文章来源国外的analystics vidhya

原网址推荐书目，需要亚马逊购买。我已经补全，望各位共同学习进步！

前沿

谷歌数据科学家的筛选过程对统计学和数学背景强的候选人给予了更高的优先考虑。不仅Google，世界上其他顶尖公司（亚马逊，Airbnb，Uber等）也倾向于拥有强大的基础知识，而不仅仅是数据科学的专业知识。

如果您也希望日后为这些顶级公司工作，那么您必须开发数据科学的数学理解。数据科学只是统计和数学的演进版本，结合编程和业务逻辑。我遇到过许多数据科学家，他们很难在统计学上解释预测模型。

不仅仅是获得准确性，理解和解释每个度量，这个准确度后面的计算是重要的。记住，每一个“变量”都有一个故事要讲述。所以，如果没有别的，尽量成为一个伟大的故事探险家！

在这篇文章中，我编辑了一本必读的统计和数学书籍。我明白数学没有极限。因此，我只挑选那些可以帮助您更好地与数据科学联系的书籍。

统计

统计学习简介

这是一个非常推荐的书，用于实践数据科学家。这本书的重点在于连接统计概念和机器学习。因此，您将了解所有流行的监督和无监督机器学习算法。R用户将获得一定好处，因为算法方面已经使用R进行了演示。除了理论，本书还着重于在现实生活中使用ML算法。

链接：http://www-bcf.usc.edu/~gareth/ISL/ 

统计学习要素

这本书是先前书籍的先进水平。这是由斯坦福大学教授Trevor Hastie和Rob Tibshirani撰写的。他们的第一本书“统计学习导论”揭示了统计学和机器学习的基础知识。本书将向您介绍诸如神经网络，Bagging＆Boosting，Kernel方法等更高级别的算法。该算法已在R程序中实现。

链接：http://statweb.stanford.edu/~tibs/ElemStatLearn/

认识统计

这本书的作者是Alien B Downey。它基于Python中的实际统计分析。因此，在购买此书之前，请确保您已经掌握了Python的一些基本知识。它完全侧重于通过流行案例研究了解统计的现实生活影响。既然，统计数学和数学关系密切，它也有专门的章节，如贝叶斯估计。

链接：https://pan.baidu.com/s/1pKNDIOj

From Algorithms to Z Scores

你知道统计在编程中的关键作用吗？这本书的作者是加州大学教授Norm Matloff。本书解释了在R中使用概率概念和统计测量。再次，R用户的良好做法来源。它教授处理概率模型的艺术，并选择最佳的模型进行最终评估。这是一本非常推荐的书（特别是R用户）。

链接：http://heather.cs.ucdavis.edu/probstatbook （进去以后有书的手稿）。

使用R发现统计

这本书是由安迪·田野，杰里米·迈尔斯和佐伊菲尔德写的。我会强烈推荐这本书给数据科学的新手。从统计数据开始，本书有一个很好的内容，详细介绍了其主题。与此同时，统计概念与R一起进行了说明，这使得它更有用。它提供了一个一步一步的理解，同时支持有趣的练习示例。

链接：https://pan.baidu.com/s/1ge2puxl

数学

线性代数简介

这是推荐的线性代数书之一。这本书的作者是麻省理工学院教授Gilbert Strang。吉尔伯特提供知识的独特方式将让您在每一章之后向前推进直觉和兴奋。本书将帮助您为机器学习建立强大的数学基础。它广泛地征集了所有必要的章节，如矢量，线性方程，决定因素，特征值，矩阵分解等.

链接：http://pan.baidu.com/share/link?shareid=2193713855&uk=1247605138

矩阵计算

矩阵和数据框架是机器学习的重要组成部分。这本书的作者是Gene H Golub和Charles F Van Loan。本书为学生提供了矩阵计算概念的良好开端。作者介绍了高斯消除，矩阵因式分解，lancoz方法，误差分析等重要课题。每一章都由直观的实践问题支持。伪代码在Matlab中可用。

链接 http://math.ecnu.edu.cn/~jypan/Teaching/books/2013%20Matrix%20Computations%204th.pdf

模式识别的概率理论

这是一个学习数学应用的完整资源。这是机器学习中级和高级从业人员必读的书。这本书由Luc Devroye，Laszlo Gyorfi和Gabor Lugosi编写。它涉及范围广泛的主题，从贝叶斯误差，线性辨别到ε熵和神经网络。它提供了一个令人信服的解释与复杂的定理与分段练习问题。

链接：http://www.szit.bme.hu/~gyorfi/pbook.pdf

神经网络数学介绍

如果你对学习神经网络有天生的兴趣，这应该是你开始的地方。这本书的作者是Jeff Heaton。作者精心简化了神经网络的难点。本书向您介绍神经网络中基础数学的基础知识。它假定读者具有代数，微积分和编程的先前知识。它演示了可应用于神经网络的各种数学工具。

链接：https://pan.baidu.com/s/1eS3n6lO

高级工程数学

这可能是机器学习用户数学中最全面的书籍。这本书的作者是Erwin Kreyszig。事实上，这本书强烈推荐给大学生。如果你现在还没有擅长数学，那么请务必遵循这本书，你一定会看到你的数学理解有重大改进。除了推导和实践的例子，本书还有专门的演算，代数，概率等等。绝对必须阅读数据科学各级执业者的书。

链接：http://www-elec.inaoep.mx/~jmram/Kreyzig-ECS-DIF1.pdf

概率与统计学手册

这本食谱必须在你的数字书架上。这不完全是你会发现的教科书，而是数学方程式的快速数字指南。这本书的作者是Matthias Vallentin。完成数学必修之后，本书将帮助您快速连接各种定理和算法及其公式。很难立即推导出方程，本书将帮助您快速导航到您想要的问题并解决。

链接:http://pages.cs.wisc.edu/~tdw/files/cookbook-en.pdf

视频分享：

MIT线性代数课程：https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/video-lectures/

MIT多变量微积分课程：https://ocw.mit.edu/courses/mathematics/18-02-multivariable-calculus-fall-2007/video-lectures/lecture-1-dot-product/

斯坦福统计课程：https://lagunita.stanford.edu/courses/HumanitiesScience/StatLearning/Winter2014/about

可汗大学数学课程：https://www.khanacademy.org/math

统计的海报：http://static1.squarespace.com/static/54bf3241e4b0f0d81bf7ff36/t/55e9494fe4b011aed10e48e5/1441352015658/probability_cheatsheet.pdf

大家有什么好的这方面的国外材料可以相互补充，相互学习，共同进步，为了你们的数学科学家的梦想而努力。

资料来源：analystics vidhya