机器学习&数据科学不可不读的十本书
下面的书单将循序渐进的指引你走进AI & ML：从基本的统计学到机器学习，再对前沿的机器学习主题略览二三，最后将前面的各类主题做个总览。经典与时髦的技术主题相结合，希望你能从中找到乐趣，并扩展下视野。
1． Think Stats: Probability and Statistics for Programmers
《统计思维：程序员数学之概率统计》
By Allen B. Downey
Think Stats 是一本为 Python 程序员所作、介绍概论统计相关的书籍。内容强调实战，书中并未使用复杂难懂的技术，但能解决一些有趣的问题。作者使用美国卫生研究所的数据作为样本，读者能从实际的DIY中获得最直观的感受。
2. Probabilistic Programming & Bayesian Methods for Hackers
《贝叶斯方法:概率编程与贝叶斯推断》
By Cam Davidson-Pilon
本书介绍概率论及贝叶斯方法，更侧重于概念原理的介绍，而不是数学公式的推导。
通常关于贝叶斯方法的介绍涉及好几章的公式讲解，常常使初学者忽略了该方法的出发点；并且教科书的例子一般比较简单、理想化，让人难以有深入的理解、体会。作者本人在刚开始学习贝叶斯方法就有这种尴尬。
3. Understanding Machine Learning: From Theory to Algorithms
《深入理解机器学习:从原理到算法》
By Shai Shalev-Shwartz & Shai Ben-David
当今机器学习发展极快且应用广泛，是计算机科学的热点之一。本书涉及机器学习的理论基础，并将公式推导以实际的算法代码形式展现。本书涵盖了前面两本书的主题，并且介绍了算法的复杂度、稳定性；算法部分主要包括随机梯度下降、神经网络、structured output learning，书中也提及了如PAC-Bayes、compression-based bounds等相关概念。
4. The Elements of Statistical Learning（esl）
《统计学习要点》
By Trevor Hastie, Robert Tibshirani & Jerome Friedman
本书从统计学角度按部就班的介绍了本领域的重点概念，然而内容讲解更注重理念而不是公式。作者提供了许多例子，穿插彩图介绍。主题包括神经网络、SVM、分类树、boosting，囊括监督学习、非监督学习算法，对统计学家、数据挖掘从业人员而言是一本不可多得的好书。
5. An Introduction to Statistical Learning with Applications in R
《统计学习导论:基于R应用》
By Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani
本书介绍统计学习方法，可用作非数学专业的高年级本科、硕士、博士的教材。作者使用R语言，以真实数据作为实验素材，详细讲解如何实现各类算法，很有实际参考价值。
6. Foundations of Data Science
(数据科学基础) （没有official中文名）
By Avrim Blum, John Hopcroft, and Ravindran Kannan
尽管经典的计算机技术依然重要，但随着实际应用带来的海量数据，未来的技术人员需要解决如何利用好这些数据的难题。因此，本书写作的目的就是介绍将来40年可能有用的技术理论，这些理论的重要性堪比自动控制原理等相关算法（在过去的40年间还挺重要）。
7. A Programmer's Guide to Data Mining: The Ancient Art of the Numerati
《写给程序员的数据挖掘实践指南》
By Ron Zacharski
使用Python，跟着作者一起进行练习、操作，在实战中学习、理解数据挖掘。随着一点一滴的积累，读完本书时，你已打好数据挖掘技术的基础。
8. Mining of Massive Datasets
《大数据:互联网大规模数据挖掘与分布式处理》
By Jure Leskovec, Anand Rajaraman and Jeff Ullman
本书为斯坦福计算机科学本科课程的教科书（Mining Massive Datasets，Data Mining）。本书假设读者没有相关的预备基础知识，如果想要了解相关主题的更多内容，可以根据书中索引进行深入学习。
9. Deep Learning
《深度学习》
By Ian Goodfellow, Joshua Bengio and Aaron Courville
Deep Learning 给了读者一块进入机器学习的敲门砖，尤其是深度学习。网上有完整的在线免费版本可供阅读。
10. Machine Learning Yearning
《机器学习的渴望》
By Andrew Ng
AI、机器学习以及深度学习已经得到商业化应用，当你实际构建机器学习系统时，你需要考虑什么：需要更多的训练样本吗？需要采用end-to-end的深度学习吗？当你的训练集与测试集不匹配，如何解决？等等此类问题...
过去，此类决策需要多年的实践学习才能hold；作者就是想加快你关于以上种种“战略性”技能的学习进度，这样你将能够构建更好的AI系统。
|
