几本关于代码和机器学习的教材

这里分享几本关于代码（R和Python）和机器学习的教材，这些我基本都看过或浏览过。书不在多而在于精，在列书单时我是按照循序渐进的原则，而不是列出几十本我自己也没有看过且内容多有重复的教材。值得注意的是这些书都是数据导向而非纯编程导向。 R 1. 《R for Data Science》 此书可以作为入门，建议配合《R入门》帖子（https://www.douban.com/group/topic/108924909/）中所提及的练习来看。不过此书也有一个小缺点，就是过于简洁，部分tidyverse中的代码并没有提及，所以最好配合《R Cheat Sheets（R代码查询表）》帖子（https://www.douban.com/group/topic/109403810/）.

2. 《Text Mining with R》 此书中使用的tidytext包代码和《R for Data Science》中频繁使用的tidyverse包一脉相承，在学完前一本书后建议浏览一下这本非常薄的做文本挖掘的入门书。

3. 《ggplot2》 此书也是第一本书的扩展版，主要详细讲解了如何用ggplot2包作图（ggplot包就包含在tidyverse包中）。可以当做作图查询手册：在第一本书的作图部分无法解决问题或是在作图时遇到障碍时随手翻一翻。

4. 《Advanced R》 此书行有余力或真有兴趣再看，其中讲的都是R的基本原理以及优化方法。

PS. 关于机器学习的包在涉及机器学习的时候再提及（第一本书中也提及了一些）。至于API，web scraping，shiny（做交互式软件）等等，基础知识见《R入门》中提供的资源。 Python 由于我自己也刚开始学习python不久，而且是在比较熟悉R了以后才上手，所以以下的教材只涉及入门，尤其是有编程基础之人的入门。另外如果是学习的话建议用Jupyter Notebook写代码。 1. 《A Byte of Python》 很薄的译本小册子，简略讲了一些代码和原理。

2. 《Learn Python 3 the Hard Way》 此书全是关于Python基础的代码练习，可以看扫一眼第一本之后集中用此书训练，或是配合第一本一起看。

3. 《Python Data Science Handbook》 此书必须在看过前两本关于python基础的教材后再入手，主要讲解了常用的几个做数据分析的包（numpy, pandas, Matplotlib和scikit-learn），即数据整理、作图和机器学习。

机器学习 1. 《An Introduction to Statistical Learning》 此书可说是经典的机器学习入门教材，对数学基础要求也不高，不过比较侧重监督学习。值得注意的一点是，此书的例子都是R代码，但强烈不建议使用其中的代码。除了个别代码可参考外，大部分代码都略为过时（很多都是用base包在做），效率大多很低。R和Python中简单的机器学习实现参见《R for Data Science》、《R入门》中提供的资源以及《Python Data Science Handbook》，复杂一些的见下一本书。

2. 《Practical Machine Learning with H2O》 H2O包可以极大提高R和Python进行机器学习的效率，原理参见《R入门》中所提供的关于Distributed Learning的资源。此书同时提供了R和Python的代码教程。

3. 《The Elements of Statistical Learning》 此书是第一本书的进阶版，里面包含了很多数学细节，适合数理背景比较好又觉得第一本书提供的技术细节不够充分的人看。