機器學(xué)習(xí)：掌握一個領(lǐng)域的知識需要系統(tǒng)的去學(xué)習(xí)，只通過一本書所學(xué)到的知識是遠遠不夠的。此外，除了與該領(lǐng)域相關(guān)的技術(shù)，對應(yīng)的產(chǎn)業(yè)發(fā)展也是格外重要。本文便以機器學(xué)習(xí)為例，由淺入深，并結(jié)合相關(guān)領(lǐng)域其它技術(shù)、產(chǎn)業(yè)等方面，為讀者推薦了豐富的書目資源。
一張“迷你地圖”，教你如何進擊機器學(xué)習(xí)！
由圖可見，想要進擊機器學(xué)習(xí)，成為機器學(xué)習(xí)方面的專家，那么你需要從入門、深度學(xué)習(xí)、數(shù)據(jù)科學(xué)、R語言、Python、金融、專家級等多方面的書目，循序漸進的進行修煉。
話不多說，來看與機器學(xué)習(xí)相關(guān)，最受歡迎的書目榜單Top10吧！
1、《Scikit-Learn 與 TensorFlow 機器學(xué)習(xí)實用指南》
英文書名：Hands-On Machine Learning with Scikit-Learn and TensorFlow
作者：Aurélien Géron
出版社：O'Reilly Media
這本書通過具體的例子、很少的理論以及兩款成熟的Python框架：Scikit—Learn和TensorFlow，幫助你掌握構(gòu)建智能系統(tǒng)所需要的概念和工具。你將會學(xué)習(xí)到各種技術(shù)，從簡單的線性回歸到深度神經(jīng)網(wǎng)絡(luò)。每章的練習(xí)有助于你運用所學(xué)到的知識，你只需要有一些編程經(jīng)驗就行了。
從這本書你將學(xué)習(xí)：
探索機器學(xué)習(xí)環(huán)境，特別是神經(jīng)網(wǎng)絡(luò)
使用scikit-learn跟蹤端到端的示例機器學(xué)習(xí)項目
探索幾種訓(xùn)練模型，包括支持向量機、決策樹、隨機森林和集合方法
使用TensorFlow庫構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)
深入研究神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括卷積網(wǎng)絡(luò)，循環(huán)網(wǎng)絡(luò)和深度強化學(xué)習(xí)
學(xué)習(xí)訓(xùn)練和scaling深度神經(jīng)網(wǎng)絡(luò)的技巧
應(yīng)用實際代碼示例，而無需學(xué)習(xí)過多的機器學(xué)習(xí)理論或算法細(xì)節(jié)
2、《面向數(shù)據(jù)科學(xué)家的實用統(tǒng)計學(xué)》
英文書名：Practical Statistics for Data Scientists: 50 Essential Concepts
作者：Peter Bruce & Andrew Bruce
出版社：O'Reilly Media
很多數(shù)據(jù)科學(xué)資源包括了統(tǒng)計方法，但是欠缺具有深度的統(tǒng)計學(xué)視角。如果你熟悉R語言編程，也對統(tǒng)計學(xué)有所了解，這份快速參考將幫助你搭建易學(xué)可達的知識橋梁。
從這本書你將學(xué)到：
為什么探索性數(shù)據(jù)分析是數(shù)據(jù)科學(xué)的關(guān)鍵步驟
隨機抽樣如何減少偏差，并產(chǎn)生更高質(zhì)量的數(shù)據(jù)集，即使對于大數(shù)據(jù)也能如此
實驗設(shè)計原則如何有助于得到問題的最終答案
如何使用回歸來估計結(jié)果并檢測異常
用于預(yù)測一個record屬于哪個類別的關(guān)鍵分類技術(shù)
從數(shù)據(jù)中“學(xué)習(xí)”的統(tǒng)計機器學(xué)習(xí)方法
用于從未標(biāo)記數(shù)據(jù)中提取含義的無監(jiān)督學(xué)習(xí)方法
3、Python深度學(xué)習(xí)
英文書名：Deep Learning with Python
作者：Francois Chollet
出版社：Manning Publications
本書介紹使用Python語言和強大的Keras庫深入深度學(xué)習(xí)領(lǐng)域。本書由Keras作者、Google AI研究員François Chollet撰寫，通過直觀的解釋和實際例子幫助讀者理解。你將在計算機視覺、自然語言處理和生成模型中應(yīng)用具有挑戰(zhàn)性的概念和實踐。當(dāng)學(xué)完本書時，你將擁有在自己的項目中應(yīng)用深度學(xué)習(xí)的知識和實踐技能。
從本書你將學(xué)習(xí)：
深度學(xué)習(xí)的基本原則
建立自己的深度學(xué)習(xí)環(huán)境
圖像分類模型
文本和序列的深度學(xué)習(xí)
神經(jīng)風(fēng)格遷移、文本生成和圖像生成
4、《深度學(xué)習(xí)》
英文書名：Deep Learning
作者：Ian Goodfellow, Yoshua Bengio & Aaron Courville
出版社：The MIT Press
這本“花書”被認(rèn)為是名副其實的AI圣經(jīng)。《深度學(xué)習(xí)》由深度學(xué)習(xí)領(lǐng)域三位前沿、權(quán)威的專家 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著，長期位居美國亞馬遜人工智能類圖書榜首，中文版在去年出版后更是賣到斷貨。
該書從淺入深介紹了基礎(chǔ)數(shù)學(xué)知識、機器學(xué)習(xí)經(jīng)驗以及現(xiàn)階段深度學(xué)習(xí)的理論和發(fā)展，它能幫助人工智能技術(shù)愛好者和從業(yè)人員在三位專家學(xué)者的思維帶領(lǐng)下全方位了解深度學(xué)習(xí)。
這是一本教科書，又不只是一本教科書，任何對深度學(xué)習(xí)感興趣的讀者，閱讀本書都會受益。
5、《用于數(shù)據(jù)分析的Python：Pandas，NumPy和IPython》
英文書名：Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython
作者：Wes McKinney
出版社：O'Reilly Media
本書由Python pandas項目的創(chuàng)建者Wes McKinney撰寫，是對Python中數(shù)據(jù)科學(xué)工具的實用介紹。對于剛接觸Python的分析師以及對數(shù)據(jù)科學(xué)和科學(xué)計算不熟悉的Python程序員來說，本書是理想的選擇。GitHub上提供了數(shù)據(jù)文件和相關(guān)資料。
閱讀本書你將學(xué)習(xí)：
使用IPython shell和Jupyter notebook進行探索性計算
學(xué)習(xí)NumPy中的基本功能和高級功能
學(xué)習(xí)使用pandas庫中的數(shù)據(jù)分析工具
使用靈活的工具加載、清理、轉(zhuǎn)換、合并和重塑數(shù)據(jù)
使用matplotlib創(chuàng)建信息可視化
將pandas groupby工具應(yīng)用于slice，dice塊和匯總數(shù)據(jù)集
分析和處理規(guī)則和不規(guī)則的時間序列數(shù)據(jù)
通過詳細(xì)示例了解如何解決實際的數(shù)據(jù)分析問題
6、《R 數(shù)據(jù)科學(xué)》
英文名稱：R for Data Science: Import, Tidy, Transform, Visualize, and Model Data
作者：Hadley Wickham、Garrett Grolemund
出版社：O'Reilly Media
本書的目標(biāo)是教會讀者使用重要的數(shù)據(jù)科學(xué)工具，從而為實施數(shù)據(jù)科學(xué)奠定堅實的基礎(chǔ)。 讀完本書后，你將掌握R語言的精華，并能夠熟練使用多種工具來解決各種數(shù)據(jù)科學(xué)難題。每一章都按照這樣的順序組織內(nèi)容：先給出一些引人入勝的示例，以便你可以整體了解這一章的內(nèi)容，然后再深入細(xì)節(jié)。本書的每一節(jié)都配有習(xí)題，以幫助你實踐所學(xué)到的知識。
本書適合R數(shù)據(jù)科學(xué)家閱讀。
7、《Python 數(shù)據(jù)科學(xué)手冊》
英文名稱：Python Data Science Handbook: Essential Tools for Working with Data
作者：Jake VanderPlas
出版社：O'Reilly Media
本書是對以數(shù)據(jù)深度需求為中心的科學(xué)、研究以及針對計算和統(tǒng)計方法的參考書。本書共五章，每章介紹一到兩個Python數(shù)據(jù)科學(xué)中的重點工具包。首先從IPython和Jupyter開始，它們提供了數(shù)據(jù)科學(xué)家需要的計算環(huán)境；第 2章講解能提供ndarray對象的NumPy，它可以用Python高效地存儲和操作大型數(shù)組；第3章主要涉及提供DataFrame對象的Pandas，它可以用Python高效地存儲和操作帶標(biāo)簽的/列式數(shù)據(jù)；第4章的主角是Matplotlib，它為Python提供了許多數(shù)據(jù)可視化功能；第5章以Scikit-Learn為主，這個程序庫為重要的機器學(xué)習(xí)算法提供了高效整潔的Python版實現(xiàn)。
本書適合有編程背景，并打算將開源Python工具用作分析、操作、可視化以及學(xué)習(xí)數(shù)據(jù)的數(shù)據(jù)科學(xué)研究人員。
8、《Python 機器學(xué)習(xí)》
英文名稱：Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow
作者：Sebastian Raschka、Vahid Mirjalili
出版社：Packt Publishing - ebooks Account
機器學(xué)習(xí)正在吞噬軟件世界，而深度學(xué)習(xí)正在擴展機器學(xué)習(xí)。 通過第二版Sebastian Raschka的暢銷書《Python機器學(xué)習(xí)》，可以了解并實現(xiàn)機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的最前沿的知識。 本書使用最新的Python開源庫進行了徹底的更新，提供了創(chuàng)建機器學(xué)習(xí)，深度學(xué)習(xí)和現(xiàn)代數(shù)據(jù)分析所需的實用知識和技術(shù)。
從本書中，你將學(xué)到：
了解數(shù)據(jù)科學(xué)、機器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)鍵框架
使用在機器學(xué)習(xí)中Python最新的開源庫
使用具有挑戰(zhàn)性的真實數(shù)據(jù)探索機器學(xué)習(xí)技術(shù)
使用TensorFlow庫掌握深度神經(jīng)網(wǎng)絡(luò)
了解分類算法的機制，以實現(xiàn)最佳工作
使用回歸分析預(yù)測連續(xù)目標(biāo)結(jié)果
通過聚類發(fā)現(xiàn)數(shù)據(jù)中的隱藏模式和結(jié)構(gòu)
使用情緒分析深入挖掘文本和社交媒體數(shù)據(jù)
9、《Python袖珍指南》
英文名稱：Python Pocket Reference: Python In Your Pocket (Pocket Reference (O'Reilly))
作者：Mark Lutz
出版社：O'Reilly Media
對于的Python 3.4和2.7而言，本指南是完美的實戰(zhàn)快速參考。你從中將會學(xué)習(xí)有關(guān)Python類型和語句、特殊方法名、內(nèi)建函數(shù)與異常、常用的標(biāo)準(zhǔn)庫模塊及其他的Python工具。
由Mark Lutz這位公認(rèn)為的Python領(lǐng)導(dǎo)者編寫的《Python袖珍指南（第五版）》，是仍由Mark編寫的經(jīng)典Python教程（《Learning Python》和《Programming Python》，O’Reilly出版）的理想助手。
本書涵蓋內(nèi)容：
內(nèi)建對象類型，包括數(shù)字、列表、字典等更多內(nèi)容
創(chuàng)建和處理對象的語句和語法
結(jié)構(gòu)化和重用代碼所用的函數(shù)與模塊
Python面向?qū)ο蟮木幊坦ぞ?br/> 內(nèi)建函數(shù)、異常和屬性
專有運算符重載方法
廣泛應(yīng)用的標(biāo)準(zhǔn)庫模塊和擴展
命令行選項與開發(fā)工具
Python的習(xí)語與提示
Python的SQL數(shù)據(jù)庫API
10、《統(tǒng)計學(xué)習(xí)基礎(chǔ)》
英文名稱：The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition (Springer Series in Statistics)
作者：Trevor Hastie、 Robert Tibshirani
出版社：Springer
計算和信息技術(shù)的飛速發(fā)展帶來了醫(yī)學(xué)、生物學(xué)、財經(jīng)和營銷等諸多領(lǐng)域的海量數(shù)據(jù)。理解這些數(shù)據(jù)是一種挑戰(zhàn)，這導(dǎo)致了統(tǒng)計學(xué)領(lǐng)域新工具的發(fā)展，并延伸到諸如數(shù)據(jù)挖掘、機器學(xué)習(xí)和生物信息學(xué)等新領(lǐng)域。許多工具都具有共同的基礎(chǔ)，但常常用不同的術(shù)語來表達。《統(tǒng)計學(xué)習(xí)基礎(chǔ)(第2版)(英文)》介紹了這些領(lǐng)域的一些重要概念。盡管應(yīng)用的是統(tǒng)計學(xué)方法，但強調(diào)的是概念，而不是數(shù)學(xué)。許多例子附以彩圖�！督y(tǒng)計學(xué)習(xí)基礎(chǔ)(第2版)(英文)》內(nèi)容廣泛，從有指導(dǎo)的學(xué)習(xí)（預(yù)測）到無指導(dǎo)的學(xué)習(xí)，應(yīng)有盡有。包括神經(jīng)網(wǎng)絡(luò)、支持向量機、分類樹和提升等主題，是同類書籍中介紹得*全面的。
《統(tǒng)計學(xué)習(xí)基礎(chǔ)(第2版)(英文)》可作為高等院校相關(guān)專業(yè)本科生和研究生的教材，對于統(tǒng)計學(xué)相關(guān)人員、科學(xué)界和業(yè)界關(guān)注數(shù)據(jù)挖掘的人，《統(tǒng)計學(xué)習(xí)基礎(chǔ)(第2版)(英文)》值得一讀。
|
