那些“机器学习”的初学者不应该错过的书籍

每个初学者都应该买一些普通的书，提高他们的学习能力。

《机器学习导论》装订于2017年9月8日，由Miroslav Kuba著

本教材通过提供实用的建议，使用简单的示例，并提供了相关应用程序的引人入胜的讨论，以易于理解的方式呈现基本的机器学习概念。主要研究内容包括贝叶斯分类器、最近邻分类器、线性和多项式分类器、决策树、神经网络和支持向量机。后面的章节展示了如何通过"增强"来组合这些简单的工具，如何在更复杂的领域中利用它们，以及如何处理各种先进的实际问题。其中一章专门介绍了目前流行的遗传算法。

《机器学习傻瓜书》平装本与于2016年5月31日，由约翰·保罗·穆勒(John Paul Mueller)著

机器学习对于大众来说是一个比较高深的概念，但是那些在计算机编程领域工作的人会比较清楚它是多么宝贵。没有机器学习，欺诈检测、网络搜索结果、网页上的实时广告、信用评分、自动化和电子邮件垃圾邮件过滤都是不可能的，上述提到的展示了它的一些功能。由两位数据科学专家撰写的《机器学习傻瓜书 》为所有想要使用机器学习来完成实际任务的人提供了一个很好的切入点。

本指南涵盖了让您熟悉机器学习基本概念所需的入门级主题，可以快速帮助您理解将基于机器学习的任务转化为现实所需的编程语言和工具。

深入了解这个完整的初学者指南，让您掌握了有关机器学习的所有知识！

《预测数据分析的机器学习基础：算法、工作示例和案例研究》(麻省理工学院出版社)第一版，由John D.Kelleher著

该书全面的介绍了预测数据分析中最重要的机器学习方法，包括理论概念和实际应用。

机器学习通常用于从大型数据集中提取模式来建立预测模型。这些模型用于预测数据分析应用，包括价格预测、风险评估、预测客户行为和文档分类。这本入门教材提供了一个详细和重点处理最重要的机器学习方法，它可以用于预测数据分析、涵盖理论概念和实际应用。同时，用解释性的工作示例扩充了技术和数学材料内容，并通过案例研究说明这些模型在更广泛的业务上下文中的应用。

《机器学习：概率视角"(自适应计算和机器学习系列)》第一版由KindleEdition、凯文·P·墨菲(KevinP.Murphy)著

当今网络上充斥着大量的电子数据，需要自动化的数据分析方法。机器学习提供了这些开发方法，可以自动检测数据中的模式，然后使用未发现的模式来预测未来的数据。这本教科书基于统一的概率方法，提供了机器学习领域的全面和独立的介绍。

这本书是以一种非正式的、容易理解的风格，并为最重要的算法编写了伪代码。所有主题都用了彩色图像，还用从生物学、文本处理、计算机视觉和机器人等应用领域提取的工作示例进行了大量的说明。

本书适合具有大学数学入门背景的高年级本科生和研究生入门阅读。

《理解机器学习：从理论到算法精装》装订于2014年5月19日，由Shai ShalevShwartz著

机器学习是计算机科学发展最快的领域之一，具有广泛的应用前景。本教材的目的是以原则性的方式介绍机器学习及其提供的算法范例。这本书提供了关于机器学习的基本原理的理论描述，并将这些原理转化为实际算法的数学推导。在介绍了基本知识之后，这本书涵盖了以前教科书没有涉及到的中心主题。其中包括讨论学习的计算复杂性以及凸性和稳定性的概念；重要的算法范式、包括随机梯度下降、神经网络和结构化输出学习；以及新出现的理论概念，例如PAC-Bayes方法和基于压缩的界。本文是为高级本科生或刚开始的研究生设计的文本，使在统计学、计算机科学、数学和工程领域的学生和非专家读者都能了解机器学习的基本原理和算法。