机器学习书籍介绍

发表于 更新于 分类于

"你无法在摘要上进行模式匹配，阅读他人对知识的压缩会创造知识的幻觉；二手洞见不是洞见，模式识别需要高质量的数据。"这句话讲得很好，学习一门新知识，必须系统的看一些经典的书籍。

关于机器学习（或深度学习）的书籍也看了很多，个人觉得最值得推荐的书有两本，一本是《Deep Learning with Python》（《Python深度学习》），深入浅出的介绍了机器学习的内容，让你知其然；另外一本是《MATHEMATICS FOR MACHINE LEARNING》 （《机器学习的数学基础》），把机器学习相关的数学知识和概念系统的介绍了一次，让你知其所以然。

以下这个网页介绍的几本书，感觉还不错。 打好数据科学和机器学习的基础——6本书带你学数学 https://www.dataapplab.com/6-best-books-to-learn-mathematics-for-data-science-machine-learning/

目录：

  1. 线性代数导论（Introduction to Linear Algebra）
    这本排在目录第一位的书，以帮助读者建立一个扎实的线性代数基础为目标，涵盖其中的各种基础知识。这本有名的《线性代数导论》由Gilbert Strang所著，内容来源于麻省理工大学的线性代数课程。 如果你是一个想学习线性代数的基础知识的初学者，这本书将是你的完美之选。
  2. 线性代数和数据学习（Linear Algebra and Learning from Data）
    线性代数和从数据中学习，终于在一起了！作为《线性代数导论》的作者，这本《线性代数和从数据中学习》同样是Gilbert Strang所著，是第一本将线性代数，深度学习和神经网络一起教授的教材 这本教材可读性强且严谨，包含完整的线性代数和相关数学课程。学生需要学习这些课程才能掌握深度学习：四个基本子空间，奇异值分解，特殊矩阵，大型矩阵计算技术，压缩感知，概率统计，优化，神经网络结构，随机梯度下降和反向传播。 读完第一本书，或者你的线性代数基础很扎实，希望将你的知识与深度学习理解联系起来，这本书将是你的不二之选。
  3. 机器学习的线性代数和优化（Linear Algebra and Optimization for Machine Learning）
    第三本书是Charu C. Aggarwal的《线性代数和机器学习优化》。这本书的亮点在于更侧重于最优化理论及其与线性代数的关系，在机器学习的背景下介绍线性代数和优化。 这本教材的目标读者是计算机科学、数学和数据科学领域的研究生和教授。
  4. 数据科学家的实用统计（Practical Statistics For Data Scientists）
    这本书教你以实用的方式建立一个强大的统计基础。 作为最好的数据科学统计书籍之一，《数据科学家的实用统计》涵盖了数据科学中使用的各种统计程序，避免了最常见的错误。 作者首先解释了数据科学是如何从探索性数据分析开始的。然后，他们继续讨论随机抽样、实验设计、回归、分类方法和从数据中学习的统计机器学习方法等重要主题。 无论你是否有R编程经验，这本书都是数据科学统计的最佳书籍之一。读完这本书，你将获得数据科学家所需的统计视角。
  5. 概率导论（Introduction to Probability）
    《概率导论》教材提供了理解统计学、随机性和不确定性所需的语言和工具。这本书教学了大量的应用和例子，包括重合指数，悖论，Google网页级别，Markov链和Monte Carlo模拟（MCMC）。遗传学、医学、计算机科学和信息理论学都是会用到这些应用或例子的重要领域。 作者以通俗易懂的方式解释概念，使用现实世界的例子给予阐释。他们用各种各样的故事来揭示基本统计分布和条件作用之间的联系，以简化复杂的问题。使用R这个免费的统计软件包，你可以在每一章后进行计算和模拟。这本书提供了许多直观的解释，插图和练习问题。
  6. 机器学习的数学（Mathematics for Machine Learning）
    这本书是学习理解基本机器学习算法所需数学知识的绝佳选择。