第一张买独立声卡，工包DELL版 X-Fi Xtreme Music，AC3+DTS_使用评测_什么值得买
第一张买独立声卡，工包DELL版 X-Fi Xtreme Music，AC3+DTS
这张卡是本人09年的时候头脑发热第一次买独立声卡。当年刚毕业不多久&&，既没钱又想装逼玩PC-HiFi，打算弄个入门级的独立声卡，加上之前买的1900T3好好装一把&，所以马云家选了这货当年好像花了我330软妹币，现在这东西二手大概能卖100多一点，也不算很亏。不久之后就发现我既不是玩HiFi的料，PC也不适合HiFi，所以算是入坑了。当年还是先插在公司上，但不到2个月我就被公司强制换成了笔记本&，只好放回老家去了。后来再也没买过台式机，这个PCI接口的声卡最后就一直在我最老式的台式机上，现在笔记本也被我玩坏了，打算重新当回DIYer一次再装个台式机吧，如果没PCI接口的话只好便宜出掉算了&。可惜当年没有张大妈，不然应该那个时候晒更加时髦点。所以先提示各位，独立声卡并不是适合每个人，想入坑之前请慎重考虑。当时很多人都怀疑我买的是假货，认为没有那么多OEM版，如果你不是很自信或者打算入坑的话还是最好别碰工包。&淘宝搜索是最智能的商品搜索引擎，通过大数据的运营，准确的理解商品与用户，提供精准的个性化搜索体验。&开箱晒物包装比较简单，就是一个没有任何标志的工程包装，里面一个静电袋，当时没意识把没拆封的状态拍下来，直接拆开拍的，没有说明书，没有配件，听说正版的有。宏观上看稍微有点灰，板子是正规厂家做的，元器件还算整齐，不具有窄版或者洋垃圾拼凑的特征，但不能确定是不是返修的，有些精修真心看不出来。发现跟机箱接触的地方有轻微划痕，跟卖家联系，说是测试的时候弄的，个人觉得也无伤大雅。正面左上角的螺丝是银色的，背后还被点了一点红油漆，我看别人的照片都是金色螺丝，也没有红油漆的痕迹啊。ROM这个ROM就是重点，因为这个版本是OEM版，DELL的版本，所以无法用创新原装的驱动和软件，卖家要把原来的ROM拿下来，然后自己用一种烧录器写一个白金版的ROM，重新给我焊上去，属于有点技术含量，自己弄肯定比较麻烦，这个地方就要考验的水平了，看起来把旁边的跳线都弄到了。接口还算干净，不过我只需要其中那个绿色的，别的我都用不上，如果是正版的话是没有那层贴纸的，只有DELL或者HP一类的OEM版才有，这是重要的区分方法，最下面的SB04601-D也是OEM的特征，正版是没有那个D的。&马来西亚产，背面有3张白色贴(其中一个是韩文)，4个绿色的小圆贴，1个4号蓝色贴，这么多标的我还只有在小熊上海站上见过，听说绿色圆形贴是第一次QC的时候贴的，黄色是返修贴的。&PCB的编号是0460，但背面贴纸SN却是MASB0647，根据DELL官网的解释这是OEM的版本，据说如果是R1开头的SN也意味着是返修品。&部分原件有被轻微腐蚀的现象，怀疑与存放时间过长有关系，但不知道哪个的标志是生产日期，此卡正面左下角有个030626的数字，背面左上有4906的标志，是不是06年49周？&正面左侧是3个4558C和1个4556A的运放。右下角倒数第三对跳线已经被接上了，不知道是做什么用的，我看大部分都没有这个跳线帽，少数跟我一样ISSI声存的就有，官方查不到什么资料。非常坑的ISSI IS42STL 的SDRAM声存，据说只有2M，但是我查询这个型号的芯片可以得知是16M的，有点晕，天晓得，以前看的别人图片都是三星或者现代的，从来没有在图片里见过用这个牌子的声存。大部分电容都是台湾Jamicon的，也就是凯美电机，并不是很多厂家通常更为青睐的日系电容，这点逼格似乎不够高。&8声道的Cirrus Logic&CS4382 数模转换器，几乎所有的X-Fi系列声卡用的都是这个型号的数模转换器。Cirrus Logic这个公司位于德州的奥斯汀。与之对应的是4声道的Wolfson Microelectronics&WM8775SEDS 多路复用模数转换器，Wolfson Microelectronics位于英国的爱丁堡本来也是这个领域的大企业，但是很不(zuo)幸(si)于2014年被上面的Cirrus Logic收购了。&同样，几乎所有X-Fi声卡都选用这个型号的模数转换器。(这里就不要吐槽我的渣拍照水平了，这个不是重点。)&看起来整体做工还不错，有点看相。DELL最大的区别就是这个稳压器.DELL版的是ST出品的UC78M05C，原版一般是TI出品的78M05。但是很少有人讨论这个。就不找相关原版的图片做对比了，反正也没什么区别。实际表现：效果不错，对的起这个价钱，比集成的好多了使用以后觉得其实效果可以，比我原来的ACL888好多了，即便在耳机或者便宜的音箱上都能感觉出区别来。开机以后总算识别出来了，从官方驱动里看设备名称是SB X-Fi [EC00]。早听说Music版不支持X-RAM了，看来果然如此，不过&5.0也不支持有点失望，这个是我功课做的不够造成的，算了，反正我也就个2.0的音箱，用不上EAX什么的。关键看重的是创新的原版驱动和软件，现在这个声卡跑在一个比较旧的机器上，一直用XP 64bits，之前用过WIN7，不过有点卡就退回来了，有人说驱动什么的有问题，不过我测试的时候没遇到，目前官方支持到WIN 8.1，还不支持WIN10，不知道以后会怎么样，这可能是个问题，如果驱动跟不上的话恐怕只有出手了。到手以后最重要的其实是测试 和，我就是冲这个来的，看来可以正常启动，在浏览器里无法调整音量了。听了几年，觉得不管是音乐还是游戏都对的起这个价钱，不需要配特别好的箱子就能听出来，我用的1900T3应该还是很般配的，没必要换1000以上的，那就浪费了，听说200块钱的箱子也能听出区别，这个我就没试过了。创新的软件很强大，有游戏模式，娱乐模式，创作模式，可玩性还是挺强的。可玩性和对比个人不建议一般的小白同学去打磨声卡，虽然马云家有这种服务，比如加X-RAM到64M，换电容，各种改线，这个比较麻烦，如果是非常有兴趣的朋友可以试试，毕竟Music版都是X-Fi入门级的，弄坏了也不心疼。如果非要自己动手的话最好具备相关的官方资料，即便对手工活非常自信也要小心行事，比如X-RAM在厂商的控制有些差别:所涉及的SFR地址、在SFR中和XRAM相关的位所在位置和上电复位后XRAM的状态。如果不是很清楚的话最好找老鸟指导你。因为笔者也没试过64M的X-RAM，根据创新官方的说法如果优化得当游戏性能可以提高5%，这个可能需要你自己用“炼金术”开启，还需要身支持X-Fi才比较好说。有的网友描述还可以有更好的性能提升，我估计是因为声卡分担了一部分CPU的压力让CPU可以做更多事情而带来的。但我不怎么打游戏，也不做处理，可能用不上这个大X-RAM，所以目前也没这个需求。当年买这个声卡的时候差不多的还有黑金3，等，我也听过，后来觉得0460好于0350，更好于0610，当然玄学这个东西评价都比较主观，很多人可能会有不同的意见。黑金3主要是因为当年价钱太贵。也有人推荐用KX驱动，说这样0460的发挥会更好，我感觉并不是这样，所以我还是用回了官方版的。而且后来我知道0610就是0380不带DTS的阉割版，未经过THX认证，只有106DB，效果不如sb0350价格反而虚高。SB0350（a2zs）这款声卡的信噪比是108DB。感觉ZS比较接近，差距都不是很大，A2ZS听说用了游飘的驱动效果也很好，这个我就没试过了。但这几张都不能跟0550比,0550还是明显比较强的。如果要更高端就上1394口的DAC吧，千元以上的选择权之一。买工包要做的功课因为工包，水货，OEM水其实比较深，新手小白最好别碰，很容易买到假的，就是老手也经常遇到，要多学习才能避免上当，我总结一下当年的功课。首创了解新原厂的X-Fi系列具体有哪些个型号，以及识别方式，这个官网上都有。这点在可以找到然后识别主要芯片这里可以看到和CA20K2主要是接口不同，一个是PCI一个是PCI-E，别的没什么不同，就像你想移植一个操作系统到另外一种CPU的机器上，其实另外一个机器也支持MIPS，其实移植过去就是换个驱动文件，就像Windows的inf文件一样，看起来好像移植了，其实还是原来那个操作系样，本质上没变&。CA0112芯片的功能，则是让PCI版本的X-Fi能支持“Microsoft Universal Audio Architecture高清晰音频(HD Audio)驱动程序是微软对以Intel推广的新一代AC97音频标准HD Audio总线的系统级支持驱动，也是Microsoft Windows首次发布的通用音频架构(UAA)高清晰度音频类驱动程序”。而同时创新还出了所谓了低端版本的X-Fi，就是目前所见的X-Fi Audio，应该说这个芯片根本就不能归为X-Fi，它所采用的是CA0111芯片，对应的PCIE版本则是采用的CA0110，这种芯片和CA20K系列的芯片的关键区别在于不支持ASIO2.0、EAX5.0、Dolby、DTS和THX等，感觉就象是已经被用过头的LIVE主芯片的衍生品。除了创新自家的X-Fi Audio系列使用这种芯片以外，坦克出的X-Fi狂想曲用的也正是这块芯片!&X-Fi系列除了高端的SB055X以外，还包括SB046X、SB067X、SB077X、SB073X四种。SB046X系列吧，最大的卖点应该就是支持Dolby Digital、Dolby Surround EX的解码，DTS-ES和DTS Neo，并经过THX认证。但是到了后期的部分卡则取消了这些功能，如SB0463和SB046A。而且市面上所见的SB0467则是专门提供给DELL的OEM版，应该是支持的，创新的LIST更新后SB0467从中消失了。总结整体上说这个0460达到了我的预期目标：1.初烧，想试试自己是不是木耳朵；2.试试创新的软件，各种操作方式；3.看电影效果有所提升；关键是性价比也能够接受，在DIY的路上又往前走了一小步，从中学习了不少东西，第一次买工包还是有点紧张，很怕上当受骗，不过买对了是个很划算的事情。
推荐关注：
鼠标移到标签上方，
尝试关注标签~
相关热门原创
作者其他原创（5）
赞10评论11
群晖 DS218+ NAS & SkyNAS + 西数4TB红盘*2
pple 苹果 HomePod 智能音箱
小鱼在家 智能视频音箱
Lynk & Co 领克 01（三天使用权）
SteelSeries 赛睿 Sensei 310/Rival 310 游戏鼠标（随机发货）
森然播吧二代电音版
【轻众测】飞利浦 便携迷你USB桌面旅行插座
赞42评论97
赞24评论29
赞31评论51
赞569评论305
赞586评论498
赞1019评论798
赞496评论344
赞450评论486
扫一下，分享更方便，购买更轻松
用户名/邮箱
两周内免登录33,528被浏览1,605,813分享邀请回答ocw.mit.edu/courses/mathematics/18-02sc-multivariable-calculus-fall-2010/index.htm线性代数(Linear Algebra)：这本书对应课程绝对良心：Matrix Algebra: Theory, Computations and Applications in Statistics这本书分为三部分：第一部分讲矩阵代数；第二部分讲矩阵代数在数据分析中的应用；第三部分讲数值线性代数和相应的软件；比较难，适合想深入从理论和应用层面掌握数据科学中矩阵代数的同学。3. 概率论与统计(Probability And Statistics)：Introduction to Probability, Statistics, and Random Processes一本手把手教你概率论的书，相应学习网站上书和视频都有。Probability Theory: The Logic of Science下载地址：大名鼎鼎的概率论沉思录，介绍看这个把：OpenIntro Statistics至今见到最好的一本统计学入门书，相应学习网站上书和视频都有。Statistical Inference不少美国大学统计系研究生第一年的教材，推荐给想系统学习数理统计的同学。下载地址：Applied Linear Statistical Models我觉得是把线性模型讲得很好的一本书。An Introduction to Generalized Linear Models广义线性模型入门简介All of Statistics: A Concise Course in Statistical Inference注意，我觉得这本书是给的统计底子很好的人复习用的，不适合自学。Computer Age Statistical Inference: Algorithms, Evidence, and Data Science Efron和Hastie两位大师通过这本书给了大数据时代的统计学一个非常现代和全面的介绍。这本书的网站和下载：在现在这个计算机能力越来越强的年代，Bootstrap，这个简单又威力强大的工具正在获得越来越多的关注和应用。比如Facebook用Bootstrap计算置信区间： 要彻底弄懂Bootstrap我还是推荐Efron老爷子的书：An Introduction to the BootstrapStatistics in a Nutshell: A Desktop Quick Reference（翻查用）案头的统计学速查手册贝叶斯统计(Bayesian Statistics)Bayes' Rule: A Tutorial Introduction to Bayesian Analysis贝叶斯统计101Think Bayes: Bayesian Statistics in Python简介怎么用Python做贝叶斯统计这里可以免费下载：Bayesian Methods for Hackers更加深入地介绍怎么用Python做贝叶斯统计。在线版本：Practical Statistics for Data Scientists: 50 Essential Concepts我在实习期间抽空看完的一本书，这本书应该算是填平课堂的统计学和工业界数据科学的一本很好的参考指南。写得比较简洁但是直击要点，而且给出了很多reference。这本书的github：这本书的Amazon 链接：4. 机器学习(Machine Learning)我觉得机器学习不能沉溺于理论，要尽快开始动手把玩一些实际数据集来加深对算法的理解。所以我打算推荐一些Hands-on（手把手）的书。An Introduction to Statistical Learning: with Applications in R通过R讲解算法的统计学习入门书，估计被推荐烂了（笑）。可以在这本书的网站上找到这本书的pdf和数据集。相关课程Applied Predictive Modeling黄皮书，没啥好多说的。准备面试和工作的时候必读。网站：Python Machine Learning手把手教你用sklearn做机器学习，同样是工作必备。github：Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies我觉得这本书特别适合我这种脑子不太好的人，因为他会把机器学习算法拆开，结合案例，一步一步地给你讲。Real-World Machine Learning告诉你工业界的人怎么用Machine Learning解决实际问题的书。建议所有Data Scientist在实习前和全职工作开始前都读一下。github：Learning From Data这本书讲清楚了很多机器学习书中不怎么提到的机器学习理论，比如VC Dimension这种东西。Caltech有公开课，吐血推荐：The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition大名鼎鼎的ESL，读起来比较累（我太渣），我觉得适合翻查和摘抄。Pattern Recognition and Machine Learning同样大名鼎鼎的PRML，我个人觉得比ESL好读不少。这本书下载：Machine Learning Refined: Foundations, Algorithms, and Applications一本很新的ML书，写得很concise但是crystal clear。最让人眼前一亮的是在这本书在Part III讲大规模机器学习，讲了很多其他书中没见过的，比较高级的梯度下降的方法。这个有多重要呢，我听过别人的一句玩笑话说“湾区80%的服务器都在跑Regression”。梯度下降做的事情其实就是Regression的Parameter Estimation，可想而知这章的东西有多重要了。这本书的网站给出了部分章节和所有的ipython notebook：5. 数据挖掘(Data Mining)数据挖掘中不少东西其实和机器学习是重合的，至于这两个东西有什么区别，可以看看这个回答：Introduction to Data Mining深入讲数据挖掘的书，干货很多网站：面向程序员的数据挖掘指南一本面向程序员的，用Learn by doing学习基本数据挖掘和推荐算法的书。中文在线版本：英文在线版本：6. SQL：SQL怎么入门，网上到处都是教程。书的话我只是觉得这一本Cookbook最好。因为他把很多SQL query里的陷阱都提到了，而且每道题给出了市面上所有流行数据库（MySQL，DB2，Oracle，SQL Server，Postgresql）的Query代码SQL Cookbook: Query Solutions and Techniques for Database Developers （翻查用）7. R:R in Action有名的R语言实践下面是R教主Hadley Wickham的三本书，没啥好太多说的，读就是了：R for Data Science在线版本：R PackagesAdvanced R在线版本：Data Science in R: A Case Studies Approach to Computational Reasoning and Problem Solving用12个高级案例分析来讲怎么用R做Data Science的书，一本让我震惊得下巴差点掉地的书，原来R编程写到一定境界是可以这个样子的。难度不小，有兴趣的看看吧。。。网站在这里： 8. Python:因为不是软件工程师，我Python水平也不高。推荐两本我用来入门和准备继续进一步提高看的书吧。Think Python这本书我拿来入门的Fluent Python用来Python进阶的Python for Probability, Statistics, and Machine Learning用Python来学习概率，统计和机器学习的书Github链接：Python Data Science Handbook（翻查用）一本非常全面的通过Python解决数据科学问题的工作手册。作者给出了这本书全部的Jupyter Notebook：9. 数据科学家面试 (Data Scientist Interview)Data Science Interviews Exposed几个在美国的中国人数据科学家写的面试准备书。基本给出了所有数据科学面试涵盖的知识点概述，数据科学家面试流程和注意事项，干货满满。仔细读完这本书，数据科学家面试是怎么个一回事儿，基本上你就心中有数了。Cracking the PM Interview: How to Land a Product Manager Job in Technology在美国，不少数据科学家在公司做的很多工作和产品相关，甚至不少数据科学家被当成半个产品经理用，所以这本产品经理的面试准备书对于数据科学家的面试也很有借鉴意义的。10. 算法（Algorithm）数据科学家逃不掉算法，虽然要求不像软件工程师那么高。因为我是Python死忠，所以这里推荐的所有算法书中的算法实现都有用到Python。Grokking Algorithms: An illustrated guide for programmers and other curious people非常直观的一本算法入门书中的入门书，这本书作者不仅仅是软件工程师，他还是一个绘本画师，里面所有的插图都是他自己亲手画的，非常的萌。Problem Solving with Algorithms and Data Structures Using Python一本用Python讲数据结构和算法的好书，有在线的电子版。过完了就可以开始刷Leetcode了。Algorithms in a Nutshell: A Practical Guide算法速查手册，给出了Python的实现。11. 工作手册(Handbook) The Data Science Handbook我正在读的，涵盖最全面的一本数据科学工作手册，推荐给想成为“Unicorn"-全栈数据科学家的同学12. 网络爬虫与数据折腾(Web Scraping and Data Wrangling)Web Scraping with Python: Collecting Data from the Modern Web用Python3手把手教你做爬虫Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython大名鼎鼎的Pandas官方指南第二版，作者Wes McKinney现在是2Sigma的Senior VP。github：Regular Expressions Cookbook（翻查用）我知道很多人不喜欢正则表达式，但是又不得不面对他，经常翻查这本书应该能搞定很多问题。13. 数据可视化与讲故事(Data Visualization and Storytelling)怎么画出又漂亮又高大上的图表，然后讲一个好故事把你的老板和客户忽悠得一愣一愣的，是一个好的数据科学家的终极大招之一。Communicating Data with Tableau: Designing, Developing, and Delivering Data Visualizations我知道有些喜欢编程的人瞧不上各种按钮点点点的软件，但是我表示Tableau真的很好用。Interactive Data Visualization for the Web: An Introduction to Designing with D3讲怎么用数据可视化工具D3.js。会一些前端技能和Javascript对数据科学家绝对是锦上添花。Data Visualization with Python and JavaScript: Scrape, Clean, Explore & Transform Your Data一本讲怎么把把Python和Javascript串起来做数据可视化的书，一颗赛艇。Storytelling with Data: A Data Visualization Guide for Business Professionals教你怎么讲故事忽悠人2333314. A/B 测试(A/B Testing)A / B Testing: The Most Powerful Way to Turn Clicks Into CustomersDesigning with Data: Improving the User Experience with A/B TestingSpotify 的 VP of Design and User Experience 写的怎么做AB测试的书。A/B Testing, A Data Science PerspectiveAirbnb的Data Scientist讲的A/B testing Workshop，这个不是书，是workshop录像，但是强烈推荐，至今看到的最好的AB testing workshop。建议面试前一定要过一遍，记笔记，尤其是怎么做AB testing那些步骤，记下来，刻在脑子里！！！链接在这里： 至于怎么看呢，这个Safari Online是可以免费试用的：你们注册一下看完了这个然后不续订cancel服务就ok了。15. Some Big Data BooksI Heart Logs: Event Data, Stream Processing, and Data Integration很多Data Scientist每天分析的数据都是User Event Log，所以个人感觉对Log做一个比较系统的深入理解还是比较有必要的。下载在这里Agile Data Science 2.0: Building Full-Stack Data Analytics Applications with Spark一本手把手教你怎么用Apache Spark加上一大堆其他的开源工具（Apache Kafka, MongoDB, ElasticSearch, d3.js, scikit-learn, and Apache Airflow）做Data Product的书（这本书竟然还介绍了Apache Airflow！）。这年头拥有能把数据做成产品落地能力的数据科学家，不多，但是非常非常的值钱！看这本书可以入一个门。github: Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems这本书的介绍可以见这篇文章： 我觉得虽然这本书主要是写给后端工程师和架构师看的。但是我觉得数据科学家们有时间也值得看一看，为了更方便地和工程师们有共同语言，这样工作起来效率更高。16. Unix/Linux命令行四件套和Reproducible Research 硅谷公司给我最大的震撼之一就是他们的Tech Stack对Unix/Linux系统和命令行的重度依赖。这个也不奇怪，Unix的设计哲学其实是这样的：把一个问题劈开成无数个小块，然后分而治之，其实和Data Science中解决一个大问题的方式是一模一样。Unix/Linux这一块学习曲线很陡，花的时间也特别多，但是绝对是Data Scientist进阶道路上绝对绕不开的一关。四件套其一（命令行）：The Linux Command Line: A Complete Introduction四件套其二（Shell Scripting）Classic Shell Scripting四件套其三（Git）Version Control到底有多重要可以看看这篇文章： Learn Git in a Month of Lunches个人感觉Git很难学，能把Git讲得很好的书也很少。目前来看个人觉得这本书算是讲得最清楚最直观的。这本书网站：四件套其四（Vim）好吧，我承认。。。程序员小伙伴在命令行把Vim玩得飞一样的画面，给我留下了极深的印象。Vim作为编辑器之神，和Unix/Linux系统的标配，还真找不到不好好学的理由。（Emacs党不要打我，逃。。。）Learning the vi and Vim Editors: Text Processing at Maximum Speed and Power另外我还想提一个概念，叫Reproducible Research，为什么？最后重点推荐这本书，不仅把前面提到四件套全部串起来了。而且给了怎么做好Reproducible Research的很多好建议。我想感叹一下，做生物信息的真的辛苦不容易，天天用Linux服务器和各种开源工具处理各种大规模稀奇古怪的DNA数据，不过转型到工业界对他们来说真的是小菜一碟。Bioinformatics Data Skills: Reproducible and Robust Research with Open Source Tools17. Simulation在很多Data Scientist的日常工作中，为了印证自己的一个猜想，最常做的事情很可能就是写个小程序做Simulation。原因如下，说白了还是懒：而且感觉现在技术面试Coding题，要你写Simulation的情况也越来越多的。所以学写Simulation作为Data Scientist的一个核心技能是逃不掉的了。Simulation for Data Science with R用R讲Simulation：github：Computer Simulation: A Foundational Approach Using Python用Python讲Simulation这本书的github： 如果好奇随机数生成原理或想深入理解蒙特卡罗方法，可以看看这本书Random Number Generation and Monte Carlo Methods这本书网上有pdf下载：18. Domains/Business Knowledge大家还记得Data Science那个饼图吧，第三块，很多理工科出身学生们不得不面对的，往往也是最欠缺的一块就是这一块：Domains/Business Knowledge后面Analytics part中的书也和这一块有很多overlaps。How to Measure Anything: Finding the Value of Intangibles in Business简评看这里吧： 总之一句话：If you can't measure it, you can't improve it. - Peter DruckerPrinciples of Marketing Engineering and Analytics在准备数据科学面试的Case问题前，先读一下这本书补习下Domain Knowledge把（笑R for Marketing Research and Analytics (Use R!)光知道市场研究中数据科学应用的理论还是不够的，最好能用R语言再实践一下：这本书的网站：19. Exploratory Data Analysis（探索性数据分析）其实在Data Scientist的日常工作中，回答一个问题往往并不需要建模，有时候画画图，看看分布，slicing and dicing一下，算一下Summary Statistics什么的就行了。尤其是他们经常会做不少ad hoc analysis，其实这时候干的事情往往就是Exploratory Data Analysis（EDA）Exploratory Data Analysis in Business and Economics: An Introduction Using SPSS, Stata, and Excel这本书深入讲了EDA的方方面面。特别是他会手把手教你怎么算各种EDA中的统计量，怎么看图说话。Data Analysis with R看到这里可能有同学会问，怎么又是一本R的书。我只想说，你们面Data Scientist职位，公司不是会经常给你们发个什么Takehome Data Challenge吗（让很多人又恨又怕的Takehome啊，每次都挂掉无数人。。。）？第一步干的事情就是EDA啊，把这本书chapter 2 （univariate data）和 chapter3（multivariate data）看看就知道怎么做了。另外这书chapter11还专门讲了怎么dealing with messy data，说白了就是怎么clean data，在Takehome中的重要性就不说了。其他的章节嘛，爱看不看把。。。-----------------------分割线-------------------------第二部分：其他技能(Some Other Skills)这一部分推荐的书，是为那些想成为数据科学家中的超级赛亚人的同学所准备的2333320.
神经网络与深度学习(Neural Network and Deep Learning)Make Your Own Neural Network深度学习炒得火热，但是在认真学习Deep Learning之前，各位巨巨们真的不先尝试下推推公式，然后Python从头自己造一个玩具神经网络玩一玩吗，真的很好玩的！Deep Learning这个还有介绍的必要吗（望天）Hands-On Machine Learning with Scikit-Learn and TensorFlow我觉得对于DS老司机们来说，这本书的Sklearn部分可以无视，重点放在后半部分怎么用TensorFlow玩深度学习。Pro Deep Learning with TensorFlow: A Mathematical Approach to Advanced Artificial Intelligence in Python：从数学的层面讲TensorFlow原理的书，基本是先大段公式然后大段代码，适合矩阵代数功底特别好，从数学层面深入理解TensorFlow的同学。网站在这里：21. 信息论(Information Theory)关于信息论在数据科学上的重要性，可以看看这篇文章：Information Theory: A Tutorial IntroductionInformation, Entropy, Life and the Universe: What We Know and What We Do Not Know22. 因果推断(Causal Inference)关于因果分析的重要性可以看看这个slides:Causal Inference in Statistics: A Primer因果分析的入门小书，作者是大牛Judea PearlObservation and Experiment: An Introduction to Causal Inference把Observational study 和 Experiment放在一起讲的因果推断的入门书，写得像小说一样流畅（人家的英文写作水平真是要给跪了。。。）23. 抽样(Sampling)Sampling深入理解Sampling Technique的方方面面。24. 凸优化(Convex)Convex Optimization斯坦福的凸优化，课程在这里：另外这本书的网站给出了免费电子书：25.
分析(Analytics)Lean Analytics: Use Data to Build a Better Startup Faster (Lean Series)这本书讲创业公司中分析的应用，重点推荐给想复习Metrics的同学。Web Analytics 2.0: The Art of Online Accountability and Science of Customer Centricity26. 文本挖掘与自然语言处理(Text Mining And Natural Language Processing)Text Mining with R萌萌的兔子书，用R的tidy approach介绍Text Mining的书。Code非常Clean而且Elegant。Natural Language Processing with Python: Analyzing Text with the Natural Language ToolkitPython NLTK的官方指南，有在线版：Introduction to Information Retrieval斯坦福的信息萃取，有在线电子版Speech and Language Processing斯坦福NLP大牛Dan Jurafsky的书，现在他在写这本书的第三版：数学之美吴军老师的数学之美。27. 异常检测(Anomaly Detection)关于异常值检验，zhihu大V
同学写过一个介绍：Fraud Analytics Using Descriptive, Predictive, and Social Network Techniques: A Guide to Data Science for Fraud Detection这本书我正在读，不难读，作为Fraud Detection的概述讲得还是挺细的。Outlier Analysis28. 推荐系统 (Recommender Systems)Statistical Methods for Recommender SystemsRecommender Systems: The Textbook29. 社交网络分析 (Social network analysis)Network Science大牛Barabási 今年的力作，关于网络科学的简介。有在线版本，里面的图漂亮得我是跪下了。Social and Economic Networks斯坦福教授Matthew O. Jackson的书，在coursera上有这本书的公开课。Social Network Analysis for Startups: Finding connections on the social web一本用Python做社交网络分析的书。github链接：30. 时间序列预报(Time Series Analysis and Forecasting)现在很多时间序列的书，重点放在描述时间序列上，所以会大量介绍ARMA和ARIMA。但是我这里想着重强调的是预报（Forecasting）。这里面有一套方法，个人感觉很少被传统统计系的时间序列课程介绍。Practical Time Series Forecasting with R: A Hands-On GuideForecasting: principles and practice这本书也是有在线版本的，是莫那什大学的Forecasting的世界权威 Rob写的，比上面那本书把Forecasting介绍得更加深入：在线版本地址：31. 强化学习与人工智能Reinforcement Learning: An Introduction强化学习入门书，有在线版：Decision Making Under Uncertainty: Theory and Application斯坦福的课本，具体评价看看他们学生怎么说的。Artificial Intelligence: A Modern ApproachGoogle的大佬，研究总监Peter Norvig的书网站在这里，每次点进去都要膜拜一下Orz。。。这本书例子的python实现在这里：-----------------------分割线-------------------------第三部分：休闲读物(Casual Reading)这部分介绍的书，躺在床上看看很不错。Soft Skills: The software developer's life manual同软件工程师一样，数据科学家只会写代码和建模是远远不够的。软实力非常非常重要。The Healthy Programmer: Get Fit, Feel Better, and Keep Coding身体是革命的本钱，身体搞垮了怎么继续用数据科学改变世界呢？另外数据科学家其实和人打交道的机会通常来说要远远多于软件工程师，在这个看脸看身材的时代，你懂的。Exposing the Magic of Design有一个Design Mindset对数据科学家是很加分的哦 ：）Thinking, Fast and Slow这本书被大V
推荐过。Naked Statistics: Stripping the Dread from the Data可能是你读过最好玩的统计学读物。Uncertainty: The Soul of Modeling, Probability & Statistics一本在哲学层面上思考数据科学的书。-------------------------------------施工完-----------------现在家里变成了这个样子。。。。1.2K83 条评论分享收藏感谢收起8K29 条评论分享收藏感谢收起