这篇博客主要总结一下数据挖掘、数据分析领域相关书籍，主要参考了知乎上的问题在数据分析、挖掘方面，有哪些好书值得推荐。

首先推荐周志华写的机器学习。我最近也在读这本书，优点是适合入门，知识大而全，缺点是每个知识点介绍的不深入（这也没办法，要是面面俱到，一本书根本写不完）。

入门读物

• 深入浅出数据分析。这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。难易程度：非常易。
• 啤酒与尿布。通过案例来说事情，而且是最经典的例子。难易程度：非常易。
• 数据之美。一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。难易程度：易。
• 数学之美。吴军博士写的，作为科普读物还不错。

数据分析

• SciPy and NumPy。numpy和scipy很好很强大
• Python for Data Analysis。
• Bad Data Handbook。

数据挖掘入门书籍

• 集体智慧编程。经典书籍，入门必读。
• 机器学习实战。理论很好，代码质量一般般。优点是让你看看如何实现这些算法，缺点是书中的代码几乎用不上。
• 数据挖掘导论。研究生期间的教材，通俗易懂，习题很赞。
• Machine Learning for Hackers。算法用R实现。

中阶

• Introduction to Semi-Supervised Learning
• Learning to Rank for Information Retrieval
• Learning to Rank for Information Retrieval and Natural Language Processing
• 推荐系统实践。推荐系统入门首选
• Natural Language Processing with Python。NLP 经典，其实主要是讲NLTK包

高阶

• The Elements of Statistical Learning。很难，啃完不容易。
• 统计学习方法。李航老师的扛鼎之作，强烈推荐。
• Machine Learning。作者Kevin Murrphy教授是机器学习领域中年少有为的代表。这书是他的集大成之作，写完之后，就去Google了，产学研结合，没有比这个更好的了。
• Pattern Recognition And Machine Learning。PRML地位不解释。
• Bayesian Reasoning and Machine Learning。Bayesian学派的书，里面的内容非常多，有一张图将机器学习中设计算法的关系总结了一下，很棒。
• Probabilistic Graphical Models。非常非常难。
• Convex Optimization (豆瓣) 凸优化中最好的教材，没有之一了。
• Learning from data。林轩田老师作品。

写在后面，看了肖博士的答案，确实比其他答案好不少，专业且全面，而且有针对性。除了书籍，后续我会补充一些公开课资源。