前一篇：?【清单】7个伴随 Java 出现并一直被使用的古董级工具

## 入门

1️⃣《机器学习》by 周志华

比较新的机器学习入门教科书。对于机器学习领域覆盖较为全面。

周老师这本书用来当教材确实不错，不过自学的话跟李航老师的《统计学习方法》来比，确实不够详细，但周老师的书广度上要更加广泛。

• 豆瓣评分: 8.7
• 推荐指数：?????

2️⃣《统计学习方法》by 李航

较为简略的机器学习教材。对模型的推导很清晰。

对于初学者而言，其实机器学习并不容易，如果只读这本书就更不容易了吧。我虽然不是机器学习的大牛，但是对于其中的很多术语、问题都有概念后看这本书才觉得好的，如果我什么都不知道，这种干货为主的传统教科书很可能会让我讨厌机器学习的（个人观点）。但是，如果把这本书作为参考书，那将是非常好的一本，一方面算是比较权威吧，另一方面是简洁，用公式、逻辑说话，不做太多通俗的解释，比起PRML等书就简洁了很多，有着独特的魅力和市场需求。

• 豆瓣评分: 9.0
• 推荐指数：?????

3️⃣《集体智慧编程》by oby Segaran 。

这本书会带着你把部分机器学习算法实现出来跑一遍。

这部书写的非常好，如果与机器学习课程结合起来看的话会起到事半功倍的效果。此书重于实践，从源代码中也能看懂各章的知识，可以说，读了此书，会对人工智能有个更深入的认识。

• 豆瓣评分: 9.0
• 推荐指数：?????

## 进阶

4️⃣《PRML Pattern Recognition And Machine Learning》

可能是最好的模式识别书！侧重贝叶斯。

这是一本非常好的书，关键是写作思路清晰，重点突出。作为阅读论文的基本参考物是值得推荐的。

• 豆瓣评分: 9.5
• 推荐指数：?????

5️⃣《Machine Learning》by Kevin P·Murphy

机器学习进阶书。 内容较为全。

我心目中的ML领域三大经典教材之一，另外的两本分别是PRML和ESLII。这本书都应该算的上是经典，如果打分的话，PRML 9.5，ESLII 9.4，本书9.2，其他ML的书籍应该都在9以下。

• 豆瓣评分: 8.9
• 推荐指数：?????

6️⃣《The Elements of Statistical Learning》

作者是超级大牛。书也较难。侧重统计。

有人给我推荐这本书的时候说，有了这本书，就不再需要其他的机器学习教材了。 入手这本书的接下来两个月，我与教材中艰深的统计推断、矩阵、数值算法、凸优化等数学知识展开艰苦的斗争。于是我明白了何谓”不需要其他的机器学习教材“：准确地说，是其他的教材都不需要了；一本书涵盖了我两年所学全部的研究生课程知识。

• 豆瓣评分: 9.4
• 推荐指数：?????

Latest release:2019.1.10