小白| 机器学习和深度学习必读书籍+机器学习实战视频/PPT+大数据分析书籍推荐！

回复数字"14" 飞马会

机器学习入门，读对书很重要

The Elements of Statistical Learning

作者：Trevor Hastie, Robert Tibshirani 和 Jerome Friedman

本书在一些通用概念框架的基础上介绍了统计学的一些重要思想。虽然书中的许多方法都是基于统计学的，并提供了样例说明和彩色配图，但核心思想是在向读者阐述概念和思想，而并非数学知识。除了统计学概念之外，书中还涉及了神经网络、监督学习、支持向量机、分类、预测和非监督学习等非常丰富的内容。适合于对行业数据挖掘感兴趣的统计人员和所有对新兴科技感兴趣的朋友。

机器学习

作者: 周志华

这本书我就不多说了，基本上国内入门机器学习朋友基本上都会这本书。著名的西瓜书，作者为南大教授周志华。深入浅出，复杂的概念可以很清晰明了地解释清楚。我比较喜欢这本书的公式表达，很简单清晰，不会一翻开就被特别吓人的符号吓到，每个算法都会用一个小例子来讲一下具体的过程，复杂的概念可以很清晰明了地解释清楚。

An Introduction to Statistical Learning with Applications in R

作者：Gareth James, Daniela Witten, Trevor Hastie 和 Robert Tibshirani

本书中文名为《统计学习导论:基于R应用》，书中以 R 语言为基础，详细介绍了统计学习的核心方法和应用，内容涉及线性回归、分类、再抽样方法、压缩方法、树方法、聚类、支持向量机等。同时，书中提供了大量基于现实数据的样例，这些数据来自近 20 年来生物学、金融学、市场营销学和天体物理学等诸多领域。本书主要面向非数学专业的高年级本科生、硕士研究生和博士生。

Deep Learning

作者：Ian Goodfellow, Yoshua Bengio 和 Aaron Courville

本书为 Yoshua Bengio 和 Ian Goodfellow 等大神合著的深度学习教科书，该书主要分为三个部分：机器学习和数学基础，深度学习的基础实践，深度学习的进一步研究。全书内容扎实、讲解细致、深入浅出，特别适合深度学习的初学者通过这本书正式入门机器学习领域的研究。现在已有中文版。

Deep Learning with Python

作者是Keras框架的构建者Francois Chollet

这本书还得过段时间才能出版，通过Manning的MEAP系统可以阅读前三章的内容，写得很好，我极力推荐此书。

正如Chollet在编写Keras框架时一样，神奇地将复杂概念简单化，文中措词巧妙，可读性强。即使是AI和深度学习中最有挑战性的概念，同样也解释的通俗易懂。读了这本书我才真正理解什么是张量。书中有大量不错的实例，大家可以在他的 Github 上看看代码。随着正式出版的临近，这本书也越来越完整，请关注并支持作者。同时，尽量能先在MEAP上跟进阅读，并通过给作者留言，完善这本书。

Machine Learning in Action

作者: Peter Harrington

偏向于应用的一本不错的入门书。详细地讲解了算法的步骤和 Python 的代码实现。教你用 Python 的代码实现。它会列出算法的优缺点，列出清晰的流程，先写出算法的伪代码，再配上 Python 代码，关键的代码行还有详细的讲解。

机器学习算法原理与编程实践

本书是机器学习原理和算法编码实现的基础性读物，内容分为两大主线：单个算法的原理讲解和机器学习理论的发展变迁。

下面给大家额外补充一部分关于大数据的知识

Python数据分析与挖掘实战

基础篇（第1～5章），第1章的主要内容是数据挖掘概述；第2章对本书所用到的数据挖掘建模工具Python语言进行了简明扼要的说明；第3章、第4章、第5章对数据挖掘的建模过程，包括数据探索、数据预处理及挖掘建模的常用算法与原理进行了介绍。

实战篇（第6～15章），重点对数据挖掘技术在电力、航空、医疗、互联网、生产制造以及公共服务等行业的应用进行了分析。在案例结构组织上，本书是按照先介绍案例背景与挖掘目标，再阐述分析方法与过程，最后完成模型构建的顺序进行的，在建模过程的关键环节，穿插程序实现代码。最后通过上机实践，加深读者对数据挖掘技术在案例应用中的理解。