十本书
1. 数据之巅:大数据革命,历史、现实与未来(精装)

作者:涂子沛 著
出版时间:2014-04
出版社:中信出版社
图书简介:数据,自古就有,人口普查、土地丈量、军事战争、政治计算……数据虽小,却有助于治国安邦。美国之所以繁荣鼎盛,数据文化根基牢不可破概是主因之一。

互联互通、信息爆炸、智慧城市时代,大数据,更以排山倒海之势席卷全球,政府施政、企业掘金,大众要公平与正义,大数据被赋予了新的历史使命。

在这本书中,从小数据时代到大数据的崛起,作者以宏大的历史观、文化观、大数据观,给我们描述了一幅数据文化、智慧文化的全景画面。全书从美国的数据文化根基开始讲起,通过阐述初数时代、内战时代、镀金时代、进步时代、抽样时代的数据文化特征,以数据分权、人口普查、土地丈量、数据远征、数据审判等历史事件为主线、系统梳理了美国数据文化的形成,阐述了其数据治国之道,论述了中国数据文化的薄弱之处。

“尊重事实,用数据说话”,从科技符号演变为文化符号,形成一种文化话语体系,大数据,正在撬动中国的制度创新、科技创新。 阅读此书,历史与现实相互融合,知识与激情相互交织,思想与观念相互碰撞,未来与前景必定豁然开朗。

2. 大数据:正在到来的数据革命(2.0升级版)

作者:涂子沛 著
出版时间:2013-04
出版社:广西师范大学出版社
图书简介:入榜《亚洲周刊》“年度十大好书”,持续畅销;叫醒中国,领跑大数据时代最好的书。中国高层人物汪洋,读后非常有启发,针对国人数据意识的淡薄由来已久,中国如何应对大数据时代的挑战,他在工作会议上说:“我希望大家能认真读一读这本书,带着问题读,带着想法读。”

3. 决战大数据:驾驭未来商业的利器

作者:车品觉 著,安烨 编
出版时间:2014-03
出版社:浙江人民出版社
图书简介:你也许对“大数据”已经有所耳闻,但是你是否真的了解“大数据”的奥秘?你是否了解无线数据对当今商业的影响?你是否洞察到了大数据背后企业经营实质的变革?你是否能真正识别数据的盲点和噪音、抓住了海量信息中的核心信息……当这些问题摆在你眼前时,你还认为自己了解“大数据”吗?

4. 赤裸裸的未来(精装)

作者:(美)帕特里克塔克尔 (Patrick Tucker)
出版时间:2014-09
出版社:江苏文艺出版社
图书简介:全书主题聚焦于未知与未来,但论述绝非建立在想象之上的空中楼阁,其间穿插着大量事例,或基于客观现实,或依据科学推测,生动有趣。塔克尔通过大量的访谈和调查,约见各领域的权威人士,积累了极为丰富的素材,提取了他们有关现实的观点和对未来的预期,为我们展开了有关未来社会各领域的翔实可信的图景,讲述的虽是前沿科技主题,内容却平实亲和。

5. 互联网冲击:互联网思维与我们的未来

作者:(美)杰伦·拉尼尔(Jaron Lanier) 著
出版时间:2014-05
出版社:中信出版社
图书简介:杰伦·拉尼尔具有多重身份——他不仅是畅销书作者、虚拟现实之父,还是当代最具影响力的思想家之一。同时,作为一个计算机科学家、音乐家和数字媒体先驱,杰伦·拉尼尔几十年来一直运用他的知识和经验来预测科技是以何种革新方式来改变我们的文化。

在《互联网冲击》一书中,关于网络技术对经济造成的影响,作者进行了卓有远见的预测。拉尼尔断言,数字网络的崛起会造成我们经济的衰退,并且摧毁中产阶级。如今,科技已经征服了一个又一个行业——从媒体到医药业,再到制造业。我们的就业形势和个人财富都将面临更加严峻的挑战。

6. 大数据云图:如何在大数据时代寻找下一个大机遇

作者:[美]大卫·芬雷布 著
出版时间:2014-01
出版社:浙江人民出版社
图书简介:亚马逊、谷歌、IBM、Facebook……超过一百家大数据公司的商业法则深度解密。教育、医疗、商业、设计、汽车……十几个行业的成功企业案例全面分享。

从Twitter到Netflix,从Bing到LinkedIn……互联网新贵如何在大数据之战中脱颖而出?从福特到宝洁,从耐克到三星……传统商业巨头如何在大数据时代再创辉煌?

大数据云图清晰勾勒出大数据行业的企业分布,让你能够轻易发现大数据行业的下一个大机遇究竟在何处。

7. 数据统治世界

作者:[美]冯启思(Kaiser Fung)著,曲玉彬 译
出版时间:2013-09
出版社:中国人民大学出版社
图书简介:《大数据时代》之后的必读之作。《大数据时代》改变了我们的思维,《数据统治世界》将改变我们利用数据的方式。揭示5大统计式思维,让你可以解决在商业、金融、科学、公共卫生以及犯罪调查中遇到的难题!他用难以胜数的来自真实世界的例子,为我们展现了统计学在日常生活中的实际应用,以一种简单、务实、无限娱乐性的方式为您解释了数据所具有的神秘力量。游人如织的迪士尼是如何管理排队等候时间的?高速公路为什么要修建缓行匝道?服用兴奋剂的运动员在被揭穿之前是如何制造出几十次干净的药检结果的?

8. 大数据分析:决胜互联网金融时代

作者:[美]Michael Minelli Michele Chambers Ambiga Dhiraj 著
出版时间:2014-08
出版社:人民邮电出版社
图书简介:《大数据分析:决胜互联网金融时代》第1章主要介绍了大数据分析的定义和由来、大数据的重要性,以及大数据时代的历史背景和发展趋势。第2章通过对成功企业领导者的采访,详细介绍了大数据分析在信息、金融、传媒、医疗等领域的使用案例,并通过这些案例帮助读者了解如何将大数据分析方法应用到商业活动中。第3章详细介绍了大数据分析采用的一系列技术手段及案例,并指出大数据技术应用到实际生活中的一些关键问题。

9. 云经济学——企业云计算战略与布局

作者:[美]乔·韦曼(Joe Weinman) 著
出版时间:2014-07
出版社:人民邮电出版社
图书简介:在云计算日益成熟的今天,“接入而非拥有”的理念不断为人们所理解和接受。

《云经济学——企业云计算战略与布局》从商业、金融及经济的视角解释了云经济的潜在原理,并通过易于理解的案例阐述了云计算是如何创造出综合价值的。无论你是供应商、零售商、服务提供商、战略家还是投资者,都能从书中所涵盖的基于云计算的商业解决方案、机遇以及提升客户满意度的绝佳方案中找到答案。

10. 大数据思维与决策

作者:(美)伊恩·艾瑞斯 著
出版时间:2014-10
出版社:人民邮电出版社
图书简介:伊恩·艾瑞斯著的《大数据思维与决策》是大数据时代的奠基之作,耶鲁大学计量经济学家伊恩·艾瑞斯早在20世纪末就洞察到大数据浪潮的到来。本书通过讲述各个领域有关大数据分析与决策的经典案例,为读者解答了一系列关系到现在与未来的问题,如为什么谷歌和亚马逊比你还了解你自己的喜好、医生如何利用数据分析做出正确诊断、教师是否要摒弃自身创造性为孩子提供精确有效的教育指导,以及政府、法院如何在推动信息公开的同时制定出有益于未来的制度和法案等。

十个公开课

1. The Analytics Edge (麻省理工学院)

水平: Beginners-Expert
学时: 10 – 15小时/周
状态: Archived
持续时间: 12周
需要的条件: 无
工具: R

这是用R来学习数据分析的最好课程。课程提供基于一些业务案例的专题和大量的练习。这个课程对学习时间要求很严格,但是绝对值得。案例包括《点球成金》、eHarmony、弗雷明汉心脏研究,Twitter,IBM Watson和Netflix。通过这些例子,我们会教你以下分析方法:线性回归,逻辑回归,各种树、文本分析、集群化、可视化和优化组合。
地址:https://www.edx.org/course/analytics-edge-mitx-15-071x-0

2. 机器学习 (斯坦福大学)

水平: Beginners-Expert
学时: 7 – 12小时/周
状态: On-demand
持续时间: 11周
需要的条件: 编程
工具: Octave

当你在网络上接触关于机器学习的课程,一定有这个课程视频。它由机器学习领域最好的教授之一Andrew Ng.讲授,完整的课程涵盖了所有机器学习的核心概念。
包括:(1)监督学习(参数或非参数算法,支持向量机,内核,神经网络)。 (2)无监督学习(集群、降维、推荐系统、深入学习)。(3) 机器学习的最佳实践(偏差/方差理论,在机器学习和人工智能方面的创新过程)。
https://www.coursera.org/learn/machine-learning/home/info

3. 数据科学和机器学习要领(微软)
水平: Beginners-Intermediate
学时: 3 – 4小时/周
状态: On-demand
持续时间: 5周
需要的条件: 无
工具: R

这个课程是MIT专家和微软合作的,帮你学习数据科学以更好地应用于职场。本课程结束时,你就会知道如何用数据科学和机器学习模型来构建和获得见解。你将通过Azure 机器学习, R & Python来构建一个云数据解决方案的案例来学习数据采集、准备、探索和可视化方面的关键概念
https://www.edx.org/course/data-science-machine-learning-essentials-microsoft-dat203x

4. 数据库 (斯坦福大学)

水平: 初学者
学时: 8 – 10小时/周
状态:Self-paced
持续时间: 10周
需要的条件: 无
工具: SQL、XML查询

如果你要处理数据,数据库是不可避免的。本课程涵盖了数据库设计和数据库管理系统应用程序的使用。它包括广泛覆盖的关系模型,包含XML数据,DTDs模板、XML模板的内容,同时包含查询和转换语言XPath,Xquery和XSLT的内容。课程包括UML中的数据库设计,基于依赖关系和正常形式的相关设计原则。
https://lagunita.stanford.edu/courses/Home/Databases/Engineering/about

5. 编码矩阵:线性代数在计算机科学的应用 (布朗大学)

水平: Beginner-Intermediate
学时: 10 – 14小时/周
状态: Archived
持续时间: 10周
需要的条件: 无
工具: Python

线性代数不仅是计算机科学的重要组成,而且机器学习、图形和统计数据都需要。这是一个杰出的课程,将指导你完成真正的案例和python任务。你需要编写程序实现基本矩阵和向量的功能和算法,并使用这些实现任务:二维图形变换、脸变形、人脸检测、图像转换、模糊和边缘检测、图像视角移除、分类肿瘤恶性或良性、整数分解、纠错编码和秘密共享。另一个更基础的课程是德克萨斯奥斯丁大学的LAFF。
https://www.coursera.org/course/matrix

6. 学习数据 (加州理工学院)

水平: Intermediate-Expert
学时: 10 – 14小时/周
状态: Archived
持续时间: 10周
需要的条件: 概率矩阵,微积分
工具: 没有限制

对机器学习爱好者来说这是有史以来最好的公开课。这是机器的学习入门课程(ML),覆盖基本理论、算法和应用程序,但是需要一个有良好的线性代数,微积分和概率背景以及编程技能。教授这门课的是Yaser S.Abu-Mostafa ,他是加州理工学院电气工程和计算机科学教授,不仅是亚马逊里机器学习的畅销书的作者,也是一个会简化学习方法的教授。
http://work.caltech.edu/telecourse.html

7. CSCI E-109 Data Science(哈佛扩展学校)

水平: Beginners-Expert
学时: 7 – 12小时/周
状态: Archived
持续时间: 16周
需要的条件: 无
工具: Python,d3

非常优秀的课程。本课程介绍五个关键方面的调查方法: 通过data wrangling,清洗和采样得到合适的数据集;数据管理能够快速、可靠访问大数据;探索性数据分析生成假说;基于统计方法如回归和分类来预测;通过可视化、故事和易理解的总结来和他人沟通。
http://cs109.github.io/2015/

8. 数据科学概论 (华盛顿大学)

水平: Beginner-Intermediate
学时: 10 – 14小时/周
状态: Archived
持续时间: 10周
需要的条件: 编程
工具: Python,R,SQL

介绍数据科学的基础知识,通过实践经验从大数据中提取价值。本课程教你一些数据科学的基本技术,包括SQL和NoSQL大规模数据管理解决方案(例如 MapReduce和时代),数据挖掘算法(如聚类和关联规则挖掘)和基本统计建模(例如线性和非线性回归)。
https://www.coursera.org/course/datasci

9. 网络、人群和市场 (康奈尔大学)
水平: Beginners-Expert
学时: 4 – 8小时/周
状态: Archived
持续时间: 10周
需要的条件: 无
工具: 无

这项课程将通过研究社会、经济和技术在世界上是如何连接的基本问题的探索现代生活的相互联系。学生将探索博弈论,互联网结构,社会传播,社会力量传播的普及,信息瀑布。链接分析的另一个重要的知识来源是SNAP。
https://www.edx.org/course/networks-crowds-markets-cornellx-info2040x#%21

10. 数据分析: Take It to the MAX() (DelftX)

水平: Intermediate
学时: 4 – 6小时/周
状态: On-demand
持续时间: 8周
需要的条件:基本的电子表格。
工具: MS-excel,python

即使在大数据时代,有大量的数据分析师还是严重依赖于电子表格收集意见。对于那些想要使用excel增强分析能力的人这是一个优秀的课程。你将深入探究电子表格数据分析:数据透视表,VLOOKUPS,Named ranges,what-if分析,并做出图形——这些将在第一周的课程中讲授。之后,你将学习的电子表格模型的质量,尤其是如何确保您的电子表格保持无差错和强大。最后,你还需要学习Python编程语言,帮助我们分析和操作电子表格中的数据。
https://www.edx.org/course/data-analysis-take-it-max-delftx-ex101x

————————
Done。

说点什么

avatar

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据

  Subscribe  
提醒