樣的錯覺——成為數據科學家非常簡單，上幾節MOOCs就夠了。除非你有扎實的定量經驗，否則成為數據科學家之路還是頗有挑戰的——但也並非不可能。
不過只要你確實對數據有興趣、有激情，並打算將生命投入到相關的學習上，那麼就不要讓經驗背景成為你追求數據科學生涯的阻礙。下面是我們覺得有用的一些資源：
1、高等學位——為了滿足目前的需求，如雨後春筍般出現了更多的數據科學專業的項目，不過數學、統計學與計算機科學專業的項目也有很多。
2、MOOCs——Coursera、Udacity還有codeacademy都是不錯的入門方式。
3、證書——KDnuggets編寫了一個很長的列表清單。
4、Bootcamps——想要了解這種方式與學歷項目或MOOCs的對比情況。
5、Kaggle——Kaggle上有數據科學競賽，可以進行演練，用雜亂的真實世界數據來磨練技巧，解決真實的商業問題。僱主對Kaggle排名很重視，該排名可以被看作是相關的、經過親身實踐的項目工作。
6、LinkedIn小組——加入相關的小組，與數據科學社區的其他成員互動。
7、數據科學中心與KDnuggets——數據科學中心與KDnuggets都是保持與數據科學行業趨勢前沿同步的優秀資源。8、Burtch Works研究：關於數據科學家的薪金，如果想要了解更多信息與當前數據科學家人數統計的話，請下載我們的數據科學家薪金研究報告。

㈩ 想學習數據分析，有哪些書籍或資料參考學習

入門數據分析類
師父領進門，修行在個人。下面這兩本書是入門數據分析必看的書籍，也是檢驗自己是否真的喜歡數據分析。
從0到1:《深入淺出數據分析》
為什麼是它？借用一位讀者的評價「我家的貓都喜歡這本書！」

01 內容簡介
以類似「章回小說」的活潑形式，生動地向讀者展現優秀的數據分析人員應知應會的技術；正文以後，意猶未盡地以三篇附錄介紹數據分析十大要務、R工具及ToolPak工具，在充分展現目標知識以外，為讀者搭建了走向深入研究的橋梁。
02 推薦理由
書名已經很好地表現出了這本書的優點——「深入淺出」。忘記煩惱，這本書與現實世界緊密互動，讓你不再只有枯燥的理論，並且將知識圖形化，復雜的概念簡單化。
經典小黃書：《誰說菜鳥不會數據分析》
是本很好的書，但看過之後，這本書就真一文不值了。

01 內容簡介
很多人看到數據分析就望而卻步，擔心門檻高，無法邁入數據分析的門檻。《誰說菜鳥不會數據分析》努力將數據分析寫成像小說一樣通俗易懂，使讀者可以在無形之中學會數據分析,按照數據分析工作的完整流程來講解。
02 推薦理由
數據分析的入門極品，但真的很入門,優缺兼有。對於入門理解來說是絕佳選擇,對之後的修煉還是不夠的。建議之前全都是自己瞎摸瞎撞搞數據分析的同學進行閱讀，頗有醍醐灌頂之感。
分析工具類

與數據分析相關的工具非常之多，我們常用的有Excel、PPT、SQL等。如果您想精通他們，直接在嗶哩嗶哩搜索聚數雲海，即可找到相關優質課程。
1.Excel
大家常說的Excel，但是不要以為你很會Excel！Excel是所有職場人必備的辦公軟體。Excel功能非常強大，在數據量不是很大的情況下，基本上都能用Excel實現數據分析。推薦如下書籍：
《Excel高效辦公數據處理與分析》

01 內容簡介
根據現代企業決策和管理工作的主要特點，從實際應用出發，介紹了Excel強大的數據處理與分析功能在企業決策和管理工作中的具體應用。
02 推薦理由
本書同時提供了大量需要你做的實例，學而不練是不存在的！
《別怕，Excel函數其實很簡單》

01 內容簡介
《別怕，Excel 函數其實很簡單》用淺顯易懂的圖文、生動形象的比喻以及大量實際工作中的經典案例，介紹了Excel最常用的一部分函數的計算原理和應用技巧,還介紹了數據的科學管理方法，以避免從數據源頭就產生問題。
02 推薦理由
適合希望提高辦公效率的職場人士，特別是經常需要處理分析大量數據並製作統計報表的相關人員，以及相關專業的高校師生閱讀,小白需謹慎！
2. SQL
SQL是數據分析的基礎，是想要學會數據分析能力的必備技能。那這里我只給大家介紹三本書，第一本書零基礎入門，第二是進階，第三本是SQL中的字典，話不多說，我們直接上架。
《SQL基礎教程》

01 推薦理由
介紹了關系資料庫以及用來操作關系資料庫的SQL語言的使用方法。書中通過豐富的圖示、大量示常式序和詳實的操作步驟說明，讓讀者循序漸進地掌握SQL的基礎知識和使用技巧，切實提高編程能力。每章結尾設置有練習題，幫助讀者檢驗對各章內容的理解程度。另外，本書還將重要知識點總結為「法則」，方便讀者隨時查閱。
本書107張圖表+209段代碼+88個法則，是零基礎進階人士必備！
SQL進階：《SQL進階教程》

01 推薦理由
本書是為志在向中級進階的資料庫工程師編寫的一本SQL技能提升指南。全書可分為兩部分，第一部分介紹了SQL語言不同尋常的使用技巧，帶領讀者從SQL常見技術，去探索新發現。旨在幫助讀者提升編程水平；第二部分著重介紹關系資料庫的發展史，把實踐與理論結合起來，旨在幫助讀者加深對關系資料庫和SQL語言的理解。
本書不適合小白！適合具有半年以上SQL使用經驗、已掌握SQL基礎知識和技能、希望提升自己編程水平的讀者閱讀。
SQL輔導書籍

01 推薦理由
本書是麻省理工學院、伊利諾伊大學等眾多大學的參考教材，由淺入深地講解了SQL的內容，實例豐富，便於查閱。本書沒有過多闡述資料庫基礎理論，而是專門針對一線軟體開發人員，直接從SQL SELECT開始，講述實際工作環境中最常用和最必需的SQL知識，實用性極強。
有一定SQL基礎的人士可以將它當做一本字典使用，遇到問題可以查找相應內用。
3.Python
「人生苦短，我用Python」。Python編程語言是最容易學習,並且功能強大的語言。但是很多人聲稱自己精通Python,自己卻寫不出Pythonic的代碼，對很多常用的包不是很了解。萬丈高樓平地起，咱們先從Python中最最基礎的開始。
《Python編程，從入門到實踐》

01 推薦理由
本書最大的特點就是零基礎完全不懂編程的小白也能夠學習，新手想學習選它絕對錯不了。知識點由淺入深循循漸進，並配有視頻教程手把手教學,同時所需的軟體也是免費的。本書也配有相關輔導書籍，有興趣的話可以去看看，但是請記住，這本書是最核心的。
《利用Python進行數據分析》

01 推薦理由
不像別的編程書一樣，從盤古開天闢地開始講起。這本書是直接應用到數據分析的，所以很多在數據分析上應用不那麼頻繁的模塊也就沒有講。
本書第二版針對Python 3.6進行了更新，並增加實際案例向你展示如何高效地解決一系列數據分析問題。你將在閱讀過程中學習到新版本的pandas、NumPy、IPython和Jupyter。
4.R語言
R是用於統計分析、繪圖的語言和操作環境。但是R是有一定難度的，沒有基礎的話請謹慎嘗試！推薦書籍：
《R語言入門與實踐》

01 推薦理由
本書通過三個精心挑選的例子，深入淺出地講解如何使用R語言玩轉數據。將數據科學家必需的專業技能融合其中，教會讀者如何將數據存儲到計算機內存中，如何在必要的時候轉換內存中的數據值，如何用R編寫自己的程序並將其用於數據分析和模擬運行。
案例提升類

《活用數據：驅動業務的數據分析實戰》

01 推薦理由
是一本用數據來幫助企業破解業務難題的實操書，有理論、有方法、有實戰案例。具有業務驅動、案例閉環、思維先導、實戰還原4大特色，同時在思路上清晰連貫，在表達上深入淺出，既能幫助數據分析從業者入門和提升，也能輔助企業各業務部門和各級管理人員做量化決策。
《精益數據分析》
01 推薦理由
本書展示了如何驗證自己的設想、找到真正的客戶、打造能賺錢的產品，以及提升企業知名度。30多個案例分析，全球100多位知名企業家的真知灼見，為你呈現來之不易、經過實踐檢驗的創業心得和寶貴經驗，值得每位創業家和企業家一讀。