怎樣進行大數據的入門級學習?

我在去年年底的時候曾應一位前輩的要求,寫了一個學習“數據科學:從入門到進階”的經驗貼,我就直接把它貼在下面了。雖然題主問的是大數據的入門,但在我看來“大數據”就是數據科學的一個高階狀態。以下內容中除個別情況,我基本上都會使用“數據科學”這個概念。

---------------------------------正文---------------- -------------------

數據科學並沒有一個獨立的學科體系,統計學,機器學習,數據挖掘,數據庫,分佈式計算,雲計算,訊息可視化等技術或方法來對付數據。但從狹義上來看,我認為數據科學就是解決三個問題:
1. data pre-processing;
2. data interpretation;
3.data modeling and analysis.
這也就是我們做數據工作的三個大步驟:
1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程,才能形成高質量的數據;
2、我們想看看數據“長什麼樣”,有什麼特點和規律;
3、按照自己的需要,比如要對數據貼標籤分類,或者預測,或者想要從大量複雜的數據中提取有價值的且不易發現的訊息,都要對數據建模,得到output。
這三個步驟未必嚴謹,每個大步驟下面可能依問題的不同也會有不同的小步驟,但按我這幾年的經驗來看,按照這個大思路走,數據一般不會做跑偏。

這樣看來,數據科學其實就是門複合型的技術,既然是技術就從編程語言談起吧,為了簡練,只說說R和Python。但既然是薦數據科學方面的書,我這裡就不提R/Python編程基礎之類的書了,直接上跟數據科學相關的。

  • R programming

如果只是想初步了解一下R語言已經R在數據分析方面的應用,那不妨就看看這兩本:

R in action:我的R語言大數據101。其實對於一個沒有任何編程基礎的人來說,一開始就學這本書,學習曲線可能會比較陡峭。但如果配合上一些輔助材料,如官方發布的R basics( cran.r-project.org/doc/ ),stackoverflow上有tag-R的問題集(Newest 'r' Questions),遇到復雜的問題可在上面搜索,總會找到解決方案的。這樣一來,用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕鬆,緊貼實戰。

Data analysis and graphics using R:使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰,沒有過多地講解統計學理論,所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強,也就是說哪怕你手頭沒電腦寫不了代碼,有事沒事拿出這本書翻一翻,也能讀得進去。

但如果你先用R來從事實實在在的數據工作,那麼上面兩本恐怕不夠,還需要這些:

Modern applied statistics with S:這本書裡統計學的理論就講得比較多了,好處就是你可以用一本書既複習了統計學,又學了R語言。 (S/Splus和R的關係就類似於Unix和Linux,所以用S教程學習R,一點問題都沒有)

Data manipulation with R:這本書實務性很強,它教給你怎麼從不同格式的原始數據文件裡讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣,本書也有豐富的真實數據或模擬數據供你練習。對於真正從事數據處理工作的人來說,這本書的內容非常重要,因為對於任何研究,一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則,你的研究總是要等待你的數據。

R Graphics Cookbook:想用R做可視化,就用這本書吧。 150多個recipes,足以幫你應付絕大多數類型的數據。以我現在極業餘的可視化操作水平來看,R是最容易做出最漂亮的圖表的工具了。

An introduction to statistical learning with application in R:這本書算是著名的the element of statistical learning的姊妹篇,後者更注重統計(機器)學習的模型和算法,而前者所涉及的模型和算法原沒有後者全面或深入,但卻是用R來學習和應用機器學習的很好的入口。

A handbook of statistical analysis using R:這本書內容同樣非常紮實,很多統計學的學生就是用這本書來學習用R來進行統計建模的。

  • Python

Think Python,Think Stats,Think Bayes:這是Allen B. Downey寫的著名的Think X series三大卷。其實是三本精緻的小冊子,如果想快速地掌握Python在統計方面的操作,好好閱讀這三本書,認真做習題,答案鏈接在書裡有。這三本書學通了,就可以上手用Python進行基本的統計建模了。

Python For Data Analysis:作者是pandas的主要開發者,也正是Pandas使Python能夠像R一樣擁有dataframe的功能,能夠處理結構比較複雜的數據。這本書其實analysis講得不多,說成數據處理應該更合適。掌握了這本書,處理各種糟心的數據就問題不大了。

Introduction to Python for Econometrics, Statistics and Data Analysis:這本書第一章就告訴你要安裝Numpy, Scipy, Matplotlib, Pandas, IPython等等。然後接下來的十好幾章就是逐一介紹這幾個庫該怎麼用。很全面,但讀起來比較枯燥,可以用來當工具書。

Practical Data Analysis:這本書挺奇葩,貌似很暢銷,但作者把內容安排得東一榔頭西一棒子,什麼都講一點,但一個都沒講透。這本書可以作為我們學習數據分析的一個索引,看到哪塊內容有意思,就順著它這個藤去摸更多的瓜。

Python Data Visualization Cookbook:用Python做可視化的教材肯定不少,我看過的也就這一本,覺得還不錯。其實這類書差別都不會很大,咬住一本啃下來就是王道。

  • Exploratory Data Analysis和Data Visualization

Exploratory Data Analysis:John Tukey寫於1977年的經典老教材,是這一領域的開山之作。如今EDA已經是統計學裡的重要一支,但當時還是有很多人對他的工作不屑一顧。可他愛數據,堅信數據可以以一種出人意料的方式呈現出來。正是他的努力,讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了,內容略過時。要想完整地了解EDA,推薦下一本:

Exploratory Data Analysis with MATLAB:這本書雖然標題帶了個MATLAB,但實際上內容幾乎沒怎麼講MATLAB,只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在於,這是我讀過的講EDA最系統的一本書,除了對visualization有不輸於John Tucky的講解外,對於高維的數據集,通過怎樣的方法才能讓我們從中找到潛在的pattern,這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼,而且還提供了GUI(圖形用戶界面)。所以這本書學起來還是相當輕鬆愉悅的。

Visualize This:中譯本叫“鮮活的數據”,作者是個“超級數據迷”,建立了一個叫 flowingdata.com的網頁展示他的數據可視化作品,這本書告訴你該選擇什麼樣的可視化工具,然後告訴你怎樣visualize關係型數據、時間序列、空間數據等,最後你就可以用數據講故事了。如果你只想感受一下數據可視化是個什麼,可以直接點開下面這個鏈接感受下吧! A tour through the visualization zoo(A Tour Through the Visualization Zoo

  • Machine Learning & Data Mining

這一塊就不多說了,不是因為它不重要,而是因為它太太太重要。所以這一部分就推兩本書,都是”世界名著“,都比較難讀,需要一點點地啃。這兩本書拿下,基本就算是登堂入室了。其實作為機器學習的延伸和深化,概率圖模型(PGM)和深度學習(deep learning)同樣值得研究,特別是後者現在簡直火得不得了。但PGM偏難,啃K.Daphne那本大作實在太燒腦,也沒必要,而且在數據領域的應用也不算很廣。 deep learning目前工業界的步子邁得比學術界的大,各個domain的應用如火如荼,但要有公認的好教材問世則還需時日,所以PGM和deep learning這兩塊就不薦書了。

The Element of Statistical Learning:要學機器學習,如果讓我只推荐一本書,我就推薦這本巨著。 Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了,大廈建得夠高夠大,結構也非常嚴謹,而且很有前瞻性,納入了很多前沿的內容,而不僅僅是一部綜述性的教材。 (圖表也做得非常漂亮,應該是用R語言的ggplot2做的。)這本書注重講解模型和算法本身,所以需要具備比較紮實的數理基礎,啃起這本書來才不會太吃力。事實上掌握模型和算法的原理非常重要。機器學習(統計學習)的庫現在已經非常豐富,即使你沒有完全搞懂某個模型或算法的原理和過程,只要會用那幾個庫,機器學習也能做得下去。但你會發現你把數據代進去,效果永遠都不好。但是,當你透徹地理解了模型和算法本身,你再調用那幾個庫的時候,心情是完全不一樣的,效果也不一樣。

Data Mining: Concepts and Techniques, by Jiawei Han and Micheline Kamber 數據挖掘的教材汗牛充棟,之所以推薦這本韓家煒爺爺的,是因為雖然他這本書的出發點是應用,但原理上的內容也一點沒有落下,內容非常完整。而且緊跟時代,更新的很快,我看過的是第二版,就已經加進去了social network analysis這種當時的前沿內容。現在已經有第三版了,我還沒看過,但應該也加入了不少新內容。其實這本書並不難讀,只是篇幅較長,啃起來比較耗時。

其實這兩本書裡單拎出來一塊內容可能又是幾本書的節奏,比如bayesian方法,再拿出兩三本書來講也不為過,我個人用到的比較多,而且也確實有不少好書。但並非是所有data scientist都要用到,所以這一塊就不再細說。

還有一些印像比較深刻的書:
Big Data Glossary:主要講解大數據處理技術及工具,內容涵蓋了NoSQL,MapReduce,Storage,Servers,NLP庫與工具包,機器學習工具包,數據可視化工具包,數據清洗,序列化指南等等。總之,是一本辭典式的大數據入門指導。

Mining of Massive Datasets:這本書是斯坦福大學Web Mining的講義,裡面很多內容與韓家煒的Data Mining那本書重合,但這本書裡詳細地講了MapReduce的設計原理,PageRank(Google創業時期的核心排序算法,現在也在不斷優化更新)講解得也比較詳細。

Developing Analytic Talent:作者是個從事了十幾年數據工作的geek,技術部落格寫得很有個人風格,寫的內容都比較偏門,通常只有具備相關數據處理經驗的人能體會出來,絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎麼辦,或者MapReduce在什麼時候不好用的問題,才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的部落格文章的集結,用how to become a data scientist的邏輯把他近幾年的部落格文章串聯了起來。

Past, Present and Future of Statistical Science:這本書是由COPSS(統計學社主席委員會,由國際各大統計學會的帶頭人組成)在50週年出版的一本紀念冊,裡面有50位統計學家每人分別貢獻出的一兩篇文章,有的回憶了自己當年如何走上統計學這條路,有的探討了一些統計學的根本問題,有的談了談自己在從事的前沿研究,有的則給年輕一代寫下了寄語。非常有愛的一本書。

  • 其它資料

Harvard Data Science:這是H大的Data science在線課,我沒有修過,但口碑很好。這門課需要費用8千刀左右,比起華盛頓大學的4千刀的Data science在線課雖貴一倍,但比斯坦福的14千刀要便宜將近一半(而且斯坦福的更偏計算機)。如果想自學,早有好心人分享了slides: ( drive.google.com/folder )和homeworks and solutions: ( github.com/cs109/conten

PyData:PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會,期間會有各路牛人舉行一些規模不大的seminar或workshop,有好心人已經把video上傳到github,有興趣的去認領吧(DataTau/datascience-anthology-pydata · GitHub

  • 工具

R/Python/MATLAB(必備):如果是做數據分析和模型開發,以我的觀察來看,使用這三種工具的最多。 R生來就是一個統計學家開發的軟件,所做的事也自然圍繞統計學展開。 MATLAB雖然算不上是個專業的數據分析工具,但因為很多人不是專業做數據的,做數據還是為了自己的domain expertise(特別是科學計算、信號處理等),而MATLAB又是個強大無比的Domain expertise工具,所以很多人也就順帶讓MATLAB也承擔了數據處理的工作,雖然它有時候顯得效率不高。 Python雖然不是做數據分析的專業軟件,但作為一個面向對象的高級動態語言,其開源的生態使Python擁有無比豐富的庫,Numpy, Scipy 實現了矩陣運算/科學計算,相當於實現了MATLAB的功能,Pandas又使Python能夠像R一樣處理dataframe,scikit-learn又實現了機器學習。

SQL(必備):雖然現在人們都說傳統的關係型數據庫如Oracle、MySQL越來越無法適應大數據的發展,但對於很多人來說,他們每天都有處理數據的需要,但可能一輩子都沒機會接觸TB級的數據。不管怎麼說,不論是用關係型還是非關係型數據庫,SQL語言是必須要掌握的技能,用什麼數據庫視具體情況而定。

MongoDB(可選):目前最受歡迎的非關係型數據庫NoSQL之一,不少人認為MongoDB完全可以取代mySQL。確實MongoDB方便易用,擴展性強,Web2.0時代的必需品。

Hadoop/Spark/Storm(可選): MapReduce是當前最著名也是運用最廣泛的分佈式計算框架,由Google建立。 Hadoop是基於MapReduce的框架建立起來的分佈式計算系統,Spark在Map Reduce的基礎上利用有向無環圖構建了RDD,目的就是為了減少Map和Reduce之間的數據交換次數,所以速度就快了。另一個區別就是,Hadoop用硬盤存儲數據,Spark用內存存儲數據,Storm只接受實時數據流而不存儲數據。 Hadoop因為“歷史”最為悠久,有不少技術和產品都是基於Hadoop開發的,所以在較長的時間內Hadoop並不會不會被淘汰。而Spark是目前生態最好,最活躍的分佈式框架。如果剛剛起步研究分佈式計算,可從Spark入手。

OpenRefine(可選):Google開發的一個易於操作的數據清洗工具,可以實現一些基本的清洗功能。

Tableau(可選):一個可交互的數據可視化工具,操作簡單,開箱即用。而且圖表都設計得非常漂亮。專業版1999美刀,終身使用。媒體和公關方面用得比較多。

Gephi(可選):跟Tableau類似,都是那種可交互的可視化工具,不需要編程基礎,生成的圖表在美學和設計上也是花了心血的。更擅長複雜網絡的可視化。

------------------------------------正文完------------ -----------------------------

除了比較難找到資料給出鏈接之外,其餘都需要各位自己動手了。也請多多支持正版。

剛開通了值乎,歡迎來擾。

值乎-說點兒有用的(二維碼自動識別)

Google Analysis在中國可以登錄和使用嗎?

新興專業BA(business analytics)到底學什麼?發展前景怎樣?