推薦 | 從小白到入門算法,17本經典書籍資料（附下載）

【導讀】文中也提到了學習者的經驗分享，但願對那些剛接觸機器學習，準備往這個方向發展的同志們提供一些可借鑑的經驗。

本次資料的下載方式，整理不易，望獲取的同時能傳播給更多須要的夥伴！在公衆號【飛馬會】後臺回覆數字「55」，便可查看獲取方式，記得按要求快速獲取保存哦！另外，想加入人工智能交流羣，在後臺回覆「入羣」

一、入門Python，掌握數據分析經常使用工具

第一次接觸Python是在2016年4月，本科階段的工做差很少完成，就開始聯繫研究生階段的導師，但願可以跟他作一些項目。他給我安排的第一個工做即是使用Python爬取空氣質量數據，並告訴我可使用scrapy這個庫。我與Python的邂逅，便從這個爬蟲開始了。

若是想要深刻了解一些Python的知識，推薦你們學習《流暢的Python》一書，封面以下。這本書我看了前面的九章，講的十分不錯，加深了本身對於Python裏面內存管理、經常使用函數、類等的認識。

除了Python的基礎知識，想要往數據分析、機器學習方向發展的話，還須要掌握一些經常使用的庫，包括Pandas、Numpy、Matplotlib、Sklearn等等。

關於前三個，推薦的書是《利用Python進行數據分析》：

關於Sklearn的使用，包括調用常見的機器學習算法、使用網格搜索尋找最優的參數，能夠參考的一本書是《Python機器學習及實踐 從零開始通往Kaggle競賽之路》

若是上面的書你都看完了，我以爲算是入門Python數據分析了。

二、初識機器學習，反覆讀反覆看

第一次據說機器學習這個名詞，大概是在2016年8月份，是我如今的舍友向我提到的，當時並無太在乎，直到研究生階段開始，才慢慢有所接觸。當時身邊的人的廣泛反應是，這傢伙你們都在學，特別能掙錢。也許當時本身也是想着能多掙錢，纔會開始入門機器學習的吧。不過如今，已經開始慢慢把機器學習當作一種興趣，一種愛好去看待了。

想必你們都知道，入門機器學習，不得不看的三本書是吳軍老師的《數學之美》、李航博士的《統計學習方法》和周志華老師的《機器學習》，也就是所謂的西瓜書。

可是有時候，有些算法好比SVM，說實話兩本書講的都不是最好的，仍是得結合網上比較流行的帖子進行學習，整理了幾個我看過的一些比較好的帖子，分享給你們：

SVM：blog.pluskid.org/?page_id=68…
Word2Vec：blog.csdn.net/itplus/arti…
EM算法：blog.csdn.net/randy_01/ar…

其餘的算法，你們結合兩本書進行學習就能夠了。值得一提的是，Xgboost和LightGBM是在面試階段比較常考的兩個機器學習方法，可是在上面的幾本書中都沒有涉及，我以前整理了一個簡單的帖子，但願對你們有所幫助（最後的參考資料裏面會有）。

除了書籍資料外，視頻資料推薦的主要是吳恩達老師和李宏毅老師的機器學習入門課，地址以下：

吳恩達機器學習：www.bilibili.com/video/av507…
李宏毅機器學習：www.bilibili.com/video/av359…

若是你是剛入門機器學習的話，個人建議就是反覆看，反覆讀，直到你能不依靠書本將模型的原理解釋清楚爲止。

三、面試不斷碰壁，Leetcode得刷，得多刷

理想很豐滿，現實很殘酷，在本身剛學了點機器學習知識的時候，就出去面試闖蕩，結果倒是不斷的碰壁，機器學習理論和經驗少是一方面，數據結構題也是一問三不知，能想到的，只有時間或者空間複雜度最差的那種解法。因此我說啊，Leetcode不只得刷，還得多刷。

不過咱也不必着急，你得有一個計劃，好比天天作三道五道，日積月累才行。儘管我如今在面試的過程當中仍是有一些問題寫不出來，但大部分狀況下，仍是可以獲得一個比較優的解。

關於刷leetcode這事，你能夠往兩個方向上走。一是按照從easy到medium到hard的方向。二是按照分類走，好比先刷樹相關的，再刷數組相關的，依次類推。我本身是用的第一種方式啦，不過從校招面試的經驗看，面試官關注的題主要集中在數組、鏈表、二叉樹和動態規劃上面，能夠先把這幾部分的弄明白。

在語言選擇上，建議仍是不要用Python吧，Python的小trick仍是有點多的，就好比字符串表達式的值，咱們用eval函數就能夠獲得，可是在真正面試的時候，這樣是絕對不行的，因此建議仍是Java或者C++吧。畢竟這兩門語言，你總要掌握一門的。

除了在Leetcode上面刷題外，有兩本書能夠給你們參考，一是《劍指offer》，二是《程序員代碼面試指南：IT名企算法與數據結構題目最優解》，封面以下：

四、相遇深度學習，論文積累是關鍵

關於深度學習，也是研一下才開始慢慢學習的，當時主要接觸的是CNN、LSTM這些個算法，對於一些比較深刻的如GAN、Seq2Seq、Transformer之類的，尚未接觸。真正帶我相遇深度學習的，能夠說是李宏毅老師的深度學習課：www.bilibili.com/video/av977…

固然，吳恩達老師的課也十分精彩：mooc.study.163.com/university/…

除此以外，不得不提的一本書是咱們所謂的深度學習聖經，不過說實話，我以爲這本書雖然寫得好，但仍是有必定閱讀難度的：

我的感受，深度學習這東西，重在不斷積累和反思吧，多讀論文，多寫代碼。論文的話你們日常能夠多關注PaperWeekly這個公衆號，代碼的話我建議若是論文給出了參考代碼，你們能夠嘗試着去敲一敲，不只加深本身對於論文思路的認識，還能夠提高本身的動手實踐能力。

五、推薦與計算廣告，廣度優先VS深度優先

在整個研究生階段，我其實並無造成一個主要的研究方向，你們可能看我平時的公衆號推薦系統相關的東西比較多，但我並非研究這個的，主要仍是本身對這個東西比較感興趣，因此看的多了些。推薦系統的兩本入門書籍是《推薦系統實踐》和《推薦系統與深度學習》：

深度學習領域仍是挺多的，如推薦系統和計算廣告、CV、NLP等等，這就引出了廣度優先VS深度優先的問題。我的感受仍是深度優先爲主吧，肯定好本身的一個研究方向，而後在這個領域進行深挖。不過同時，也要兼顧廣度，深度學習的東西都是相通的，好比Transformer最開始主要應用於文本領域，GAN主要應用於圖像領域，這兩種方法如今也都開始在推薦系統中使用。

最近本身要開始研究計算廣告方面的知識了，由於本身入職以後可能從事這一方面的工做，那仍是給你們推薦兩本書吧，一本是你們所熟知的《計算廣告》，另外一本是黃皮書《互聯網廣告的市場設計》，想要入門這個方向的同窗，建議先看黃皮書，再看《計算廣告》一書。

六、Hive和Spark，數據處理的標配

Hive和Spark你們仍是要學一下的，使用Hive來存儲數據，使用spark sql和Hive sql來處理數據，感受是互聯網裏面的主流方式。關於hive，掌握一些經常使用的函數的使用方法，如concat_ws,row_number,case..when,if,get_json_object等等，對於spark sql，掌握其運行的基本原理，以及一些常見問題的處理方法。首先，學會如何處理數據傾斜，有時候由於一個數據傾斜問題，一成天都浪費在調試一個spark代碼中了，其次，學習如何儘可能減小spark任務的空間佔用，同時加速spark任務運行速度，spark做業在線上調用時，會佔用公共資源，你的任務佔用的資源越多，別人佔用的資源就越少，同時，若是你的任務運行的快，也能夠給別人的任務更多的空間。spark能夠經過不少語言來實現，不過我建議仍是學習一下scala吧，畢竟能夠和java無縫銜接。除了spark和hive，掌握必定的excel知識也是必要的。

那麼這裏有兩本書推薦給你們，《Hive編程指南》和《Spark內核機制解析及性能調優》：

好了，分享了這麼多，小編把上面提到的一些學習資料進行了整理，除了《互聯網廣告的市場設計》一書沒有找到pdf資源外，其餘的都整理好了，目錄以下：

資料領取方式

關注公衆帳號【飛馬會】

後臺回覆數字【55】

便可查看下載方式

▼

往期福利關注飛馬會公衆號，回覆對應關鍵詞打包下載學習資料；回覆「入羣」，加入飛馬網AI、大數據、項目經理學習羣，和優秀的人一塊兒成長！

回覆 數字「1」下載從入門到研究，人工智能領域最值得一讀的10本資料（附下載）

回覆 數字「2」機器學習 & 數據科學必讀的經典書籍，內附資料包！