2017 年全球范围内机器学习领域最受欢迎的 10 本书

最新推荐文章于 2024-06-13 09:47:43 发布

深度学习世界

最新推荐文章于 2024-06-13 09:47:43 发布

阅读量1.7k

点赞数 1

毫无疑问，人工智能会成为 21 世纪最大的机遇之一，而作为人工智能的主要领域，机器学习有着广阔的发展前景，因而程序员朋友最好将机器学习作为重点关注方向之一。关于机器学习方面的学习资料，网络上已经很多了，其中书籍是一个很好的选择。在今年 AI 技术风起云涌的同时，相关的书籍资料也在不断出现新成果。专注于科技领域书刊的书籍推荐网站 Toptalkedbooks 最近列出了 2017 年全球范围内机器学习领域最受欢迎的 10 本书籍，很多人认为这些书在过去一年中对自己研究人工智能帮助很大。

1. 《Machine Learning For Dummies》

理解机器学习的使用指南。

对于普通大众来说，机器学习会是个很难理解的概念，但身处计算机编程领域的人却知道机器学习的宝贵价值。如果没有机器学习，像欺诈检测、网络搜索、网页实时广告、信用评分、自动化和垃圾邮件过滤等这些功能都无法有效实现，而且这些也只是机器学习能力的冰山一角。

由数据科学专家 John Paul Mueller 和 Luca Massaron 共同撰写的这本《 Machine Learning For Dummies 》为任何寻求使用机器学习完成实践任务的读者提供了很多切入点。

书中涵盖了熟悉机器学习基础概念所需的入门话题，能迅速帮你理解完成机器学习相关任务所需要的编程语言和工具。不管你对机器学习或涉及的数学知识无比抓狂，还是对预处理数据困惑不已，这本书都能让你很容易地无缝理解和应用机器学习。

理解机器学习怎样应用在日常活动中。
学习“说”特定的语言，比如Python和R语言，用来教机器执行面向模式的任务和数据分析。
学习用R语言编程及使用R Studio。
学习怎样使用Anaconda以Python编程。

本书是机器学习的完全入门指南，是理解机器学习知识的有力武器。

2. 《Machine Learning: The New AI》 (麻省理工出版社基础知识系列)

如今，我们每天使用的大量应用，从产品推荐到语音识别，还有些尚未投入实用的产品比如无人驾驶汽车，这些背后都有机器学习的影子。它是计算领域新方法的基石，在这种新方法中我们不再写程序而是收集数据，其理念就是从数据中自动学习完成任务所需的算法。随着计算设备越来越强大，我们的生活和工作也会越来越多的以数字化的形式记录下来，而随着“大数据”逐渐丰富，机器学习的理念（也是将数据转变为知识的工作基础）也同样不断进步。

在本书中，机器学习专家 Ethem Alpaydin 就机器学习为普通读者提供了一个简洁的概述，描述了机器学习的进化，解释了重要的机器学习算法，并列出了机器学习的应用实例。

在当前机器学习蓬勃发展的背景下，Etham Alpaydin 详细解释了数字化战略怎样从数字演算主机进化到了移动设备上。他描述了机器学习的基本理论和一些实际应用；机器学习算法在模式识别方面的应用；受人脑启发产生的人工神经网络；学习实例之间联系的算法；增强学习等。作者在书中也谈及了机器学及“数据科学”这一新兴领域的未来发展方向，并讨论了保障数据隐私与安全方面的道德及法律问题。

3. 《人工智能：一种现代的方法（第3版）》（英文版：Artificial Intelligence: A Modern Approach）

本书两位作者 Peter Norvig 和 Stuart J.Russell 均是人工智能领域的前沿专家。

《人工智能：一种现代的方法（第3版）》的新版全面而系统地介绍了人工智能的理论和实践，阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向。全书分为七大部分：第1部分“人工智能”，第II部分“问题求解”，第III部分“知识、推理与规划”，第IV部分“不确定知识与推理”，第V部分“学习”，第VI部分“通信、感知与行动”，第VII部分“结论”。书中既详细介绍了人工智能的基本概念、思想和算法，还描述了其各个研究方向前沿的进展，同时收集整理了详实的历史文献与事件，很适合想学习 AI 的入门工程师。

本书适合于不同层次和领域的研究人员及学生，是高等院校本科生和研究生人工智能课的教材，也是相关领域的科研与工程技术人员的重要参考书。

4. Python Machine Learning

本书是解锁机器学习领域深度知识，迈入前沿预测分析的重要指南。

关于本书：

采用了用于深度学、数据整理和数据可视化的最强大了开源程序库
学习改进和优化机器学习系统及算法的有效策略和最佳实践
强大的统计模型，适用于大部分数据集，能解决你在数据方面的难题

适用哪些读者？

如果你想学习怎样用Python解决你在数据方面的重要问题，那就选择本书吧，不管你是想从零开始还是想扩展你在数据科学方面的知识，本书都是一个不容错过的重要资源。

从书中能学到什么？

学习怎样用不同的机器学习模型对数据提出多种问题
学习怎样用Keras和Theano搭建神经网络
学习怎样写出整洁和优雅的Python代码，从而将算法能力最大化
学习如何将机器学习模型嵌入到网络应用中，提升可使用性
使用回归分析预测连续性目标输出
使用数据聚类技术挖掘数据的隐藏模式和结构
使用高效的预处理技术组织数据
学习用情感分析深入详细了解文本及社交媒体数据

机器学习和预测分析正在改变商业等行业的运作模式。能够理解复杂数据中的趋势和模式是成功的关键，而 Python 能帮你深入了解数据，让你创建复杂的算法和统计模型，揭示新视角和解答关键问题。

本书让你叩开预测分析的世界，为你展示为何 Python 是当前世界上领先的数据科学语言。如果你想更深入地了解数据问题，或者需要改进和延伸自己机器学习系统的能力，这本实操数据科学数据会为你提供莫大的帮助。书中涵盖了大量强大的 Python 程序库，包括 scikit-learn，Theano 和Keras 等，几乎对包括情感分析和神经网络在内的方方面面都提供了指导和建议。

《Python Machine》将机器学习背后的基本原理和理论与实际应用相结合，带你贯穿 Python 中的重要知识点和其强大的机器学习程序库，并展示了如何应对一些统计模型。

5. Think Bayes: Bayesian Statistics in Python

如果你知道怎样用 Python 编程，而且还懂点概率学，那就准备学习贝叶斯统计吧。在本书中，你会学习怎样用 Python 代码而非数学符号解决统计问题，使用概率分布而非连续数学知识。掌握相关数学知识后，你对贝叶斯的原理会有更清晰的认识，就可以将这些技巧应用于解决实际问题了。

贝叶斯统计方法正变得越来越普遍、越来越重要，但并非所有的知识都适合帮助初学者。作者 Allen Downey 根据自己教授的研究生课程经验，在书中列出的计算方法能帮你获得扎实的入门知识。

利用你当前的编程技术学习和理解贝叶斯统计
解决估算、预测、决策分析、证明和假设检验方面的问题
从简单的例子着手，比如抛硬币、巧克力豆、《龙与地下城》骰子、彩弹球和冰球等
学习解决实际复杂问题的计算方法，比如解释SAT分数、模拟肾部肿瘤和为人体微生物组建模等问题

附：本书英文电子版下载地址

http://greenteapress.com/wp/think-bayes/

6. Data Science from Scratch: First Principles with Python

数据科学程序库、框架、模块和工具包对于从事数据科学工作非常重要，同时也是无需实际理解数据科学就能深入了解这门学科的好方法。在这本书中，你会以从零开始应用的方式学习绝大多数最基础的数据科学工具和算法。

如果想学习数学知识和一些编程技能，作者 Joel Grus 会帮你以轻松的方式熟悉数据科学核心部分的数学及统计知识，还有想成为数据科学家所需的计算机技能。

Python学习速成
学习线性代数、统计学和概率学的基本知识——理解怎样和何时将它们应用在数据科学中
收集、探究、清洗、变换和操作数据
深入了解机器学习的基础原理
应用诸如K-最近邻算法、朴素贝叶斯、线性和逻辑回归、决策树、神经网络和数据归类等模型
探究推荐系统、自然语言处理、网络分析、分布式计算和数据库等知识

7. Make Your Own Neural Network

一步步带你学习神经网络中的数学知识，使用 Python 创建自己的神经网络。

神经网络是深度学习和人工智能的关键元素，但却很少有人知道真正明白神经网络的工作原理。本书会以有趣的方式，带你循序渐进地探索神经网络，从非常简单的理念开始，逐渐建立对神经网络工作原理的理解。读这本书，高中及以下数学知识就够用了，而且书里还包含了微积分的入门知识。

本书的目的是尽可能地让更多人了解神经网络，因为给高阶读者看的书已经够多了！你会学习用 Python 编码，创建自己的神经网络，教给它识别人类的手写数字，也能像专业研发的网络那样工作。

本书第一部分是理念讲解。介绍了神经网络中的数学思想，并辅以大量图解和例证。

本书第二部分是实践操作。介绍了学习 Python 的流行和简单方法，逐渐搭建一个能识别人类手写数字的神经网络，让它能像专业人士研发的网络一样完成任务。

本书第三部分是理念延伸。将搭建的神经网络应用在某个行业中，用你自己的手写数字测试网络，了解神经网络中的秘密，甚至让搭建的网络在树莓派上运行。

书中所有的代码都已经过测试，可在树莓派零上运行。

8. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies (麻省理工出版)

机器学习常常用于通过从大型数据集中抽取模式来搭建预测模型。这些模型用于预测数据分析应用，包括价格预测、风险评估、预测客户行为和文件分类等。本书详细重点介绍了用于预测数据分析的最重要的机器学习方法，既有理论概念也有实际应用。技术和数学资料部分还补充了说明样例，以及将这些模型应用于商业中的案例研究。

本书探讨了从数据到见解再到决策的过程后，描述了机器学习的四种方式：基于信息的学习、基于相似的学习、基于错误的学习和基于概率的学习。每一方式隐含的概念都以非技术性的解释进行介绍，并补充了数学模型和算法。最后，本书研究了用于评估预测模型的技术，并提供了两个研究案例，描述了整个阶段的具体数据分析项目，从用公式表示商业问题到应用分析解决方案。书籍作者有多年的机器学习教学经验，参与过多个预测数据分析项目，所以特别适合计算机科学、计算机工程、数学及统计学背景的研究生使用。