Actualmente los autores de libros de data science, usualmente académicos, están más propensos a hacer que sus libros estén disponibles de forma gratuita. La mayoría de los libros disponibles son de O’Reilly. A continuación te dejamos una lista de los libros de Data Science que debes leer.
Resumen de Data Science
Si apenas vas a iniciar un estudio de data science, te recomendamos estos libros que pueden ser útiles para tener una introducción al tema.
- Una introducción a la Ciencia de los Datos (Jeffrey Stanton, 2013)
- School of Data Handbook (2015)
- Data Jujitsu: El Arte de Convertir Datos en Producto (DJ Patil, 2012)
- El Arte de la Ciencia de los Datos (Roger D. Peng & Elizabeth Matsui, 2015)
Herramientas Informáticas Distribuidas
- Hadoop: La Guía Definitiva (Tom White, 2011)
- Data-Intensive Text Processing with MapReudce (Jimmy Lin & Chris Dyer, 2010)
Libros de Data Mining y Machine Learning
Machine Learning forma parte de data science, debido a que el algoritmo depende de algunos datos. Sin embargo, machine learning incluye algunas técnicas que pueden ser muy útiles para los data scientists. A continuación te presentamos una lista de libros para machine learning y data mining que debes leer.
- Introducción a Machine Learning (Amnon Shashua, 2008)
- Machine Learning (Abdelhamid Mellouk & Abdennacer Chebira)
- Machine Learning – La Guía Completa (Wikipedia)
- Social Media Mining An Introduction (Reza Zafarani, Mohammad Ali Abbasi, & Huan Liu, 2014)
- Data Mining: Practical Machine Learning Tools and Techniques (Ian H. Witten & Eibe Frank, 2005)
- Mining of Massive Datasets (Jure Leskovec, Anand Rajaraman, & Jeff Ullman, 2014)
- La Guía de un Programador para Data Mining (Ron Zacharski, 2015)
- Data Mining with Rattle and R (Graham Williams, 2011)
- Data Mining y Analisis: Conceptos Fundamentales y Algoritmos (Mohammed J. Zaki & Wagner Meria Jr., 2014)
- Mining the Social Web: Data Mining Facebook, Twitter, LinkedIn, Google+, GitHub, and More (Matthew A. Russell, 2014)
- Probabilistic Programming & Bayesian Methods for Hackers (Cam Davidson-Pilon, 2015)
- Data Mining Techniques For Marketing, Sales, and Customer Relationship Management (Michael J.A. Berry & Gordon S. Linoff, 2004)
- Inductive Logic Programming: Techniques and Applications (Nada Lavrac & Saso Dzeroski, 1994)
- Pattern Recognition and Machine Learning (Christopher M. Bishop, 2006)
- Machine Learning, Neural and Statistical Classification (D. Michie, D.J. Spiegelhalter, & C.C. Taylor, 1999)
- Information Theory, Inference, and Learning Algorithms (David J.C. MacKay, 2005)
- Data Mining and Business Analytics with R (Johannes Ledolter, 2013)
- Bayesian Reasoning and Machine Learning (David Barber, 2014)
- Gaussian Processes for Machine Learning (C. E. Rasmussen & C. K. I. Williams, 2006)
- Reinforcement Learning: An Introduction (Richard S. Sutton & Andrew G. Barto, 2012)
- Algorithms for Reinforcement Learning (Csaba Szepesvari, 2009)
- Big Data, Data Mining, and Machine Learning (Jared Dean, 2014)
- Modeling With Data (Ben Klemens, 2008)
- KB – Neural Data Mining with Python Sources (Roberto Bello, 2013)
- Deep Learning (Yoshua Bengio, Ian J. Goodfellow, & Aaron Courville, 2015)
- Neural Networks and Deep Learning (Michael Nielsen, 2015)
- Data Mining Algorithms In R (Wikibooks, 2014)
- Data Mining and Analysis: Fundamental Concepts and Algorithms (Mohammed J. Zaki & Wagner Meira Jr., 2014)
- Theory and Applications for Advanced Text Mining (Shigeaki Sakurai, 2012)
Estos libros contribuyen con el aprendizaje y desarrollo de los especialistas de TI enfocados al análisis de datos. ¿Tú cuál recomiendas?
