機器學(xué)習(xí)&數(shù)據(jù)科學(xué)不可不讀的十本書
下面的書單將循序漸進的指引你走進AI & ML：從基本的統(tǒng)計學(xué)到機器學(xué)習(xí)，再對前沿的機器學(xué)習(xí)主題略覽二三，最后將前面的各類主題做個總覽。經(jīng)典與時髦的技術(shù)主題相結(jié)合，希望你能從中找到樂趣，并擴展下視野。
1． Think Stats: Probability and Statistics for Programmers
《統(tǒng)計思維：程序員數(shù)學(xué)之概率統(tǒng)計》
By Allen B. Downey
Think Stats 是一本為 Python 程序員所作、介紹概論統(tǒng)計相關(guān)的書籍。內(nèi)容強調(diào)實戰(zhàn)，書中并未使用復(fù)雜難懂的技術(shù)，但能解決一些有趣的問題。作者使用美國衛(wèi)生研究所的數(shù)據(jù)作為樣本，讀者能從實際的DIY中獲得最直觀的感受。
2. Probabilistic Programming & Bayesian Methods for Hackers
《貝葉斯方法:概率編程與貝葉斯推斷》
By Cam Davidson-Pilon
本書介紹概率論及貝葉斯方法，更側(cè)重于概念原理的介紹，而不是數(shù)學(xué)公式的推導(dǎo)。
通常關(guān)于貝葉斯方法的介紹涉及好幾章的公式講解，常常使初學(xué)者忽略了該方法的出發(fā)點；并且教科書的例子一般比較簡單、理想化，讓人難以有深入的理解、體會。作者本人在剛開始學(xué)習(xí)貝葉斯方法就有這種尷尬。
3. Understanding Machine Learning: From Theory to Algorithms
《深入理解機器學(xué)習(xí):從原理到算法》
By Shai Shalev-Shwartz & Shai Ben-David
當(dāng)今機器學(xué)習(xí)發(fā)展極快且應(yīng)用廣泛，是計算機科學(xué)的熱點之一。本書涉及機器學(xué)習(xí)的理論基礎(chǔ)，并將公式推導(dǎo)以實際的算法代碼形式展現(xiàn)。本書涵蓋了前面兩本書的主題，并且介紹了算法的復(fù)雜度、穩(wěn)定性；算法部分主要包括隨機梯度下降、神經(jīng)網(wǎng)絡(luò)、structured output learning，書中也提及了如PAC-Bayes、compression-based bounds等相關(guān)概念。
4. The Elements of Statistical Learning（esl）
《統(tǒng)計學(xué)習(xí)要點》
By Trevor Hastie, Robert Tibshirani & Jerome Friedman
本書從統(tǒng)計學(xué)角度按部就班的介紹了本領(lǐng)域的重點概念，然而內(nèi)容講解更注重理念而不是公式。作者提供了許多例子，穿插彩圖介紹。主題包括神經(jīng)網(wǎng)絡(luò)、SVM、分類樹、boosting，囊括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)算法，對統(tǒng)計學(xué)家、數(shù)據(jù)挖掘從業(yè)人員而言是一本不可多得的好書。
5. An Introduction to Statistical Learning with Applications in R
《統(tǒng)計學(xué)習(xí)導(dǎo)論:基于R應(yīng)用》
By Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani
本書介紹統(tǒng)計學(xué)習(xí)方法，可用作非數(shù)學(xué)專業(yè)的高年級本科、碩士、博士的教材。作者使用R語言，以真實數(shù)據(jù)作為實驗素材，詳細(xì)講解如何實現(xiàn)各類算法，很有實際參考價值。
6. Foundations of Data Science
(數(shù)據(jù)科學(xué)基礎(chǔ)) （沒有official中文名）
By Avrim Blum, John Hopcroft, and Ravindran Kannan
盡管經(jīng)典的計算機技術(shù)依然重要，但隨著實際應(yīng)用帶來的海量數(shù)據(jù)，未來的技術(shù)人員需要解決如何利用好這些數(shù)據(jù)的難題。因此，本書寫作的目的就是介紹將來40年可能有用的技術(shù)理論，這些理論的重要性堪比自動控制原理等相關(guān)算法（在過去的40年間還挺重要）。
7. A Programmer's Guide to Data Mining: The Ancient Art of the Numerati
《寫給程序員的數(shù)據(jù)挖掘?qū)嵺`指南》
By Ron Zacharski
使用Python，跟著作者一起進行練習(xí)、操作，在實戰(zhàn)中學(xué)習(xí)、理解數(shù)據(jù)挖掘。隨著一點一滴的積累，讀完本書時，你已打好數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)。
8. Mining of Massive Datasets
《大數(shù)據(jù):互聯(lián)網(wǎng)大規(guī)模數(shù)據(jù)挖掘與分布式處理》
By Jure Leskovec, Anand Rajaraman and Jeff Ullman
本書為斯坦福計算機科學(xué)本科課程的教科書（Mining Massive Datasets，Data Mining）。本書假設(shè)讀者沒有相關(guān)的預(yù)備基礎(chǔ)知識，如果想要了解相關(guān)主題的更多內(nèi)容，可以根據(jù)書中索引進行深入學(xué)習(xí)。
9. Deep Learning
《深度學(xué)習(xí)》
By Ian Goodfellow, Joshua Bengio and Aaron Courville
Deep Learning 給了讀者一塊進入機器學(xué)習(xí)的敲門磚，尤其是深度學(xué)習(xí)。網(wǎng)上有完整的在線免費版本可供閱讀。
10. Machine Learning Yearning
《機器學(xué)習(xí)的渴望》
By Andrew Ng
AI、機器學(xué)習(xí)以及深度學(xué)習(xí)已經(jīng)得到商業(yè)化應(yīng)用，當(dāng)你實際構(gòu)建機器學(xué)習(xí)系統(tǒng)時，你需要考慮什么：需要更多的訓(xùn)練樣本嗎？需要采用end-to-end的深度學(xué)習(xí)嗎？當(dāng)你的訓(xùn)練集與測試集不匹配，如何解決？等等此類問題...
過去，此類決策需要多年的實踐學(xué)習(xí)才能hold；作者就是想加快你關(guān)于以上種種“戰(zhàn)略性”技能的學(xué)習(xí)進度，這樣你將能夠構(gòu)建更好的AI系統(tǒng)。
|
