機器學習書籍選擇 你應該看哪些書籍來研究機器學習

機器學習。 周志華的機器學習：周志華的這本書非常適合作為機器學習的入門，書中的例子非常生動易懂。

克里斯多福·畢曉普（Christopher Bishop）的PRML：PRML這本書有點貝葉斯，對於初學者來說可能看起來很困難，因此您可以將其與前兩本書結合閱讀。

machine learning a probabilistic perspective learning by kevin p.Murphy：MLAPP也是一本經典的機器學習書籍，可以與PRML一起閱讀。

自然語言處理。

吳軍的《數學之美》：吳軍先生的這本書適合作為自然語言處理入門的科普書。

foundations of statistical natural language processing by christopher d.Manning：這本書是 Manning 於 1999 年出版的，在最近流行的 Deep Learning for NLP 中沒有涉及，但你可以參考他的學生 Socher 教授的課程，CS 224N Ling 284。

Dan Jurafsky 的《語音和語言處理》：本書第三版的部分內容已更新，其中章節涵蓋了 NLP 的深度學習技術。

1.機器學習。

第一本推薦的書是周志華的《機器學習》，號稱西瓜書，是機器學習領域的經典入門教材之一，是一本大而完整的書！ 內容中以西瓜為例。 如果你以前真的沒有接觸過任何關於機器學習的知識，那麼這本書可能是你的第一本入門書。

本書沒有深入解釋理論，但通過示例很容易理解每種演算法。

第二本書是推薦李航的統計學習方法，推薦指數五星，真香指數滿星。 這本書非常非常詳細地解釋了機器學習的原理，並推導了公式，我相信看完這本書，我不會說機器學習是形上學。 第二版現已出版。

第二版比第一版厚一點。 使用本書中的公式，強烈建議弄髒雙手並推動白紙！

第三本書推薦通過以上兩本書學習概念、原理和公式推導，然後就可以練習了。 本書是機器學習實踐的入門書。 裡面的**被敲了，不敲就沒有效果了。

機器學習的最大突破是2006年的深度學習。 深度學習是一類機器學習，旨在模仿人腦的思維過程，通常用於影象和語音識別。

1：我個人覺得李航的《統計學習方法》還可以，是一本機器學習基礎入門書。 盧瑞才.

3：嘗試實現一些最基本的演算法。 最簡單的例子是 Yu Pu 的貝葉斯分類器，我當年實現了第乙個機器學習演算法，現在想起來還是很興奮的。 後來的，如SVM，決策樹也可以嘗試。

4：一定要做一點應用，否則，感覺全是理論，根本就沒有感覺。 例如，上面的樸素貝葉斯分類器可用於建立垃圾郵件過濾系統。

6：到了一定水平，就可以啃PRML了，這太經典了，有點像演算法中的演算法介紹。

7：至於以後，好吧，我還在啃prml...... 讓別人說......

機器學習是人工智慧的核心子領域; 它使計算機無需顯式程式設計即可進入自學習模式。 當接觸到新資料時，這些電腦程式能夠自行學習、成長、改變和發展。 我的建議是通過**資源而不是書本來學習機器學習。

使用 Python 的完整機器學習課程，機器學習 AZ：練習 Python 和 R，資料科學<>

選擇第一道菜。 通過本課程，您將學習：

您將從初學者到非常高的水平，您的老師將在螢幕上與您一起逐步構建每種演算法。

在課程中，您將學習如何：

獲得正確的 Python 開發環境，並獲得完整的機器學習工具集來解決大多數實際問題。

了解各種回歸、分類和其他 ML 演算法（例如 R 平方、MSE、準確性、混淆矩陣、視覺、召回率等）的效能指標，以及何時使用它們。

它可以以多種方式組合，例如裝袋、餵料或堆垛、<>

使用無監督機器學習 （ML） 演算法（如分層聚類、k 均值聚類等）來理解資料。

使用 Jupiter （iPython） 筆記本、Spyder 和各種 IDE 進行開發，使用 Mattplotlib 和 Seaborn 進行視覺化和有效的通訊，設計新功能以改進演算法，利用訓練測試、k 摺疊和分層 k 摺疊交叉驗證來選擇正確的模型，並根據看不見的資料執行模型。

使用支援向量機解決手寫識別和一般分類問題，使用決策樹解決員工流失問題，並將關聯規則應用於零售購物資料集。

機器學習工程師的平均年薪為 10,000 美元——成為本課程的理想人選！

使用強大的機器學習模型解決業務、工作或個人生活中的任何問題。

訓練機器學習演算法來識別手寫內容、檢測癌細胞等。

相關資源：

使用 Python 進行資料科學、深度學習和機器學習。

願一切安好！

關於機器學習的最佳書籍和教程是《機電半自動化入門指南》。 本書包含關於機器的內容廣泛，簡單細緻，值得推薦。

《深度學習》是一本從頭開始全面解釋深度學習基本概念，為該領域打下堅實基礎的書，解釋了線性代數、概率和資訊理論、數值計算、行業標準。

當然，它是人民郵電出版社出版的python高效能程式設計，因為這本書會非常詳細地告訴初學者如何學習。

《an introduction statistical to learning 》

the elements of statistical

它們都是關於統計學習或機器學習方法的。 前者可以看作是後者的簡化版本。 它更流行、更簡單，而後者則更難一些。 這兩本書可以一遍又一遍地閱讀，每次都有不同的收穫。