Python для сложных задач. Наука о данных и машинное обучение; Питер, 2018

Отличная книга в качестве справочника и знакомства с общей теорией анализа данных. Сосредоточена на практике. Из плюсов хорошо описаны способы визуализации данных.

Недостатки:
вообще не затронута тема нейронных сетей, содержит некоторые ошибки в иллюстрациях и коде, немного устарела (некоторые методы переименованы или перенесены в подмодули), мало математического обоснования методов. В целом рекомендую новичкам в DataSience.

Хорошая книга для обзорного знакомства. Но, "одна из" - подобных книг очень много, есть и посовременнее. Подходит новичкам, но без базовых знаний Питона будет бесполезной.

Книга описывает работу с основными инструментами анализа данных. Не смотря на выходом новой версии pandas книга не теряет свою актуальность

Книга будет полезна начинающих изучать машинное обучение на Python. Рассмотрены необходимые библиотеки, теория иллюстрируется примерами, которые вместе с базами данных можно скачать по приведенной в книге ссылке.

Для тех у кого есть книга «Python и анализ данных» первые 400 страниц в принципе можно не читать. Это книга что-то вроде справочника для начинающих. По теме же самого ML очень мало написано.

Очень хорошая книга, вводящая в DS и дающая уверенность. Много примеров кода, датасетов, примеров визуализации, построения моделей, разбора работы с Pandas. Всё расписано от начала работы, предобработки и построения признаков и до готовой модели для самых разных задач. Очень рекомендую.

Книга не для начального уровня, наиболее подойдет для профессионалов из отрасли машинного обучения, программирования и анализа. В книге подробно описаны методы, хорошо структурирована информация, полезно иметь не только электронную, но и бумажную версию.

А на мой взгляд это как раз книга для начинающих разбираться в машинном обучении с использованием библиотек Python. Профессионалы из
отрасли и участники соревнований Kaggle это уже знают и применяют. Последовательно описаны оболочка IPython, библиотека NumPy для векторных вычислений, библиотека Pandas для манипуляции данными, Matplotlib для рисования графиков и, наконец, собственно библиотека алгоритмов машинного обучения Scikit-Learn. Все подробности вместить в одну книгу невозможно, поэтому впоследствии при необходимости нужно будет читать книги других авторов, посвященные конкретной библиотеке.

Данная книга заслужено является одним из самых рекомендуемых пособий по Data Science для начинающих.
Тогда отчего же такие низкие оценки от меня?
К сожалению, издательство Питер схалтурило - перевод откровенно кривой, есть косяки с иллюстрациями, а сами иллюстрации черно-белые.
Мой совет - если вы, как я, не уверены в своём знании английского языка, параллельно с чтением бумажного варианта книги читайте находящуюся в свободном и легальном доступе её оригинальную электронную версию.
А тем, кто хорошо знает английский язык, я бы не рекомендовал тратить свои деньги на это бумажное издание от Питера.
P.S. Электронная версия книги на английском выскакивает первой ссылкой при запросе PythonDataScienceHandbook в Google.
P.P.S. Прикладываю отрывок из переводного издания от Питера и соответствующий ему отрывок из оригинала. Отличная иллюстрация качества перевода, по-моему.