4 Books I Read as a Self-Taught Data Scientist
Zusammenfassung
Kurz
Frank Andrade empfiehlt vier Bücher zu Data-Science-Grundlagen, Statistik, beruflichem Einstieg und praktischen Python-Projekten; zusätzlich nennt er ein vertiefendes Buch zu Machine Learning. Er weist darauf hin, dass mehrere Titel nur einen Überblick bieten und unterschiedliche Vorkenntnisse in Python, Statistik und Mathematik voraussetzen.
Mittel
Frank Andrade empfiehlt Bücher für den selbstständigen Einstieg in Data Science und ordnet sie nach Thema und Vorwissen. „Data Science from Scratch“ von Joel Grus gibt einen breiten Überblick über Statistik, lineare Algebra und maschinelles Lernen. Es bringt Python laut Autor nicht von Grund auf bei und behandelt die Themen nicht vertieft. „Practical Statistics for Data Scientists“ vermittelt mit Python- und R-Beispielen wichtige Statistikgrundlagen, setzt aber erste Programmier- und Statistikkenntnisse voraus und ist ebenfalls eher ein Überblick.
„Build a Career in Data Science“ richtet sich an Berufseinsteiger und Menschen in den ersten Jahren ihrer Data-Science-Laufbahn: Es behandelt Rollen und Fähigkeiten, Jobsuche, den Berufseinstieg und die weitere Karriereentwicklung. „Data Science Projects with Python“ führt anhand praktischer Übungen durch Datenbereinigung, Analyse, Modellbildung und Bewertung; vorausgesetzt werden grundlegende Programmier- und Statistikkenntnisse.
Als weiterführende Lektüre nennt Andrade „Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow“. Er empfiehlt es nur bei soliden Kenntnissen in Python, Mathematik und Statistik sowie Erfahrung mit NumPy, Pandas und Matplotlib. Die Auswahl gibt damit unterschiedliche Lernwege vor, ersetzt laut Autor aber keine Vertiefung der Grundlagen.
Ausführlich lesen
Der Autor Frank Andrade stellt Bücher vor, die ihm beim selbstständigen Einstieg in Data Science geholfen haben. Die Auswahl richtet sich an Menschen, die Grundlagen von Programmierung, Statistik oder Mathematik lernen oder vorhandene Kenntnisse auf Data Science anwenden möchten. Andrade betont, dass die Bücher unterschiedliche Schwerpunkte und Voraussetzungen haben. Seine Empfehlungen sind persönliche Einschätzungen; er rät außerdem dazu, jeweils die neueste Ausgabe zu verwenden.
„Data Science from Scratch“ von Joel Grus dient laut Andrade als breiter Einstieg in zentrale Themen. Das Buch behandelt unter anderem Wahrscheinlichkeit, Hypothesentests und Schlussfolgerungen, lineare Algebra sowie Grundlagen und Konzepte des maschinellen Lernens. Trotz eines Python-Crashkurses ist es nicht als Lehrbuch gedacht, das Programmieren mit Python von Grund auf beibringt. Wer Python noch nicht kennt, sollte daher zusätzliche Lernmaterialien heranziehen. Andrade schränkt ein, dass das Buch die Themen überwiegend überblicksartig behandelt und für vertiefte Kenntnisse weitere Lektüre nötig ist.
„Practical Statistics for Data Scientists“ von Peter und Andrew Bruce empfiehlt er Personen, die bereits etwas Erfahrung mit R oder Python sowie erste Statistikkenntnisse haben. Es vermittelt aus Data-Science-Sicht relevante statistische Konzepte, darunter p-Werte, Hypothesentests, t-Tests, Regression und Stichprobenverfahren, mit Beispielen in Python und R. Andrade beschreibt es als einsteigerfreundlichen Überblick und ausdrücklich nicht als tiefgehende Darstellung.
„Build a Career in Data Science“ von Emily Robinson und Jacqueline Nolis behandelt vor allem den Berufseinstieg und die berufliche Entwicklung. Nach der Darstellung des Autors richtet es sich sowohl an angehende Data Scientists als auch an Personen in den ersten Berufsjahren. Die vier Teile geben einen Überblick über Rolle und nötige Fähigkeiten, Jobsuche, die ersten Monate im Beruf und den weiteren Karriereaufbau.
„Data Science Projects with Python“ von Stephen Klosterman vermittelt anhand eines durchgehenden Projekts praktische Arbeitsschritte. Übungen führen durch Datenbereinigung und -erkundung, Modellbildung und Bewertung und nutzen Python-Bibliotheken wie Pandas, Matplotlib und scikit-learn. Das Buch erläutert laut Andrade auch, wie Algorithmen funktionieren und Vorhersagen erzeugen. Voraussetzung seien grundlegende Programmiererfahrung mit Python oder einer ähnlichen Sprache sowie Statistikkenntnisse.
Als Bonus nennt Andrade „Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow“ von Aurélien Géron für eine vertiefte Beschäftigung mit maschinellem Lernen. Er empfiehlt es nur bei soliden Python-, Statistik- und Mathematikkenntnissen, darunter Analysis, linearer Algebra und Wahrscheinlichkeitsrechnung, sowie Vertrautheit mit NumPy, Pandas und Matplotlib. Zum Zeitpunkt des Artikels las er das Buch selbst. Insgesamt bietet die Liste also verschiedene Einstiegspunkte, ersetzt nach Andrades eigener Einschränkung aber keine vertiefte Auseinandersetzung mit den Grundlagen.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Es wurden keine Fragen zur Einordnung angegeben (Sammelfrage und Teilfrage jeweils „keine“), daher ist die Liste leer. Die Prüfung der Zusammenfassungen ergibt kleine Mängel: Die mittlere Zusammenfassung enthält eine Aussage, die der Bericht nicht belegt, und lässt einige zentrale Punkte aus.
Im Bericht, aber nicht in der Zusammenfassung
- Die Einleitung zu Data Science als Berufsfeld mit vielen offenen Fragen für Einsteiger
- Der Hinweis, dass Andrade keine Affiliate-Links verwendet und man die aktuelle Auflage kaufen sollte (etwa wegen Python-Code in der neuesten Auflage von Practical Statistics)
- Die Empfehlung, Data Science from Scratch mit einem Python-Buch zu ergänzen, falls man noch nie Python programmiert hat
- Die Einordnung von Hands-on Machine Learning als Bonus und als vertiefendes Buch, das Andrade selbst gerade liest
In der Zusammenfassung, laut Prüfung nicht im Bericht belegt
- Die Aussage, die Auswahl ersetze laut Autor keine Vertiefung der Grundlagen, steht so nicht im Bericht; Andrade sagt nur, die Bücher geben einen Überblick und man solle weitere Bücher lesen.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug