作为自学数据科学的数据科学工作者，在学习的过程中确实遇到了不少困难和麻烦，理论，技术，算法，软件，编程语言……而第一个困难就是找些合适的“教科书”，来指导自己的学习和实践。作为一个过来人，把自己在学习过程中积累的经典材料分享出来，希望能够帮助感兴趣的数据科学爱好者们！
注：信息不能少，但也绝不要泛滥，以下是我精简出来的资源，如有需要可以私信给我，在不影响版权的情况下做分享。
书籍：经典的教材永远应该是一个数据科学工作者的字典
工具：
《Python for Data Analysis》McKinney
这本书是用Python做数据分析的绝佳参考，包括Numpy，Pandas，Matplotlib这些最实用的python数据处理和初步分析的工具，可以在工作中随查随看。
《Web Scraping with Python》 Mitchell
比较稀缺的爬虫参考书，工具稍有过时，但是仍然能够为爬虫的学习提供很好的理论和初步的工具使用方法。
机器学习：
《Python for Machine Learning》 Sebastian Raschka
最喜欢的一本ML书籍，Sebastian完美地结合了理论和案例，从易到难的顺序将ML的所有模型做出了解释，本书使用sklearn作为工具，当然需要神经网络时我们就需要另外的书籍了。
深度学习：
《Artificial Intelligence A Modern Approach 3rd》Stuart Russell, Peter Norvig
经典的AI书籍，或者说这个一本完整的AI数学和理论基础书籍，理论的阐述相当完备和详细。比较适合时间比较多，想扎实学习的朋友。
应用类：
《Python for Finance》Yves Hilpisch
机器学习在投资领域的应用，Fintech伙伴必备。
网站：网站的内容更新速度较比快，能够得到最新的行业发展的动向的新技术的信息
DSC是一群数据数据科学家的社区，需要申请才能够加入，所有的内容都是各个用户分享的原创信息，订阅DSC的邮件推送，可以定期地接收到高质量的文章推荐。
Medium是一个综合的轻博客平台，内容质量和阅读体验是我经历过最好的，也能能follow很多原创大牛的文章。
KDN是最早的一批数据科学网站，虽然网站设计从来都很烂（无力吐槽），但还是不乏一些高质量的内容（数据源，数据竞赛信息和文章）
读万卷书，行万里路，多用Kaggle磨练磨练自己的知识。
博客：追随大牛的博客，看看大牛对技术和行业的理解
Google 研究团队的最新研究成果，包括了机器学习，深度学习和人工智能的多种应用案例，是学习最新研究方向的很好材料。
MOOC：便宜（甚至免费）又实惠的课程，很好的温故知新的工具
学习机器学习的必点课程，Andrew的讲授从理论出发，对多种算法模型和优化方法做了详细的介绍。
Jeremy的教学方法和Andrew则完全相反，Jeremy作为Kaggle发掘出的大神，一直相信Learning by doing，他从一个个实际的例子出发，先让学生解决实际问题，再讲授其中的理论和算法，动手能力强的朋友可以从Jeremy这里入手。
比较全面的基础课程，完全是大学的教学方式，理论 + 作业 + 项目 + 合作，来自哈佛，质量不用说。
公众号：一些国内外的数据科学社交公众号
Twitter：
@ylecun：CNN创造者，Facebook AI Director
@Andrej Karpathy：Tesla AI Director
@drfeifei：李飞飞，Google Cloud 首席科学家，Stanford 教授
@AndrewYNg：吴恩达，不多介绍了
@mrogati：数据科学家，数据科学投资人
微信：
机器之心
算是比较权威的机器学习公众号了，新闻都是一手的，和国外接轨，推荐！
UniDeep数据科学家
创业团队的公众号，都是数据科学家精挑细选的干货！
