资源|28本必读的经典机器学习/数据挖掘书籍

资源|28本必读的经典机器学习/数据挖掘书籍

全部pdf免费下载链接：http://www.aibbt.com/a/13787.html

Real World Machine Learning（现实世界中的机器学习）

作者：Henrik Brink，Joseph W.Richards和Mark Fetherolf

本书介绍了现实世界中机器学习的应用，旨在教会工作开发者ML项目执行的艺术。

An Introduction To Statistical Learning（统计学习介绍）

作者：加雷思詹姆斯，丹尼尔·维滕，特雷弗·哈斯蒂和罗伯特·蒂布拉尼

本书提供了统计学习方法的介绍。适合于高年级本科生，硕士研究生和博士学位。非数学科学中的学生。

An Introduction To Statistical Learning（统计学习的要素）

作者：TrevorHastie Robert Tibshirani Jerome Friedman

简介：这本书的覆盖面广泛，从监督学习到无监督学习。涵盖了神经网络，支持向量机，分类树等经典算法。

Probabilistic Programming & Bayesian Methods for Hackers （概率编程与黑客的贝叶斯方法）

本书综合的从数学和概率编程的角度介绍了贝叶斯方法。

Think Bayes（贝叶斯方法）

作者：Allen B.Downey

本书从计算的角度介绍贝叶斯统计。

Information Theory, Inference, and Learning Algorithms（信息理论，推理和学习算法）

本书主要阐述了信息理论知识，以及其中的推理过程、学习算法，适合于机器学习辅助知识阅读。

书籍链接：http://www.inference.phy.cam.ac.uk/mackay/itila/book.html

Gaussian Processes for Machine Learning（机器学习的高斯过程）

作者：Carl Edward Rasmussen和ChristopherK. I. Williams

书籍简介：在这本书中，我们将关注监督学习，并根据输出的特性，讨论了回归，分类等问题。

Data-Intensive Text Processing with MapReduce（数据强化文本处理）

作者：吉米·林和克里斯·戴尔。

本书专注于MapReduce算法设计，重点放在自然语言处理，信息检索和机器学习中常用的

Reinforcement Learning: - An Introduction（增强学习）

作者：理查德·萨顿和安德鲁·巴托

本书主要介绍深度学习中非常重要的一个方向“强化学习”，适合于刚学习这方面知识的人群。

Mining of Massive Datasets（数据集挖掘规模化）

作者：Jure Leskovec Anand Rajaraman effrey D. Ullman

本书适合研究数据挖掘的人群

A First Encounter with Machine Learning（机器学习的第一次邂逅）

本书用浅显的语言描述了机器学习知识，适合入门人群。

Pattern Recognition and Machine Learning（模式识别和机器学习）

本书阐述了模式识别的各种方法，同时在其基础上讨论了机器学习方法，非常适合模式识别领域人群。

Machine Learning & Bayesian Reasoning（机器学习与贝叶斯推理）

本书了统计学于机器学习的关系，需要一定的数学基础的人群

Introduction to Machine Learning（机器学习简介）

本书适合研究机器学习入门的人群

A Probabilistic Theory of Pattern Recognition（模式识别的概率理论）

本书从模式识别问题实际出发，结合概率理论，并用概率理论知识解决模式识别问题，适合机器学习人群

ntroduction to Information Retrieval（信息检索简介）

本书介绍机器学习中信息的运用过程，适合具有一定基础的机器学习人群

Forecasting: principles and practice（预测：原则和实践）

本教材旨在提供预测方法的全面介绍，并为每个方法提供足够的信息，以便读者能够明智地使用它们。

Introduction to Machine Learning(机器学习简介)

本书用实例的方法介绍了机器学习方法，适合一定基础的人群

Reinforcement Learning(强化学习)

本书主要介绍深度学习中非常重要的一个方向“强化学习”，适用于一定深度学习知识的人群

Machine Learning(机器学习)

本书介绍机器学习方法，适用于机器学习一定基础的人群

A Quest for AI(AI的任务)

本书介绍人工智能可以做到的事情，适合研究人工智能技术的人群

Introduction to Applied Bayesian Statistics and Estimation for Social Scientists(应用贝叶斯统计学概论和社会科学家的估计)

本书介绍了利用统计学知识来应用到实际生活中，适合工程学者人群

Bayesian Modeling, Inference and Prediction（贝叶斯建模，推理和预测）

本书介绍了贝叶斯建模原理，适合一定基础的机器学习、统计学学者人群

A Course in Machine Learning（机器学习课程）

本书是一门机器学习教程，适合初学者

Machine Learning, Neural and Statistical Classification（机器学习，神经和统计分类）

本书介绍了机器学习、神经网络、统计学分类的知识，适合初学者

Bayesian Reasoning and Machine Learning（贝叶斯推理和机器学习）

本书介绍了机器学习、贝叶斯推理相关知识，适合一定统计学基础的人群

R Programming for Data Science（R语言数据科学）

本书介绍了r语言在数据科学中使用，适合运用r语言研究机器学习的人群

Data Mining - Practical Machine Learning Tools and Techniques（数据挖掘- 实用机器学习工具和技术）

作者：Ian H.

本书介绍了数据挖掘知识，适合文本处理、数据挖方面的人群

资源|28本必读的经典机器学习/数据挖掘书籍

免费下载链接：http://www.aibbt.com/a/13787.html

资源|28本必读的经典机器学习/数据挖掘书籍

免费下载链接：http://www.aibbt.com/a/13787.html

Real World Machine Learning（现实世界中的机器学习）

作者：Henrik Brink，Joseph W.Richards和Mark Fetherolf

本书介绍了现实世界中机器学习的应用，旨在教会工作开发者ML项目执行的艺术。

An Introduction To Statistical Learning（统计学习介绍）

作者：加雷思詹姆斯，丹尼尔·维滕，特雷弗·哈斯蒂和罗伯特·蒂布拉尼

本书提供了统计学习方法的介绍。适合于高年级本科生，硕士研究生和博士学位。非数学科学中的学生。

An Introduction To Statistical Learning（统计学习的要素）

作者：TrevorHastie Robert Tibshirani Jerome Friedman

简介：这本书的覆盖面广泛，从监督学习到无监督学习。涵盖了神经网络，支持向量机，分类树等经典算法。

Probabilistic Programming & Bayesian Methods for Hackers （概率编程与黑客的贝叶斯方法）

本书综合的从数学和概率编程的角度介绍了贝叶斯方法。

Think Bayes（贝叶斯方法）

作者：Allen B.Downey

本书从计算的角度介绍贝叶斯统计。

Information Theory, Inference, and Learning Algorithms（信息理论，推理和学习算法）

本书主要阐述了信息理论知识，以及其中的推理过程、学习算法，适合于机器学习辅助知识阅读。

书籍链接：http://www.inference.phy.cam.ac.uk/mackay/itila/book.html

Gaussian Processes for Machine Learning（机器学习的高斯过程）

作者：Carl Edward Rasmussen和ChristopherK. I. Williams

书籍简介：在这本书中，我们将关注监督学习，并根据输出的特性，讨论了回归，分类等问题。

Data-Intensive Text Processing with MapReduce（数据强化文本处理）

作者：吉米·林和克里斯·戴尔。

本书专注于MapReduce算法设计，重点放在自然语言处理，信息检索和机器学习中常用的

Reinforcement Learning: - An Introduction（增强学习）

作者：理查德·萨顿和安德鲁·巴托

本书主要介绍深度学习中非常重要的一个方向“强化学习”，适合于刚学习这方面知识的人群。

Mining of Massive Datasets（数据集挖掘规模化）

作者：Jure Leskovec Anand Rajaraman effrey D. Ullman

本书适合研究数据挖掘的人群

A First Encounter with Machine Learning（机器学习的第一次邂逅）

本书用浅显的语言描述了机器学习知识，适合入门人群。

Pattern Recognition and Machine Learning（模式识别和机器学习）

本书阐述了模式识别的各种方法，同时在其基础上讨论了机器学习方法，非常适合模式识别领域人群。

Machine Learning & Bayesian Reasoning（机器学习与贝叶斯推理）

本书了统计学于机器学习的关系，需要一定的数学基础的人群

Introduction to Machine Learning（机器学习简介）

本书适合研究机器学习入门的人群

A Probabilistic Theory of Pattern Recognition（模式识别的概率理论）

本书从模式识别问题实际出发，结合概率理论，并用概率理论知识解决模式识别问题，适合机器学习人群

ntroduction to Information Retrieval（信息检索简介）

本书介绍机器学习中信息的运用过程，适合具有一定基础的机器学习人群

Forecasting: principles and practice（预测：原则和实践）

本教材旨在提供预测方法的全面介绍，并为每个方法提供足够的信息，以便读者能够明智地使用它们。

Introduction to Machine Learning(机器学习简介)

本书用实例的方法介绍了机器学习方法，适合一定基础的人群

Reinforcement Learning(强化学习)

本书主要介绍深度学习中非常重要的一个方向“强化学习”，适用于一定深度学习知识的人群

Machine Learning(机器学习)

本书介绍机器学习方法，适用于机器学习一定基础的人群

A Quest for AI(AI的任务)

本书介绍人工智能可以做到的事情，适合研究人工智能技术的人群

Introduction to Applied Bayesian Statistics and Estimation for Social Scientists(应用贝叶斯统计学概论和社会科学家的估计)

本书介绍了利用统计学知识来应用到实际生活中，适合工程学者人群

Bayesian Modeling, Inference and Prediction（贝叶斯建模，推理和预测）

本书介绍了贝叶斯建模原理，适合一定基础的机器学习、统计学学者人群

A Course in Machine Learning（机器学习课程）

本书是一门机器学习教程，适合初学者

Machine Learning, Neural and Statistical Classification（机器学习，神经和统计分类）

本书介绍了机器学习、神经网络、统计学分类的知识，适合初学者

Bayesian Reasoning and Machine Learning（贝叶斯推理和机器学习）

本书介绍了机器学习、贝叶斯推理相关知识，适合一定统计学基础的人群

R Programming for Data Science（R语言数据科学）

本书介绍了r语言在数据科学中使用，适合运用r语言研究机器学习的人群

Data Mining - Practical Machine Learning Tools and Techniques（数据挖掘- 实用机器学习工具和技术）

作者：Ian H.

本书介绍了数据挖掘知识，适合文本处理、数据挖方面的人群

资源|28本必读的经典机器学习/数据挖掘书籍

免费下载链接：http://www.aibbt.com/a/13787.html