人工智能，機器學習 書籍推薦

機器學習的一些資料

1. 機器學習與機率、統計學

1.1 公開課

1. 斯坦福機器學習入門課程，講師爲Andrew Ng，適合數學基礎通常的人，適合入門，可是學完會發現只是懂個大概，也就至關於什麼都不懂。
2. Coursera上國立臺灣大學林軒田開的兩門課：機器學習基石（適合入門），機器學習技法（適合提升）。

1.2 推薦書目

統計和機率是機器學習的基礎，因此統計和機率必定要學好。

1. 推薦必讀

• 統計學和機器學習結合的入門書：統計學習方法，做者李航。這本書介紹了10個機器學習領域的表明性算法，講的很是好，書自己也就200多頁，很適合入門，強烈推薦。
• 機器學習入門書：周志華老師的西瓜書[機器學習](https://github.com/allmachinelearning/MachineLearning/blob/master/books/Machine%20Learning/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0(%E5%91%A8%E5%BF%97%E5%8D%8E.pdf),語言簡單易懂，一度登陸亞馬遜，京東計算機類暢銷書榜首，很適合入門閱讀，相比於李航老師的書，這本書更片算法和應用 （李航老師的書更篇數學），先讀李航老師的書，再讀這本，效果更佳。

2. 機器學習理論方面：

   • 推薦 著名教材《Pattern Recognition》中文版爲《模式分類》第二版，從數學的角度講了機器學習的方方面面，很是不錯。這本書好的地方是，書中全部的算法都有數學推導，講的也很全面，做者的眼光很獨到，習題和上機題也很是有挑戰性；很差的地方就是，對如今流行的好比boosting和SVM等，書只是略講了一下，可能須要額外再補充知識。不過即使如此，當我最近一個月看到這書時馬上就感嘆爲何我當初上課的時候沒有遇上這本書！

   • 權威學者Kevin P. Murphy的著做Machine Learning:A Probabilistic Perspective(MLAPP) ，很是厚，偏重數學理論，難度高，是學習機器學習理論的教材，咱們上課用書。

3. 用python進行數據處理的書：利用python進行數據分析，適合瀏覽，偏重工程實踐，介紹經常使用的python處理數據的方法和函數等，能夠看看。

4. 機器學習實戰，這個和第3點說的這個書配合看，效果不錯，這個書頗有針對性，每一個算法有一個實際問題，有源程序讓你去寫，不錯。

5. 學習統計不能不說的經典的《統計學習基礎》，我暫時還沒看過。

6. 以及業界久負盛名的PRML（模式識別與機器學習），我這裏中文英文版都有。

1.3. 工具

• 第三方庫 機器學習有不少開源庫能夠直接拿來用，github是個不錯的獲取代碼的網站，比較著名的有：    * libsvm，做者是林智仁，是svm的標準庫。

  • scikit-learn，scikit包是python中著名的處理數據的包，其中內置了幾乎全部流行的機器學習算法，配合python簡潔的語法操做，使用起來很方便。
  • pandas，python的一個包，其中對錶的處理比較出色，我只是試用過。
  • pylearn2,這個我沒有接觸過，不過在github上排名很靠前，應該不錯。
  • smile，彪悍的機器學習庫，用java開發，有天然語言處理方面的庫。
  • oryx，處理大規模數據很彪悍。
  • mlpack,老牌可靠c++編寫的機器學習庫。

• 工具 python、java以及matlab三種語言是目前比較流行的機器學習方面的語言。

  • python：強在各類包，幾乎無所不能，其科學計算部分（scikit）和matlab不相上下。用Flask看成web框架，幾乎能夠直接部署成web項目，很是方便，強烈推薦。
  • java：強在其企業級應用能力和穩定性。
  • matlab：強在其科學計算部分上。matlab我用的很少，由於目前來看，它和python的科學計算差很少。

• 網上的教程 這是在一個妹子的微信朋友圈看到的文章，很不錯。

2. 數據挖掘

• 快速入門：看我去年考試寫的總結數據挖掘複習整理，可快速瞭解數據挖掘的相關概念。這個總結去年在雁棲湖傳的很火，還有妹子給我發短信感謝。。。
• 數據挖掘領域的經典著做：數據挖掘：概念與技術，做者是韓家煒，是標準的上課教材，上一部分個人總結中對應的頁碼就是這個書裏的。

3. 人工智能

• 教材：著名的教材人工智能：一種現代方法，很厚，能夠翻看。