Beste Bücher zu Big Data und Data Science

In diesem Artikel empfehlen wir Bücher und andere Ressourcen, die sich speziell mit Big Data und Data Science beschäftigen.

Big Data: Eine Revolution, die unsere Lebens-, Arbeits- und Denkweise verändern wird

Autoren: Viktor Mayer-Schönberger und Kenneth Cukier

Big Data: A Revolution bietet einen umfassenden Überblick über Big Data und deren Auswirkungen auf die moderne Gesellschaft. Obwohl es keineswegs ein technisches Buch ist, bietet es dennoch eine gute, umfassende Einführung darin, was Big Data ist und wie es Praktiken in so unterschiedlichen Bereichen beeinflusst wie:

• Betrugserkennung
• Internationale Strafverfolgung
• Linguistik
• Automatisierte Sprachübersetzung

Big Data: A Revolution eignet sich gut für Geschäftsleiter und Analysten oder vielleicht sogar für C-Level-Führungskräfte, und bietet Einblicke und Leitlinien, wie Branchen im Zuge der heutigen Informationsrevolution voranschreiten sollten.

Eine der zentralen Prämissen des Buches ist die Vorstellung von "Warum, nicht was". Zum Beispiel heißt es im Buch:

"Das Zeitalter der Big Data stellt die Art und Weise heraus, wie wir leben und mit der Welt interagieren. Am auffälligsten ist, dass die Gesellschaft einen Teil ihrer Obsession mit Kausalität ablegen muss und stattdessen einfache Korrelationen anbietet: nicht wissen warum, sondern nur was."

Hadoop: Der endgültige Leitfaden, 4. Edition

Autor: Tom White

Hadoop: The Definitive Guide ist ein Big-Data-Buch, das sich an technische Zielgruppen richtet. Das Buch wurde ursprünglich 2009 veröffentlicht und wird derzeit als Update der 4. Edition verkauft.

Von Entwicklern und Dateningenieuren weltweit gelobt, bietet Hadoop: The Definitive Guide Anleitungen zum Bau und zur Wartung verteilter, paralleler Datenverarbeitungssysteme mit Apache Hadoop (HDFS, MapReduce und YARN). Das Update der 4. Edition geht sogar auf Details zur Einführung von Hadoop 2 ein, einschließlich technischer Details, die Sie zu YARN, HBase, Parquet, Flume, Crunch, Pig, Hive und Spark wissen sollten.

Das Buch präsentiert außerdem interessante Fallstudien aus der Gesundheits- und Genomwissenschaftsbranche.

Data Smart: Data Science nutzen, um Informationen in Erkenntnisse zu verwandeln

Autor: John Foreman

Geschäftsleute lieben Data Smart, so einfach ist das! Speziell für Data-Science-Neulinge geschrieben, bietet Data Smart den Lesern eine wirklich einfache Möglichkeit, die Konzepte und Techniken der Data Science zu verstehen. Darüber hinaus bietet das Buch Schritt-für-Schritt-Anleitungen, wie man diese Techniken im allgegenwärtigen Microsoft Excel umsetzt. Einige in Data Smart behandelte Data-Science-Methoden umfassen:

• Clusteranalyse (einschließlich k-means- und k-medians-Methoden)
• Lineare Programmierung zur Dokumentenklassifikation
• Verschiedene Formen der linearen Regressionsanalyse
• Zeitreihenprognose

Obwohl Ihnen dieses Buch nicht alles vermittelt, was Sie wissen müssen, um groß angelegte Analyseprojekte umzusetzen, hilft es Ihnen, die grundlegenden Prinzipien der Data Science und einige der daraus enthaltenen Methoden zu erlernen.

Einführung in maschinelles Lernen mit Python: Ein Leitfaden für Data Scientists

Autoren: Andreas C. Müller und Sarah Guido

Einführung in maschinelles Lernen mit Python bietet praktische Richtlinien zum Erstellen von Machine-Learning-Modellen mit verschiedenen Python-Data-Science-Bibliotheken. Das Buch behandelt grundlegende Konzepte des maschinellen Lernens und bietet Programmierbeispiele zu verschiedenen Anwendungen. Die Modellierungsrichtlinien umfassen:

• Datenvorbereitung
• Modellabstimmung und -bewertung
• KI-Algorithmen einschließlich überwachtem und unüberwachtem Lernen
• Statistische Optimierungstechniken

Spezielle Kapitel zur Verarbeitung von Text- und Bilddaten sowie zur Visualisierung helfen Nutzern, praktisches maschinelles Lernen mit Python End-to-End-Verfahren zu erlernen.

(Sehen Sie, warum Python perfekt für Big Data ist.)

Autoren: Aaron Courville, Ian Goodfellow und Yoshua Bengio

Deep Learning

Deep Learning ist eines der umfassendsten Bücher zu diesem Thema von drei der renommiertesten Experten im Bereich des Deep-Learning-Bereichs. Das Buch bietet umfangreiche mathematische Details und deckt ausreichend alle relevanten Fachgebiete des statistischen maschinellen Lernens ab, darunter:

• Wahrscheinlichkeitstheorie und Informationstheorie
• Optimierung
• Numerische Berechnung

Das Buch bietet allgemeine Leitlinien für maschinelles Lernen und mathematische Modellierung, die unter anderem auf natürliche Sprachverarbeitung, Computer Vision und autonomes Fahren, Finanzen, Gesundheitsdaten und Bioinformatik sowie Unterhaltung angewendet werden können.

Wer sollte dieses Buch verwenden? Es eignet sich am besten für Bachelor- und Masterstudierende, die eine Karriere im Bereich maschinelles Lernen anstreben. Fachleute mit Hintergrund in Statistik und Informatik können das Buch Deep Learning ebenfalls nutzen, um wirklich zu verstehen, wie maschinelles Lernen funktioniert und ihrem Unternehmen einen Mehrwert bietet.

Mathematik für maschinelles Lernen

Autoren: Marc Peter Deisenroth, A. Aldo Faisal und Cheng Soon Ong.

Mathematik ist der wichtigste Bestandteil des maschinellen Lernens, der weit über Deep Learning hinausgeht. Mathematics for Machine Learning geht einen Schritt zurück und behandelt eine Vielzahl grundlegender Konzepte des maschinellen Lernens mit großer Detailgenauigkeit.

Dieses Buch ist ein großartiger Ausgangspunkt für Fachleute, die einen Karrierewechsel hin zu maschinellem Lernen und insbesondere Deep Learning anstreben, aber nicht über das zugrundeliegende Wissen der zugrundeliegenden Mathematik verfügen. Dieses Buch behandelt eine Vielzahl von Themen von Analysis, linearer Algebra, Wahrscheinlichkeitstheorie und Optimierung. Anschließend beleuchtet es die zentralen maschinellen Lernalgorithmen, darunter Support Vector Machines und Principal Component Analysis.

Der letzte Teil des Buches ist jedoch nicht vollständig zu maschinellen Lerntechniken und Algorithmen, da verschiedene zentrale ML-Methoden nicht behandelt werden – aber in diesem wachsenden Feld, wer kann alles abdecken?

Mustererkennung und maschinelles Lernen

Autor: Christopher Bishop

Pattern Recognition and Machine Learning ist ein weiteres großartiges Buch über Data Science. Im Gegensatz zu Data Smart wurde Pattern Recognition jedoch geschrieben, um die Interessen und technischen Fähigkeiten bereits fortgeschrittener Informationswissenschaftler und Statistiker zu erfüllen.

Das Buch führt inferenzielle Approximationsalgorithmen ein, die nützlich sind, um schnelle Antworten aus Fragen zu Big Data Sets zu generieren. Obwohl das Buch keine erforderlichen Kenntnisse in Mustererkennung oder maschinellem Lernen verlangt, legt es fest, dass Leser in Analysis und den Grundlagen der Wahrscheinlichkeitstheorie und linearen Algebra versiert sein sollten.

Ingenieure und Statistiker haben das Buch für seine Lesbarkeit und Vollständigkeit gelobt, obwohl Kritiker Frustration über seinen nicht intuitiven, mathematiklastigen Ansatz geäußert haben.

Storytelling with Data: Ein Leitfaden zur Datenvisualisierung für Geschäftsleute

Autor: Cole Nussbaumer Knaflic

Der letzte Teil der Data-Science-Reise besteht darin, Erkenntnisse aus der Linse der künstlichen Intelligenz zu präsentieren. Storytelling with Data ermöglicht es Data Scientists, Experten für maschinelles Lernen und IT-Fachkräfte, ihre ML-Ergebnisse als einfache und intuitive Datenvisualisierungen darzustellen

Konkret vermittelt das Buch die Bedeutung von Kontext und Einfachheit der Datenvisualisierung, legt geeignete Techniken für verschiedene statistische Techniken und Zielgruppen fest, eliminiert Unordnung und unnötige komplexe Informationen sowie Designkonzepte, um eine Geschichte zu präsentieren oder einen Punkt zu beweisen.

Ergänzend zum Buch ist ein weiterer praxisorientierter Leitfaden desselben Autors: Storytelling with Data: Let's Practice!.

Verwandte Literatur

• BMC Machine Learning & Big Data Blog
• Top-Algorithmen für maschinelles Lernen und wie man anfängt
• Voreingenommenheit & Varianz im maschinellen Lernen: Konzepte & Tutorials
• Datenarchitektur erklärt: Komponenten, Standards und sich verändernde Architekturen
• Anomalieerkennung mit maschinellem Lernen: Eine Einführung
• Data-Science-Zertifizierungen: Eine Einführung

Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.