Zacharias Voulgaris 弗格里斯

完全不值得购买，内容单薄。对于一点都不了解的人，或许还是能起到一点指导作用。里面提到了许多数据科学家需要知识技能、软件技能、学习资源，可以收集起来，后续慢慢学习。

第1章　数据科学与大数据

• 大数据是一个最近发生的现象，具有大规模的数据、快速移动、各种各样的从结构化到非结构化的数据结构，以及各不相同的可靠性的特点。
• 四个V的维度：大体量，高速，多样，精确性

第2章　数据科学的重要性

• 数据学导论，2009，朱扬勇，熊赟
• 数据科学是黑科技能、数学和统计学知识、研究专业知识的汇合
• 大数据的需求带来了许多新的规则，改变了传统的数据处理方式。
• MapReduce、Haddoop、高级文本分析、大数据分析语言（R、Pig、ECL等）、替代性的数据库结构（HBase、Cassandra、MongoDB等等）

第3章　数据科学家的类型

• 数据开发者：关注技术话题
• 数据研究者：擅长学习新知识，可以很快捡起其他的技能，扩展技能树，根据需要快速适应各类职务
• 数据创意师：深厚的学术经历，擅长大数据技术。各个位置游刃有余
• 数据商务人士：擅长业务，最高等级，常常担任数据科学家的管理职务
• 普适型：更加平衡

第4章　数据科学家的思维体系

• 特质：好奇、乐于实验、系统性工作、创意、沟通
• 素质和能力：
  • 建模 model building
  • 计划 Plan
  • 问题解决
  • 快速学习
  • 适应性
  • 团队合作
  • 变通
• 研究
  • 关注细节
  • 汇报
• 思维
  • 创意、务实、自我反馈（元认知）、不断进化提高

第5章　技术资质

• 综合编程能力：掌握的语言必须稳健、业内流行、可扩展。常用的有 Java, Python, C++/C#, Perl，数据库SQL也要了解一些。面向对象

• 科学背景：需要熟悉以下几点

  • 辨别何时采用何种工具
  • 微调所需工具，自定义成解决问题的样式
  • 知道如何处理工具所产生的结果
  • 思考解决问题的几个备选方案，基于所能使用的资源对其排序

• 专业化的知识

  • 至少掌握：R，SPSS，SAS，State中的一个，还有Matlab
  • 处理大数据（TB级）的经验
  • 可视化
  • 关系型数据库
  • 用户建模

第6章　经验

• 学术圈和产业圈的环境有所不同。“在企业界你最多只会被大家称赞一年”
• 如何获得第一桶经验？
  • 利用 UCI 机器学习知识库的数据进行练习 http://archive.ics.uci.edu/ml
  • 参加大数据项目，如 www.kaggle.com 的比赛
  • 找实习
  • 论文的案例研究
  • 数据科学团体中做志愿者
  • 追随导师 www.datasciencecentral.com/group/data-science-apprenticeship

第7章　社交圈

• 在职业生涯早期帮助巨大
• 可以帮助你培养沟通能力，获得相近领域中的技术革命
• 需要与学术界保持健康的关系
• 通过社交圈跟进最新进展、结识潜在的合作伙伴

第8章　所用的软件

• Hadoop 套件（类似于Office，包含一系列组件）
  • MapReduce，google创建，是主要组件。
  • HDFS，分布式文件系统
  • Pig，针对 Hadoop 的高级编程语言
  • Hive，数据仓库程序
  • HBase、Sqoop、Flume，数据库组件
  • Mahout 函数库
  • Zookeeper，调试管理、协调程序
• Storm （twitter、阿里巴巴等使用）
  • topology 一般由 Java、Ruby、Python和Fancy语言编写
• SPark（UC berkely的研究者）
• 至少能处理一种面向对象语言 如Java、C++、Ruby、Python、C#
• 熟悉流行的分析工具：R、Matlab、SPSS、SAS、State
• 可视化：Tableau
• 集成大数据系统，如IBM的BigInsigts
• 其他：Git、Eclips

第9章　学习新知与解决问题

• Workshop：为了确保你能够找到真正合适的研讨会，先写一个你想学和所需要技能和知识的列表，再去搜索。
• 会议
• MOOC 推荐
  • 机器学习-斯坦福大学-Andrew Ng教授 Coursera，最好的课程之一
  • 数据分析-约翰霍普金斯大学，R语言
  • 数据科学导论-华盛顿大学，Python 2.7、R、SQL
  • 机器学习-华盛顿大学

第10章　机器学习与R语言平台

• 机器学习相关
• Richard Duda 模式分类 Pattern Classification

以下这些都没有什么价值

第11章　数据科学的处理流程
第12章　所需的具体技能
第13章　数据科学职位哪家寻
第14章　自我展示
第15章　自由职业数据科学家之路
第16章　职业数据科学家的案例学习
第17章　资深数据科学家案例学习
第18章　新数据科学家的召唤