作者: 引线小白-本文永久链接：httpss://www.limoncc.com/post/7b229b54afd86ff3877ec77e611f29a6/
知识共享许可协议: 本博客采用署名-非商业-禁止演绎4.0国际许可证
摘要：本文意在列出一些书单。若有错误，请大家指正。
关键词:机器学习,,书单,学习资源
机器学习资源
因为大数据的兴起，机器学习大热。这一行业吸引了大量人才涌入。然后现状是学习机器学习需要较高的数学知识，导致人才供应不足。跟不上行业发展需求。较高的工资和技术时尚吸引大量的人们争相学习机器学习、人工智能。故收集网络整理出这些书籍：
网络上建议的入门顺序：
1、斯坦福大学公开课 ：机器学习课程
2、李航.统计学习方法
3、Machine Learning in Action(机器学习实战）
解释一下这个入门：在这之前你可以简单了解一下，周志华：数据挖掘与机器学习，，斯坦福的公开课可以带你入门。《统计学习方法》可以带你了解基本理论和推导。《机器学习实战》可以让你了解一下实操。这个之后有两个路径，看大神Bengio的《deep learning》，或者继续深化机器学习的知识。当然你也可以参加这个：数据分析竞赛kaggle
附照片
<img src=http://oiol5pi05.bkt.clouddn.com/Yoshua_Bengio.jpg width=20%>
Yoshua Bengio
Full Professor
Department of Computer Science and Operations Research
Canada Research Chair in Statistical Learning Algorithms
解决了机器学习入门问题，我们接下来要进阶：
1、PRML（Pattern Recognition and Machine Learning）
2、ESL（The Elements of Statistical Learning ）
3、MLAPP(Machine Learning: a Probabilistic Perspective)
4、Deep learning-author Yoshua Bengio
上面的书单应该是经典的四本书了。个人比较偏爱《MLAPP》，符号比较优美，叙述比较全面。当然你也可以看模式识别的书，例如《统计模式识别（第3版）Statistical Pattern Reco》，那个封面是豹子的书。
<img src=http://oiol5pi05.bkt.clouddn.com/%E7%BB%9F%E8%AE%A1%E6%A8%A1%E5%BC%8F%E8%AF%86%E5%88%AB.jpg width=”50%”>
一些理论
当然看这些书的时候，你也许会发现，凸优化，图模型，EM，MCMC之类的，你可以通过下面的书深入一下：
1、Convex Optimization
2、Probabilistic Graphical Models
3、The EM Algorithm and Extensions
4、Simulation Fifth Edition Sheldon M. Ross
实战编程
1、Python for Data Analysis
2、SciPy and NumPy
3、Machine Learning for Hackers（这本是用R的）
4、集体智慧编程（这个书名有点误导人）
网上搜索很容易找到。现在（2017）又出来很多新书，也发生了很多事情。就不一一列举。
好玩的一本书
1、Bad Data Handbook
最后这些书我也还没看。。。。。我会把它们看完的！！！！^_^
1 | 我们还是来点别的吧： |
神经网络
学习机器学习之前，你应该先了解、学习神经网络。我知道现在媒体关注点在深度学习，机器学习上。网络上的学习路线也多少是从机器学习开始：从线性模型到深度学习。
可以是，你要知道Hinton的深度学习是挖掘了神经网络的潜能，Hinton是要把被抛弃、被侮辱、几起几落的神经网络再度复兴。在被人摒弃的10年中，加拿大多伦多大学的Geoffery Hinton教授依然坚守。2006年，Hinton在《Science》和相关期刊上发表了论文，首次提出了“深度信念网络”的概念。
Geoffery Hinton教授
<img src=http://oiol5pi05.bkt.clouddn.com/Geoffrey%20Hinton.jpg width=100%>
与传统的训练方式不同，“深度信念网络”有一个“预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“微调”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。
他给多层神经网络相关的学习方法赋予了一个新名词–“深度学习”。所以我觉得从神经网络到深度学习或者说从神经元到深度学习是会对人工智能有更好的认识。而不是机器学习。神经网络有着传奇的历史，如果你了解它，你将为之着迷。
Andrew Ng对神经网络的看法：
<img src=http://oiol5pi05.bkt.clouddn.com/Andrew%20Ng%E5%AF%B9%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E6%80%81%E5%BA%A6.jpg width=100%>
神经网络的书籍在这里：
1、人工神经网络教程 第一版、第二版 韩立群
2、神经网络原理
3、神经网络设计
3、神经网络与机器学习
4、Matlab与神经网络，这种书籍就非常多了。
下面是我口号：
$$\displaystyle Life=\int_{Birth}^{Death} (Learning+Working) \mathrm{d}t$$
| 版权声明 |  |
 | 由引线小白创作并维护的柠檬CC博客采用署名-非商业-禁止演绎4.0国际许可证。 本文首发于柠檬CC [ https://www.limoncc.com ] , 版权所有、侵权必究。 |
| 本文永久链接 | httpss://www.limoncc.com/post/7b229b54afd86ff3877ec77e611f29a6/ |
| 如果您需要引用本文，请参考： |
| 引线小白. (Dec. 27, 2016). 《机器学习书单》[Blog post]. Retrieved from https://www.limoncc.com/post/7b229b54afd86ff3877ec77e611f29a6 |
| @online{limoncc-7b229b54afd86ff3877ec77e611f29a6, title={机器学习书单}, author={引线小白}, year={2016}, month={Dec}, date={27}, url={\url{https://www.limoncc.com/post/7b229b54afd86ff3877ec77e611f29a6}}, } |