想学习机器学习吗?从这10本书开始。
> Top 10 Books on Machine Learning For Absolute Beginners, Beginners and Experts
什么是机器学习?维基百科-机器学习(ML)是对计算机算法的研究，这些算法会根据经验自动提高。它被视为人工智能的子集。机器学习算法基于样本数据(称为"训练数据")构建模型，以便做出预测或决策而无需明确地编程。机器学习算法用于各种应用程序，例如电子邮件过滤和计算机视觉，在这些应用程序中，很难或不可行地开发常规算法来执行所需的任务。
机器学习的十大应用：
- 图像识别
- 语音识别
- 产品推荐
- 自动驾驶汽车
- 电子邮件垃圾邮件和恶意软件过滤
- 虚拟个人助理
- 在线欺诈检测
- 自动语言翻译
- 医学诊断
- 产品推荐
这是有关机器学习的十大最佳书籍。
1. 绝对初学者的机器学习：简单的英语介绍
> Machine Learning For Absolute Beginners: A Plain English Introduction
作者— Oliver Theobald
页数— 162
面向 —绝对初学者
说明-本书用英文解释写，没有编码经验。Oliver Theobald引入了核心算法，并给出了清晰的解释，并添加了直观的示例，以使其易于在家进行学习。
本书逐步指导您，您将学习：
- 如何下载免费数据集
- 您需要什么工具和机器学习库
- 数据清理技术，包括一键编码，合并和处理丢失的数据
- 准备分析数据，包括k倍验证
- 回归分析以创建趋势线
- 聚类，包括k-Means聚类以查找新关系
- 神经网络的基础
- 偏差/方差可改善您的机器学习模型
- 决策树解码分类
- 如何使用Python构建第一个机器学习模型以预测房屋价值
2. 百页机器学习书
> The Hundred-Page Machine Learning Book
作者-Peter Norvig，Google研究总监，AIMA的合著者。AurélienGéron，高级AI工程师，畅销书Scikit-Learn和TensorFlow的动手机器学习的作者。亚马逊数据科学主管Karolis Urbonas。eBay工程主管Sujeet Varakhedi。
页数— 160
面向 —初学者
描述—有监督和无监督学习，支持向量机，神经网络，集成方法，梯度下降，聚类分析和降维，自动编码器和传递学习，特征工程以及超参数调整!数学，直觉，插图全部一百页!
3. 傻瓜的机器学习(在Python和R中)
> Machine Learning (In Python And R) For Dummies
作者—约翰·穆勒(John Mueller)是自由作家和技术编辑。
页数— 399
面向 —初学者
说明-本书是快速入门的简便方法。它说明了入门方法，提供了有关基础算法的工作方式的详细讨论，使用诸如Python和R之类的语言使机器学习成为可能，并指定了如何使用通用算法进行实际操作，等等!
书内：
- 有关AI的真实故事
- R和Python编码
- 统计的作用
- 管理大数据
- 揭开数学的神秘面纱
- 使用线性模型
- 神经网络的作用
- 如何处理图像
- 您可以使用更多工具
4. 面向黑客的机器学习：案例研究和算法入门
> Machine Learning For Hackers: Case Studies And Algorithms To Get You Started
作者—作者Drew Conway和John Myles
页数— 340
面向 —初学者
说明-如果您是一位经验丰富的程序员，对数据处理感兴趣，那么本书将帮助您开始使用一种算法的机器学习工具包，该工具包使计算机能够训练自己以自动执行有用的任务。Drew Conway和John Myles White的作者通过一系列动手案例研究帮助您了解机器学习和统计工具，而不是传统的繁琐的演讲。
每章重点介绍机器学习中的特定问题，例如分类，预测，优化和推荐。使用R编程语言，您将学习如何分析样本数据集并编写简单的机器学习算法。黑客的机器学习非常适合来自任何背景的程序员，包括商业，政府和学术研究。
借助本书，您将：
- 开发一个朴素的贝叶斯分类器，仅根据其文本确定电子邮件是否为垃圾邮件。
- 使用线性回归预测前1,000个网站的网页浏览量。
- 学习优化通过尝试打破简单的字母密码来实现这些技术。
- 根据参议员的投票记录，对他们进行统计比较和对比。
5. 机器学习
> Machine Learning
作者—汤姆·米切尔(Tom M. Mitchell)
页数432
面向 —初学者
说明-这本教科书提供了单一来源的机器学习主要方法的介绍。它适用于高级本科生和研究生，以及该领域的开发人员和研究人员。假定没有人工智能或统计学的现有背景。书中讨论的几种关键算法，日期集示例和面向项目的作业分配可通过万维网访问。
特色：
- 本书以统一的方式涵盖了各个领域的概念和技术
- 涵盖了遗传算法，强化学习和归纳逻辑—编程等最新主题。
- 写作风格清晰，说明性和精确。
6. 使用Scikit-Learn，Keras和Tensor Flow进行动手机器学习：概念，工具和技术
> Hands-On Machine Learning With Scikit-Learn, Keras And Tensor Flow: Concepts, Tools And Techniques
作者— Aurelian Geron是一名机器学习顾问和培训师。
页数— 848
面向 —全部
说明-您将学习各种技术，从简单的线性回归开始，一直到深入的神经网络。每章都有练习，可以帮助您应用所学的知识，因此，您所需要的只是编程经验。
借助本书，您将：
- 探索机器学习的前景，尤其是神经网络
- 使用Scikit-Learn端对端跟踪示例机器学习项目
- 探索几种训练模型，包括支持向量机，决策树，随机森林和集成方法
- 使用TensorFlow库构建和训练神经网络
- 深入研究神经网络体系结构，包括卷积网络，递归网络和深度强化学习
- 学习用于训练和扩展深度神经网络的技术
7. 使用Python进行深度学习
> Deep Learning With Python
作者—FrançoisChollet，谷歌AI研究人员和Keras创作者。
页数— 384
面向 —全部
说明-它介绍了使用Python语言和强大的Keras库进行深度学习的领域。本书由Keras创作者和Google AI研究人员FrançoisChollet撰写，本书通过直观的解释和实际示例来加深您的理解。
目录：
- 第1部分-深度学习基础
- 什么是深度学习?
- 在我们开始之前：神经网络的数学基础
- 神经网络入门
- 机器学习基础
- 第2部分-深度学习实践
- 用于计算机视觉的深度学习
- 文本和序列的深度学习
- 先进的深度学习最佳实践
- 生成式深度学习
- 结论
- 附录A —在Ubuntu上安装Keras及其依赖项
- 附录B —在EC2 GPU实例上运行Jupyter笔记本
从亚马逊购买。
8. 深度学习(自适应计算和机器学习系列)
> Deep Learning (Adaptive Computation And Machine Learning Series)
作者-Ian Goodfellow是Google的研究科学家(对抗生成网络GAN的发明者)。Yoshua Bengio是蒙特利尔大学计算机科学教授(图灵奖得主)。Aaron Courville是蒙特利尔大学计算机科学的助理教授。
页数— 800
面向 —初学者/中级
说明-本书介绍了深度学习的广泛主题，涵盖数学和概念背景，行业中使用的深度学习技术以及研究观点。
特斯拉和SpaceX首席执行官埃隆·马斯克(Elon Musk)的评论："深度学习由该领域的三位专家撰写，是有关该主题的唯一一本全面的书。"
9. 模式识别与机器学习(信息科学与统计)
> Pattern Recognition And Machine Learning (Information Science And Statistics)
作者—克里斯·毕晓普(Chris Bishop)是微软研究院剑桥的一位杰出科学家和实验室主任。
页数— 738
面向 —中级/专家
说明-这是第一本介绍贝叶斯观点的模式识别教科书。本书介绍了近似推理算法，可以在无法给出精确答案的情况下提供快速近似答案。当没有其他书籍将图形模型应用于机器学习时，它使用图形模型来描述概率分布。不会假设以前有任何模式识别或机器学习概念的知识。需要熟悉多元演算和基本线性代数，并且使用概率的一些经验会有所帮助，尽管不是必不可少的，因为这本书包括对基本概率论的独立介绍。
10. 统计学习的要素：数据挖掘，推理和预测，第二版
> The Elements Of Statistical Learning: Data Mining, Inference, And Prediction, Second Edition
作者-Trevor Hastie，Robert Tibshirani和Jerome Friedman是斯坦福大学的统计学教授。
页数— 745
面向 —中级/专家
说明-本书在一个通用的概念框架中描述了各个领域的重要思想，例如医学，生物学，金融和市场营销。尽管该方法是统计方法，但重点是概念而不是数学。大量使用彩色图形给出了示例。对于统计学家和对科学或工业中的数据挖掘感兴趣的任何人来说，它都是宝贵的资源。本书涵盖范围广泛，从监督学习(预测)到无监督学习。许多主题包括神经网络，支持向量机，分类树和boosting-这是任何书籍中对该主题的第一个全面处理。
原文链接：
https://medium.com/datadriveninvestor/top-10-books-on-machine-learning-for-absolute-beginners-beginners-and-experts-88cfcb94ccce)
