正如第一条评论已经指出的那样，数据科学是一个非常广泛的领域，没有明确的定义。

但我认为，由于您喜欢开始使用数据科学并且正在寻找资源，因此我与您分享我的一些建议（排名不分先后）。

• 非常实用，学术性较差，有很多代码示例：Aurélien Géron 的 Hands-on Machine Learning with Scikit-Learn、Keras 和 TensorFlow
• 深度学习圣经，更具学术性，很棒的概述：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 的深度学习
• 机器学习的经典之作，涵盖了很多主题，非常有教育意义并有很好的解释：Christopher M. Bishop 的Pattern Recognition and Machine Learning
• 如果您更喜欢统计：统计学习简介： James、Witten、Hastie 和 Tibshirani的 R 应用程序
• 机器学习： Kevin P. Murphy的概率视角
• 经典的 RL 参考：Richard S. Sutton 和 Andrew G. Barto 的强化学习

这只是部分列表，更多地关注理论和经典数据科学算法。请记住，还有更多书籍，例如，我没有提到任何有关大数据、数据分析、数据挖掘等的资源，无论哪一本都可以放入数据科学领域。此外，这个列表可能会在几年后过时。