Kurs
Einführung in R
4 Std.
3M
Datenwissenschaft ist heutzutage einer der am schnellsten wachsenden Bereiche. Unternehmen auf der ganzen Welt nutzen die Kraft von Daten, um Entscheidungen zu treffen und ihren Stakeholdern innovative Erlebnisse zu bieten. Da sich das Gebiet ständig weiterentwickelt, sind Bücher über Datenwissenschaft eine super Möglichkeit für Leute aus der Praxis, ihre Grundlagen zu verbessern und über den neuesten Lernpfad auf dem Laufenden zu bleiben.
In diesem Artikel haben wir einen umfassenden Überblick über die besten Bücher zum Thema Data Science zusammengestellt, die Themen wie Programmierung, Statistik, Datenvisualisierung und vieles mehr abdecken. Los geht's!
Die besten Bücher über Datenwissenschaft für Leute, die gerade anfangen
Die besten Programmierbücher für Data Science
1. Datenwissenschaft von Grund auf: Grundlagen mit Python von Joel Grus
„Data Science from Scratch“ ist echt ein super Buch für Leute, die gerade erst anfangen. Nach der erfolgreichen ersten Ausgabe des Buches hat Joel Grus eine überarbeitete Ausgabe rausgebracht, die die Grundlagen der Datenwissenschaft mit der Programmiersprache Python 3 erklärt.
Das Buch dreht sich um echte Probleme aus der Datenwissenschaft und erklärt die wichtigsten Konzepte in diesem Bereich, indem es Lösungen von Grund auf umsetzt und dabei eine gute Mischung aus Statistik und Programmierung nutzt.
Auch wenn du Python nicht schon vorher beherrschen musst, um alle gewünschten Ergebnisse aus diesem Buch zu erzielen, erleichtert dir ein gewisses Maß an Vorkenntnissen das Lernen. Wir empfehlen dir, den Kurs „Einführung in Python“ von DataCamp zu checken, um dir einen ersten Überblick über Python zu verschaffen.
2. Python-Handbuch für Datenwissenschaft von Jake VanderPlas
Dieses umfassende Buch von Jake VanderPlas hat Schritt-für-Schritt-Anleitungen für die beliebtesten Tools und Pakete im Python-Data-Science-Ökosystem. Dazu gehören Jupyter, iPython, NumPy, pandas, scikit-learn, matplotlib und andere Bibliotheken. Du lernst anhand von Beispielen, die du ganz einfach nachmachen kannst.
Seit es 2016 rausgekommen ist, hat sich das Python Data Science Handbook schnell zu einem Standardwerk für wissenschaftliches Rechnen mit Python entwickelt. Die gute Nachricht ist, dass bis Ende 2022 eine überarbeitete Ausgabe erwartet wird. Du kannst dir auch anhören, wie Jake VanderPlas unter anderem über das Buch im DataFramed Podcast redet.
3. R für Datenwissenschaft: Daten importieren, aufräumen, umwandeln, visualisieren und modellieren von Garrett Grolemund und Hadley Wickham
Wenn du ein R-Programmierer bist und in die Datenwissenschaft einsteigen möchtest, ist dieses Buch genau das Richtige für dich. Geschrieben von den R-Stars Hadley Wickham und Garret Grolemnd, lernst du mit „R for Data Science” die Grundlagen dieser Disziplin mithilfe der vielseitigen Programmiersprache R und RStudio kennen.
Anstatt komplizierte Statistikkonzepte von Grund auf zu erklären, geht's in dem Buch darum, wie du R für die Datenanalyse nutzen kannst, damit du dich mit beliebten Paketen wie ggplot2, tidyr und anderen vertraut machen kannst. Kurz gesagt: Ein Muss für jeden Datenwissenschaftler, der seine Grundkenntnisse in R verbessern will.
Die besten Statistikbücher für Data Science
4. Statistiken von Allen B. Downey
Um aus Daten Erkenntnisse zu gewinnen, musst du nicht nur programmieren können, sondern auch wissen, wie man verschiedene Methoden aus der Probabilistik & Statistik anwendet. Das Lernen von Statistik ist echt wichtig, um als Datenwissenschaftler erfolgreich zu sein. Zum Glück zeigt dieses Buch, dass das Lernen von Statistik einfach sein und Spaß machen kann.
Think Stats ist eine Einführung in Probabilistik & Statistik für Python-Programmierer. Durch die Arbeit mit einer einzigen Fallstudie im gesamten Buch lernst du die verschiedenen statistischen Methoden kennen, die in den verschiedenen Schritten des Data-Science-Workflows verwendet werden.
Das Buch geht ausführlich auf wichtige Konzepte der Statistik ein, wie zum Beispiel deskriptive Statistik, Verteilungen, Wahrscheinlichkeitsregeln, Visualisierung und vieles mehr. Du kannst dir auch das Buch von Allen Downey auf DataCamp ansehen – Exploratory Analysis in Python.
5. Eine Einführung in das statistische Lernen: Mit Anwendungen in R von Gareth James, Daniela Witten, Trevor Hastie und Robert Tibshirani
„An Introduction to Statistical Learning“ ist sowohl für Statistiker als auch für Nicht-Statistiker gedacht und gibt einen leicht verständlichen Überblick über das Gebiet der Statistik für die Datenanalyse.
Es behandelt ausführlich und verständlich einige der wichtigsten Themen des statistischen Lernens, darunter lineare Regression, Klassifizierung, Resampling-Methoden, Kontraktionsansätze, baumbasierte Methoden, Support-Vektor-Maschinen, Clustering und vieles mehr. Du kannst dir auch den Skill Track „Statistik-Grundlagen mit R“ anschauen, um dein Lernen zu unterstützen.
6. Praktische Statistik für Datenwissenschaftler: Über 50 wichtige Konzepte mit R und Python von Peter Bruce, Andrew Bruce und Peter Gedeck
Statistik ist ein wichtiger Teil der Datenwissenschaft. Aber, wie die Autoren des Buches sagen, haben viele Datenwissenschaftler keine richtige Ausbildung in Statistik. „Praktische Statistik für Datenwissenschaftler“ ist echt super, um diese Lücke zu schließen.
Dieses super Buch gibt dir praktische Tipps, wie du statistische Methoden in der Datenwissenschaft anwenden kannst. Es geht darum, wie man den Missbrauch von Statistiken im Datenwissenschafts-Workflow vermeiden kann, und es gibt taktische Tipps zu den am häufigsten verwendeten statistischen Techniken. Die zweite Ausgabe hat neue Beispiele in Python und R.
Die besten Bücher zum Thema maschinelles Lernen für die Datenwissenschaft
7. Einführung in maschinelles Lernen mit Python: Ein Leitfaden für Datenwissenschaftler von Andreas C. Müller und Sarah Guido
Maschinelles Lernen ist ein wichtiger Teil der Datenwissenschaft. Wenn du Python-Programmierer bist und dich für maschinelles Lernen interessierst, findest du in diesem Buch alles, was du brauchst.
„Eine Einführung in maschinelles Lernen mit Python“ ist das perfekte Buch, um deine Reise ins maschinelle Lernen zu starten. Dieses Buch wurde von einem der Hauptentwickler des scikit-learn-Pakets geschrieben und geht ausführlich auf die Besonderheiten der Erstellung von Modellen für maschinelles Lernen im scikit-learn-Paket von Python ein.
8. Praktisches maschinelles Lernen mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken zum Aufbau intelligenter Systeme von Aurélien Géron
In diesem Buch erklärt Aurelien Geron die grundlegenden Techniken des maschinellen Lernens mit beliebten Python-Tools und -Frameworks wie scikit-learn, Keras und Tensorflow.
Das Buch geht ganz praktisch an das Thema maschinelles Lernen ran und überfordert dich nicht mit der Theorie hinter vielen Modellen des maschinellen Lernens. Es erklärt auch fortgeschrittenere Konzepte wie Deep Learning und neuronale Netze. Jedes Kapitel hat Übungen, damit du die Beispiele einfach umsetzen und daraus lernen kannst.
9. Das hundertseitige Buch über maschinelles Lernen von Andriy Burkov
Wenn du einfach nur neugierig auf maschinelles Lernen bist und in dieses Fachgebiet einsteigen möchtest, ohne dich mit technischen Details zu beschäftigen, oder wenn du als Praktiker im Bereich maschinelles Lernen die Kernkonzepte noch einmal auffrischen möchtest, solltest du dich für das hundertseitige Buch zum Thema maschinelles Lernen entscheiden.
So ein komplexes und umfangreiches Fachgebiet auf nur 100 Seiten zusammenzufassen, ist echt eine beeindruckende Leistung, die Andriy Burkov super hinbekommen hat. Nachdem du das gelesen hast, wirst du die verschiedenen Arten des maschinellen Lernens, die Kernkonzepte beim Design und Einsatz von Vorhersagemodellen und die Voraussetzungen für den Start einer auf maschinellem Lernen basierenden Anwendung verstehen.
Eine weitere super Quelle, um die theoretischen Grundlagen des maschinellen Lernens zu lernen, ist der Kurs „Understanding Machine Learning“.
Die besten Bücher zur Datenvisualisierung für die Datenwissenschaft
10. Die funktionale Kunst von Alberto Cairo
In „The Functional Art“ geht der Datenjournalist Alberto Cairo der Frage nach, wie man die Kunst hinter der Datenvisualisierung funktional gestalten kann. Mit anderen Worten: Wie kann man coole Visualisierungen machen, ohne dass die Nützlichkeit und die Erkenntnisse darunter leiden?
Ausgehend von einem detaillierten Überblick über bewährte Verfahren in der Datenvisualisierung fasst Cairo die Besonderheiten unseres Gehirns zusammen und wie sie die Art und Weise beeinflussen, wie wir grafische Informationen wahrnehmen und uns merken. Nachdem du dieses Buch gelesen hast, wirst du Datenvisualisierung für immer anders sehen.
11. Design des Informations-Dashboards: Daten für die Überwachung auf einen Blick anzeigen von Stephen Few
Dashboards sind eine der besten Möglichkeiten, um Daten aus verschiedenen Quellen auf einen Blick zu zeigen. Sie sind zu einem wichtigen Teil der Infrastruktur datengesteuerter Unternehmen geworden und ermöglichen es sowohl Datenkonsumenten als auch Datenpraktikern, gleichzeitig auf Daten und KPIs zuzugreifen. Aber, wie Stephen Few in seinem bekannten Buch sagt, sind Dashboards oft ziemlich umständlich und ineffizient gestaltet.
Das „Information Dashboard Design“ ist als praktischer Leitfaden für die Erstellung ansprechender Dashboards gedacht. Ausgehend von den Prinzipien der Designtheorie und Datenvisualisierung zeigt das Buch dann die besten Praktiken der Branche für das Design von Dashboards. Es gibt auch viele Beispiele dafür, wie man von der Theorie zur Praxis kommt.
12. Effektives Daten-Storytelling: Wie man mit Daten, Erzählungen und Bildern Veränderungen vorantreibt von Brent Dykes
Die Fähigkeit, mit Daten effektiv zu kommunizieren, ist echt wichtig für jeden, der im Bereich Data Science arbeitet. Datenvisualisierung kann uns dabei echt helfen. Wenn wir aber sichergehen wollen, dass unsere Datenerkenntnisse auch wirklich umgesetzt werden, müssen wir auch andere Ressourcen und Sachen berücksichtigen, die die Kommunikation beeinflussen. Das ist die Idee hinter Effective Data Storytelling.
In seinem Buch „Effective Data Storytelling:” (Effektives Daten-Storytelling: Wie man mit Daten Geschichten erzählt) hat Brent Dykes, der in der Folge des DataFramed-Podcasts „Effective Data Storytelling: Wie man Erkenntnisse in Taten umsetzt „“ – Dykes hat ein Konzept für das Data Storytelling entwickelt, das drei wichtige Elemente kombiniert: Daten, Erzählung und Visualisierungen. Kurz gesagt, dieses Buch ist ein Muss für jeden, der regelmäßig mit Daten arbeitet.
13. Infografiken von Sandra Rendgen und Julius Wiedemann
Information Graphics ist ein wunderschönes, super gemachtes Buch, das sich mit der Entwicklung der visuellen Kommunikation im Zeitalter von Big Data beschäftigt. Es hat eine Reihe von Aufsätzen über die Geschichte der Datenvisualisierung und 400 echte Beispiele für Grafikprojekte aus vielen Bereichen unserer Gesellschaft. Jeder, der sich für die Geschichte und Praxis der modernen visuellen Kommunikation interessiert, wird das hier nützlich finden.
14. Unermesslich präsent von Lea Pica
„Present Beyond Measure“ ist ein umfassender Leitfaden zur Datenvisualisierung, der sich an ein breites Publikum richtet, darunter Datenanalysten, Marketingfachleute und viele mehr. Das Buch behandelt wichtige Themen wie die Vermeidung von Datenüberflutung, das Design von Folien und den Einsatz von filmischen Erzähltechniken und gibt praktische Tipps für die Erstellung überzeugender Datengeschichten und ansprechender Präsentationen. Mit dem Fokus auf dem PICA-Protokoll und Leas eigener Chart Detox™-Formel bietet es einen knappen, aber gründlichen Ansatz für klares Data Storytelling. Diese Ressource ist für viele Berufe super, von Führungskräften bis zu Beratern, und bietet coole Einblicke und Tipps, wie man beeindruckende Datenvisualisierungen erstellt und sie selbstbewusst präsentiert.
Bonus-Bücher zum Thema Datenwissenschaft
15. Waffen der mathematischen Zerstörung von Cathy O’Neill
Das 2016 erschienene Buch „Weapons of Math Destruction“ hat den Weg für eine wichtige Diskussion über die ethischen Fragen von Big Data geebnet. Laut Cathy O'Neill sorgen Algorithmen dafür, dass schädliche Vorurteile weiterbestehen. O’Neill zeigt diese Verzerrungen anhand von echten Beispielen und schließt das Buch mit dem Argument, dass Transparenz und Algorithmus-Audits für eine gerechtere Zukunft wichtig sind. Hör dir Cathy O’Neils Diskussion über ihr Buch im DataFramed Podcast an.
16. Jeder lügt: Big Data, neue Daten und was das Internet uns darüber verraten kann, wer wir wirklich sind von Seth Stephens-Davidowitz
Suchmaschinen sind einer der größten Treiber von Big Data. Jeden Tag machen wir Milliarden von Terabyte an Daten, einfach indem wir Suchanfragen in Suchmaschinen eingeben. Diese Infos können echt viel über unser Verhalten, unsere Vorurteile und Ängste verraten. In seinem Bestseller „Everybody lies“ guckt Stephens-Davidowitz in die Google-Suchdaten rein und gibt aufschlussreiche Antworten auf Fragen zu Wirtschaft, Ethik, Politik, Rasse, Geschlecht und mehr.
17. Algorithmen der Unterdrückung: Wie Suchmaschinen Rassismus fördern von Dr. Safiya U. Noble
In „Algorithms of Oppression“ schaut sich Safiya U. Noble genau an, wie Suchmaschinen bei Suchanfragen voreingenommene Ergebnisse liefern. Sie meint, dass die Kombination aus Anreizen für bestimmte Ergebnisse und der Monopolstellung einiger weniger Internet-Suchmaschinen zu rassistischen und sexistischen Algorithmen geführt hat, die schädliche Stereotypen im Internet weiter verbreiten. Dieses Buch gibt einen Überblick darüber, wie Datenwissenschaft Rassismus sowohl mildern als auch verstärken kann.
18. 97 Dinge über Ethik, die jeder in der Datenwissenschaft wissen sollte, von Bill Franks
Die meisten der bekannten Fälle, in denen Datenwissenschaft echt oder vermeintlich schädliche Auswirkungen hatte, sind nicht auf böse Absichten zurückzuführen. Vielmehr sind sie normalerweise auf eine mangelnde sorgfältige ethische Prüfung während des Entwurfs- und Bereitstellungsprozesses zurückzuführen. Das Ziel von „97 Dinge über Ethik, die jeder in der Datenwissenschaft wissen sollte“ ist es, ethische Best Practices zu finden, die man in den Datenanalyse-Workflow einbauen kann. Das Buch basiert auf den Meinungen von führenden Datenwissenschaftlern.
19. Nackte Statistik: Die Angst vor Daten nehmen von Charles Wheelan
Die Leser werden von dieser provokanten und anschaulichen Sichtweise begeistert sein, wie Statistiken heute von Unternehmen genutzt werden, um unser Verhalten zu beeinflussen. Mit einer ausgewogenen Mischung aus Theorie und echten Beispielen für gute und vor allem schlechte Praktiken gibt der bekannte Autor Charles Wheelan Tipps, wie wir unsere Gesellschaft besser verstehen können, und plädiert für mehr Statistikkompetenz.
20. Vertrau nicht deinem Bauchgefühl: Mit Daten das erreichen, was du wirklich im Leben willst von Seth Stephens-Davidowitz
Die meisten Bücher über Big Data reden meistens darüber, wie man Daten nutzen kann, um Entscheidungen im Business zu treffen, und vergessen dabei, dass Daten auch im Alltag echt hilfreich sein können. Verlass dich bei dieser Sache nicht auf dein Bauchgefühl. Es gibt einen praktischen Leitfaden, wie Daten besser als Intuition funktionieren können, um die großen und kleinen Entscheidungen zu unterstützen, die wir alle im Laufe unseres Lebens treffen müssen.
21. Einführung in die Verarbeitung natürlicher Sprache Von Jacob Eisenstein
Wenn du schon ein paar Grundkenntnisse in Programmierung und Statistik hast und deine Karriere in Richtung natürliche Sprachverarbeitung lenken willst, ist dieses Buch genau das Richtige für dich. „Einführung in die Verarbeitung natürlicher Sprache“ von Jacob Einstein gibt einen technischen Einblick in NLP und verbindet moderne Techniken des maschinellen Lernens mit den linguistischen und rechnerischen Grundlagen dieses Fachgebiets.
22. Big Data in der Praxis: Wie 45 erfolgreiche Firmen Big-Data-Analysen genutzt haben, um echt tolle Ergebnisse zu erzielen von Bernard Marr
Der Titel sagt schon alles. Der Bestsellerautor Bernard Marr hat dieses einzigartige und praktische Buch darüber geschrieben, wie 45 der bekanntesten Unternehmen Big Data in ihrem täglichen Betrieb nutzen. Er ist echt inspirierend für andere Unternehmen, die Daten effektiv nutzen wollen, und zeigt ein paar Fallstricke auf, die man bei der Umsetzung dieser Lösungen vermeiden sollte.
23. Big Data: Wie Daten große Unternehmen antreiben, von Bill Schmarzo
Geschrieben von einem der bekanntesten Experten für Big Data, „ “ Big Data: Verstehen, wie Daten große Unternehmen antreiben „ “ gibt uns einen guten Überblick darüber, was Daten sind und wie sie genutzt werden. Das Buch ist voll mit praktischen Tipps, Ideen, Techniken, Methoden und echten Beispielen, die zeigen, wie Big-Data-Tools und -Technologien den Geschäftswert steigern können.
Mehr über Datenwissenschaft erfahren
Wir hoffen, dass du diese Liste hilfreich fandest. Bücher sind super, um Data Science zu lernen, egal ob du gerade anfängst oder schon ein Experte werden willst. Aber wenn du keine Zeit hast, ein Buch zu lesen, haben wir trotzdem was für dich. Schau dir die folgenden Ressourcen an und leg noch heute los!
- Ein riesiger Kurskatalog mit über 380 Kursen zu Datenwissenschaft, die Themen wie Programmierung, Statistik, Visualisierung und mehr abdecken.
- Schreib dich in unseren Blog ein, um die neuesten Infos zu kriegen.
- Abonniere den DataFramed-Podcast
- Schau dir unsere Data Science-Spickzettel an
Themen
