Отзывы на книгу: Python для сложных задач. Наука о данных и машинное обучение; Питер, 2018

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.

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

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

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.

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.

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.

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.

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.