此随笔记录自己读过的,并且自己认为有所价值,有所感悟的书籍
ps: {e} 有电子书 ,{p} 有实体书
更新 11月底
数据天才:数据科学家的修炼之道
7月（来到杭电）
{p}Tensorflow：实战Google深度学习框架 关于TensorFlow的介绍性书籍 这本书与下本书相结合，可以在简单理解原理的情况下，搭建深度学习网络 两本书切入角度略有不同，需要互相借鉴着看 【三星】
{p}TensorFlow实战 关于TensorFlow的介绍性书籍 【三星】
{p}模式识别与机器学习 PRML 神书不解释，中文版与英文版都已购入，但是阅读后才能发现自己的理论层次离阅读这本书，还有几个层次的间隔，前半部分关于概率与统计的部分，写的很好，由浅入深，结合了机器学习的理论 【四星半】
{p}机器学习实战 良心入门书，结合理论来进行编程实践，尺度把握很好，没有过多的偏于理论，适合在实现和应用角度来看待这些常用的基本算法，值得一读 【四星】
{p}python大战机器学习 数据科学家的第一个小目标 一本精华笔记，从理论（摘抄自cs229，周志华机器学习，李航统计学习方法）到实践（摘抄自python sklearn 的官方文档），但是总结的另有新意，值得一看 【三星半】
{p}python机器学习与实践 从零开始通往kaggle竞赛之路 重点放在kaggle竞赛上面，偏向于实践 可以读读 【三星】
{p}集体智慧编程 从web应用入手，从实际问题出发，介绍了推荐系统，聚类算法，神经网络，优化算法，决策树，knn，svm 遗传编程等传统算法 与 实际业务结合的书，虽然没有特别高深的算法，但是因其切入角度，特定章节模块值得一读 【三星半】
{python机器学习 预测分析核心算法} 重点关注两类算法，惩罚线性回归 与 集成方法 ，本书分为三部分，1.对于机器学习与数据问题的概述 2.最小二乘法到惩罚线性回归 3.决策树到随机深林 重点讲解两类算法，有两点 ，值得一看 【三星半】
{p}数学之美 推荐，一本无须多说的好书，将大部分人心目中毫无用处 的数学描绘的美丽动人 【五星】
{p}贝叶斯方法：概率编程与贝叶斯推断 首先从计算和理解的角度，而后从数学分析的角度对贝叶斯推断进行了介绍。值得一读 【三星半】
1月-6月
{p}数据挖掘导论 [状态:未读] [类型:数据挖掘教程书] 数据挖掘方面接触尚少,没有系统的进行学习
{p}最优化方法及其matlab程序设计 [状态:未读] [类型:matlab,最优化方法] hdu选修课之一的教程,还需要学习
{e}神经网络原理与实例精讲 [状态:正在读] [类型:matlab,神经网络]
{e}精通matlab神经网络 [状态:正在读] [类型:matlab,神经网络] 前面matlab基础介绍还可以,与上面那本神经网络书一起读
{p}python数据分析与数据挖掘实战 [状态:正在读] [类型:数据分析,数据挖掘] 分为基础和实战两部分,看起来值得一读
{p}统计学习方法 李航 [状态:正在读] [类型:统计学习] 写的挺深入,值得一读,很多不懂的,每次读都有新东西
{p}机器学习 周志华 [状态:正在读] [类型:机器学习] 挺好的国内机器学习书籍,继续攻读
{p}数据科学实战 [状态:正在读] [类型:数据科学领域科普书] 涵盖数据科学的很多方面,值得一读 (本科毕业前尽量完成)
{p}图解机器学习 [状态:正在读] [类型:机器学习] 看名字像是<大话数据结构>类型的书籍,但是并不是简单的介绍,还是有读的必要 (本科毕业前尽量读完)
{p}机器学习-使用案例解析 [状态:大体一翻,浪费的一本书] [类型:机器学习,R实现] 现在没有学习R语言的需求和动力,雪藏了吧
{p}利用python进行数据分析 [状态:读完] [类型:python工具书] 介绍ipython,numpy与pandas,数据清洗,和一些入门的数据操作 (再次读的必要性:一般)
{p}统计思维-程序员数学之概率统计 [状态:读完] [类型:挺有新意的程序员+概率统计四不像书] 可以一看,价值不是特别大
{p}数据科学入门 [状态:读完] [类型:数据科学领域科普书] 比那本<数据科学实战>更加浅显,啥啥都有,啥啥都不全,值得刚开始的时候读一下,再次读的价值不大
{e} Python数据分析基础教程1:NumPy学习指南 [状态:读完] [类型:python书籍,工具书] 关于numpy最全的一本书了,如果需要学习numpy高级功能,可以看 (再读的价值:作为工具书,还是有的)
{e} Python数据可视化编程实战 [状态:大体一翻] [类型:python可视化,matplotlib] 可视化部分,主要是应用matplotlib进行2d,3d绘制 (再读的价值:作为工具书,还是有的)