sch17

Natural Language Processing with Python - Steven Bird 2009
Python 2.6 Text Processing Jeff McNeil 2010
Python Text Processing with NLTK 2.0 Cookbook Jacob Perkins 2010
Perkins J - Python 3 Text Processing with NLTK 3 Cookbook - 2014
Deepti Chopra, Nisheeth Joshi, Iti Mathur - Mastering Natural Language Processing with Python - 2016
Hardeniya N et al - Natural Language Processing Python and NLTK - 2016
Sarkar D - Text Analytics with Python - 2016

Ryan Mitchell - Web Scraping with Python Collecting Data from the Modern Web - 2015

Гарри Поттер и методы рационального мышления
hpmor.ru

У этого же автора есть статьи отдельно по методам рационального мышления.

UPD by Владимир Олохтонов:

Дополню ответ, статьи автора лежат по адресу: lesswrong.ru

Лично я изучал Python следующим образом:

- Сначала прочитал и прорешал всю книгу "Программируем на Python" Майкла Доусона.

- После этого я полез на степик
Прошёл его весь и получил некую базу, но этого было ещё не достаточно и после него я полез на следующий курс , где получил уже фундаментальные знания о языке

- После этого я уже начал делать свои проекты и при возникновении проблем лез в google.ru и искал ответы на свои вопросы (где знания английского очень пригодятся!)

Пройдя все эти этапы рекомендую прочитать М. Лутца и начать изучать алгоритмы и структуры данных. Однако, если метите в WEB , то лучше сразу начать изучать Django, MySQL, HTML, CSS, JavaScript.

Изначально, учить нужно не языкам и технологиям, а базовым принципам устройства этого мира, пониманию логики и принятия решений, умению находить новые решения простых задач с максимально возможным результатом.

Всё это должно быть в игровой форме и максимально быть интересным и простым для понимания.

Например, на прогулке можно спросить:
Как отмерить ровно 2м веревки, если есть длинная верёвка неизвестной длины и рядом столб, диаметром 50 см?

И подобные.

Как только он научится правильно принимать простые логические решения, он - уже программист!

Останется ему (уже без Вашей помощи!) выучить любой язык, чтобы стать кодером и воплотить логику своих мыслей в алгоритм в виде кода.
А 3D, C, OSI или еще что - это уже вопрос десятый...

Установить любой из Linux-дистрибутивов на компьютер/ноутбук, открыть книгу Кофлера "Linux. Установка, настройка, администрирование" и вливаться. :)
Из видеокурсов советую:
1. Курс на stepic.org
2. Курс по сдаче LPIC от Кирилла Семаева
3. Курс информационных технологий от Yandex
4. Технопарк Mail.ru Group, МГТУ им. Н.Э. Баумана. Курс "Базовое администрирование Linux"

ИМХО, тут есть несколько аспектов:
1. Как написал brainick , математический бэкграунд и английский в data science практически обязателен.
Причин этому несколько: отсутствие хорошей литературы на русском языке (как по теории, так и по программированию), обилие английских терминов (lift/top/cross-validation и прочие), значение которых в переводной литературе порой объяснятся весьма туманно.
2. Если говорить о конкретной литературе, которую стоит почитать, я бы выделил несколько уровней:
Уровень 0
1. Бизнес-аналитика - Паклин, Орешков (самое базовое и обзорное введение)
2. Статистика/Тервер ( по мне, хороши книги Айвазяна/Мхитаряна)
3. SQL - в обязательном порядке. Мне в свое время помогла книга "SQL для простых смертных"
4. Изучаем Python - М. Лутц (наиболее полная книга по языку, все что нужно для data science здесь точно есть)
5. Программируем коллективный разум (к слову сказать, вот в этой книге отличный перевод)
Уровень 1
1. Математические основы машинного обучения и прогнозирования - Вьюгин (книга сложная, без подготовки по учебникам НМУ на тему анализа и линейной алгебры лучше не подходить)
2. Python for Data Analysis (pandas во всей красе, тут нечего добавить)
3. Примеры и статьи по построению моделей в sklearn - на хабре в последнее время часто мелькают статьи на эту тему, там все достаточно хорошо расписано.
Уровень 2
1. Hadoop и иже с ним ("Hadoop в действии", "Programming Pig")
2. Apache Spark - достаточно почитать описание Python API.
Тут есть еще один момент - не стоит слишком привязываться к одному языку и фреймворку.
Одна из неприятных проблем python+pandas+sklearn заключается в том, что эта связка слабо масштабируется - при 2-3-4 гб данных становится сложно разместить их в оперативной памяти. Я знаю про chunk-reading+partial_fit, но точность таких моделей оставляет желать лучшего.
С другой стороны, если обрабатывать эти данные в pyspark, то теряется все удобство pandas.DataFrame и так далее. Отрасль data science быстро развивается и обрастает новыми технологиями, так что нужно все время держать руку на пульсе.
UPD: в spark 1.3 появились DataFrame.