入坑机器学习,究竟该从何入手?
我们挑选了8本书,这些书有不同的风格,主题也不尽相同,出版时间也不一样。无论你是新手还是领域专家,一定能找到适合你的。
01统计学习方法 - 李航
介绍了统计机器学习的主要方法,主要是监督学习部分。感知机、k近邻法、朴素贝叶斯法、决策树、逻辑回归、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等。书并不厚,但是逻辑清晰,特别是算法推导部分,是深入了解推导过程、笔试复习的好材料。
02统计学习基础 - Trevor Hastie 等
虽然这本书名称为“基础”,但其实并不基础,对当前较为流行的统计机器学习方法有较为全面的介绍。将机器学习技术在统计和数值优化的意义上重新阐释,让读者理解本质和内在联系,掌握这类问题的基本思路,所以对机器学习思维的提升是有很大的帮助。
03机器学习 - 周志华
比较全面的入门教材,适合准备上手入门机器学习的同学,对整个机器学习的体系有全面的了解。同时,作者在内容的设计、知识的处理上也比较细腻。除了前机器学习的基础知识,各种算法模型方法,应用场景、理论推导、优化过程等也都有涉及。
04模式分类 - Richard O. Duda 等
适合机器学习进阶使用,如果对模式识别有一些了解后来看更好。除了统计模式识别和结构模式识别的主要内容以外,还有包含了神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。
05PRML - Christopher Bishop
《Pattern Recognition and Machine Learning》是绝对的经典之作,适合机器学习进阶,应该是机器学习进阶必读。这本书对Bayesian Learning方法有相当严谨的介绍和总结,但在此基础之上,无论是原理、算法还是应用,都做得非常好。
06机器学习 - Tom Mitchell
Mitchell 的《机器学习》也是经典书目,虽然年代稍久,但对于机器学习的思想体系建立是非常有帮助的。以生动的语言阐述了机器学习的历史与算法,并提供了各算法的出处与延伸,而在数学及推导方面用的笔墨较少。
07深度学习 - Ian Goodfellow 等
深度学习领域的经典,Gan 之父 Goodfellow 所著,是一本非常适合机器学习进阶学习的书。介绍深度学习的数学基知识和机器学习基础,同时也全面地包含了深度学习的理论与实践。比如经典的CNN, RNN 等神经网络,经典的RBM,DBN等无监督神经网络,比较新的GAN,DCGAN等无监督神经网络。
08数据挖掘导论 - Pang-Ning Tan 等
数据挖掘的入门读物,适合新手开始全面地了解数据挖掘技术,形成整体的知识框架。整本书对数据挖掘做了全面地描述,从数据挖掘任务到数据处理、数据探索以及常用的算法模型(分类、聚类、关联规则),并在此基础之上,做了概率和统计的拓展。