人工智能，机器学习 书籍推荐

机器学习的一些资料

1. 机器学习与几率、统计学

1.1 公开课

1. 斯坦福机器学习入门课程，讲师为Andrew Ng，适合数学基础通常的人，适合入门，可是学完会发现只是懂个大概，也就至关于什么都不懂。
2. Coursera上国立台湾大学林轩田开的两门课：机器学习基石（适合入门），机器学习技法（适合提升）。

1.2 推荐书目

统计和几率是机器学习的基础，因此统计和几率必定要学好。

1. 推荐必读

• 统计学和机器学习结合的入门书：统计学习方法，做者李航。这本书介绍了10个机器学习领域的表明性算法，讲的很是好，书自己也就200多页，很适合入门，强烈推荐。
• 机器学习入门书：周志华老师的西瓜书[机器学习](https://github.com/allmachinelearning/MachineLearning/blob/master/books/Machine%20Learning/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0(%E5%91%A8%E5%BF%97%E5%8D%8E.pdf),语言简单易懂，一度登陆亚马逊，京东计算机类畅销书榜首，很适合入门阅读，相比于李航老师的书，这本书更片算法和应用 （李航老师的书更篇数学），先读李航老师的书，再读这本，效果更佳。

2. 机器学习理论方面：

   • 推荐 著名教材《Pattern Recognition》中文版为《模式分类》第二版，从数学的角度讲了机器学习的方方面面，很是不错。这本书好的地方是，书中全部的算法都有数学推导，讲的也很全面，做者的眼光很独到，习题和上机题也很是有挑战性；很差的地方就是，对如今流行的好比boosting和SVM等，书只是略讲了一下，可能须要额外再补充知识。不过即使如此，当我最近一个月看到这书时马上就感叹为何我当初上课的时候没有遇上这本书！

   • 权威学者Kevin P. Murphy的著做Machine Learning:A Probabilistic Perspective(MLAPP) ，很是厚，偏重数学理论，难度高，是学习机器学习理论的教材，咱们上课用书。

3. 用python进行数据处理的书：利用python进行数据分析，适合浏览，偏重工程实践，介绍经常使用的python处理数据的方法和函数等，能够看看。

4. 机器学习实战，这个和第3点说的这个书配合看，效果不错，这个书颇有针对性，每一个算法有一个实际问题，有源程序让你去写，不错。

5. 学习统计不能不说的经典的《统计学习基础》，我暂时还没看过。

6. 以及业界久负盛名的PRML（模式识别与机器学习），我这里中文英文版都有。

1.3. 工具

• 第三方库 机器学习有不少开源库能够直接拿来用，github是个不错的获取代码的网站，比较著名的有：    * libsvm，做者是林智仁，是svm的标准库。

  • scikit-learn，scikit包是python中著名的处理数据的包，其中内置了几乎全部流行的机器学习算法，配合python简洁的语法操做，使用起来很方便。
  • pandas，python的一个包，其中对表的处理比较出色，我只是试用过。
  • pylearn2,这个我没有接触过，不过在github上排名很靠前，应该不错。
  • smile，彪悍的机器学习库，用java开发，有天然语言处理方面的库。
  • oryx，处理大规模数据很彪悍。
  • mlpack,老牌可靠c++编写的机器学习库。

• 工具 python、java以及matlab三种语言是目前比较流行的机器学习方面的语言。

  • python：强在各类包，几乎无所不能，其科学计算部分（scikit）和matlab不相上下。用Flask看成web框架，几乎能够直接部署成web项目，很是方便，强烈推荐。
  • java：强在其企业级应用能力和稳定性。
  • matlab：强在其科学计算部分上。matlab我用的很少，由于目前来看，它和python的科学计算差很少。

• 网上的教程 这是在一个妹子的微信朋友圈看到的文章，很不错。

2. 数据挖掘

• 快速入门：看我去年考试写的总结数据挖掘复习整理，可快速了解数据挖掘的相关概念。这个总结去年在雁栖湖传的很火，还有妹子给我发短信感谢。。。
• 数据挖掘领域的经典著做：数据挖掘：概念与技术，做者是韩家炜，是标准的上课教材，上一部分个人总结中对应的页码就是这个书里的。

3. 人工智能

• 教材：著名的教材人工智能：一种现代方法，很厚，能够翻看。