對代碼、編程感興趣的可以關注「老K玩代碼」公眾號和我交流! 分享代碼、經驗、項目和資訊

1. 神經網絡與機器學習（原書第3版） 推薦：★★★☆ 3.5/5.0星

• 作者： [加] Simon Haykin
• 出版社： 機械工業出版社
• 定價： 79.0元

簡介:

神經網絡是計算智能和機器學習的重要分支，在諸多領域都取得了很大的成功。在眾多神經網絡著作中，影響最為廣泛的是Simon Haykin的《神經網絡原理》（第3版更名為《神經網絡與機器學習》）。在本書中，作者結合近年來神經網絡和機器學習的最新進展，從理論和實際應用出發，全面、系統地介紹了神經網絡的基本模型、方法和技術，并將神經網絡和機器學習有機地結合在一起。 本書不但注重對數學分析方法和理論的探討，而且也非常關注神經網絡在模式識別、信號處理以及控制系統等實際工程問題的應用。本書的可讀性非常強，作者舉重若輕地對神經網絡的基本模型和主要學習理論進行了深入探討和分析，通過大量的試驗報告、例題和習題來幫助讀者更好地學習神經網絡。 本版在前一版的基礎上進行了廣泛修訂，提供了神經網絡和機器學習這兩個越來越重要的學科的最新分析。 本書特色： 1. 基于隨機梯度下降的在線學習算法；小規模和大規模學習問題。 2. 核方法，包括支持向量機和表達定理。 3. 信息論學習模型，包括連接、獨立分量分析（ICA）、一致獨立分量分析和信息瓶頸。 4. 隨機動態規劃，包括逼近和神經動態規劃。 5. 逐次狀態估計算法，包括卡爾曼和粒子濾波器。 6. 利用逐次狀態估計算法訓練遞歸神經網絡。 7. 富有洞察力的面向計算機的試驗。

書評:

winter: 啃不下去啊。。對數學要求高。可是我現在已經看不懂數學了。。。以后有機會再讀吧 amkw: 這本書的譯者機翻的吧，肯定是百度翻譯 大毛光光頭: 這種書還是讀了會用比較重要。

2. 美團機器學習實踐 推薦：★★★☆ 3.5/5.0星

• 作者： 美團算法團隊
• 出版社： 人民郵電出版社
• 定價： 79.0元

簡介:

人工智能技術正以一種超快的速度深刻地改變著我們的生活，引導了第四次工業革命。美團作為國內O2O領域領 先的服務平臺，結合自身的業務場景和數據，積極進行了人工智能領域的應用探索。在美團的搜索、推薦、計算廣告、風控、圖像處理等領域，相關的人工智能技術得到廣泛的應用。本書包括通用流程、數據挖掘、搜索和推薦、計算廣告、深度學習以及算法工程6大部分內容，全面介紹了美團在多個重要方面對機器學習的應用。 本書非常適合有一定機器學習基礎的工程技術人員和在校大學生學習和閱讀。通過本書，有經驗的算法工程師可以了解美團在這方面的做法，在校大學生可以學習機器學習算法如何在具體的業務場景中落地。

書評:

看世界: 機器學習算法只是其中一個模塊，需要各個系統配合合作才能完成服務，包括用Spark/Hadoop處理數據，獲取數據，特征清洗選擇，樣本選擇，模型訓練，上線應用，特征的離線計算和在線計算，特征的上載和模型的迭代優化等。書的內容只能給兩分啊，但是美團也是個大公司。 一只黑眼睛看著大千世界: 美團O2O業務下采用機器學習方式解決搜索、推薦、廣告等問題。前幾章基礎知識，后面大部分內容其實類似于技術博客或者講座內容，比較偏重于美團自己的嘗試。 認清形勢小豹貓: 浮光掠影，對大公司機器學習技術平臺系統感興趣的可以翻一翻，不具有實操性~

3. 機器學習 推薦：★★★☆ 3.5/5.0星

• 作者： (美)Tom Mitchell
• 出版社： 機械工業出版社
• 定價： 35.0元

簡介:

《機器學習》展示了機器學習中核心的算法和理論，并闡明了算法的運行過程。《機器學習》綜合了許多的研究成果，例如統計學、人工智能、哲學、信息論、生物學、認知科學、計算復雜性和控制論等，并以此來理解問題的背景、算法和其中的隱含假定。《機器學習》可作為計算機專業 本科生、研究生教材，也可作為相關領域研究人員、教師的參考書。

書評:

一瓢之飲: 不知道是我學藝不精基礎太差還是什么問題，盡管很多人說這本書基礎，但我看起來也不是那么好懂嘛。反正工程實例很少，理論非常多，像一篇一篇論文拼出來的。 大句哥哥: 看了2/3.近期不想再翻了.內容確實有點舊 forgetthisuser: 大概看了一遍……轉而投向《模式分類》了……

4. 機器學習實戰：基于Scikit-Learn和TensorFlow 推薦：★★★★ 4.0/5.0星

• 作者： Aurélien Géron
• 出版社： 機械工業出版社
• 定價： 119.0元

簡介:

本書主要分為兩個部分。第一部分為第1章到第8章，涵蓋機器學習的基礎理論知識和基本算法——從線性回歸到隨機森林等，幫助讀者掌握Scikit-Learn的常用方法；第二部分為第9章到第16章，探討深度學習和常用框架TensorFlow，一步一個腳印地帶領讀者使用TensorFlow搭建和訓練深度神經網絡，以及卷積神經網絡。

書評:

joheay: WOC，中文版缺代碼，執行出來結果和書上都不一樣，而且深度學習部分的翻譯也很差勁，建議直接參看長評“川上月的github” everfight: sklearn比TensorFlow講的清楚。也不知道是不是翻譯的問題，感覺有種草草收尾的感覺。 多看書少逼逼: 在熟pandas/numpy/Python的前提下，還需要配合專門講算法的書才能看的下去看得懂吧

5. 分布式機器學習：算法、理論與實踐 推薦：★★★★ 4.0/5.0星

• 作者： 劉鐵巖
• 出版社： 機械工業出版社
• 定價： 89.0元

簡介:

人工智能和大數據時代，解決最有挑戰性問題的主流方案是分布式機器學習！本書旨在全面介紹分布式機器學習的現狀，深入分析其中的核心技術問題，并且討論該領域未來的發展方向。 由微軟亞洲研究院機器學習核心團隊潛心力作！鄂維南院士、周志華教授傾心撰寫推薦序！ 本書旨在全面介紹分布式機器學習的現狀，深入分析其中的核心技術問題，并且討論該領域未來的發展方向。 全書共12章。第1章是緒論，向大家展示分布式機器學習這個領域的全景。第2章介紹機器學習的基礎知識。第3章到第8章是本書的核心部分，向大家細致地講解分布式機器學習的框架及其各個功能模塊。其中第3章給出整個分布式機器學習框架的綜述，而第4章到第8章則分別針對其中的數據與模型劃分模塊、單機優化模塊、通信模塊、數據與模型聚合模塊加以介紹。接下來的三章是對前面內容的總結與升華。其中第9章介紹由分布式機器學習框架中不同選項所組合出來的各式各樣的分布式機器學習算法，第10章討論這些算法的理論性質，第11章則介紹幾個主流的分布式機器學習系統（包括Spark MLlib 迭代式MapReduce系統，Multiverso參數服務器系統，TensorFlow數據流系統）。最后的第12章是全書的結語，在對全書內容進行簡要總結之后，著重討論分布式機器學習這個領域未來的發展方向。 本書基于微軟亞洲研究院機器學習研究團隊多年的研究成果和實踐經驗寫成，既可以作為研究生從事分布式機器學習方向研究的參考文獻，也可以作為人工智能從業者進行算法選擇和系統設計的工具書。 人工智能大潮中，市場上已有許多機器學習書籍，但是分布式機器學習的專門書籍還很少見。本書是希望學習和了解分布式機器學習的讀者的福音。

書評:

tati: #畢業論文#.把分布式機器學習的基礎講得非常清楚，大概看過之后就可以直接開始讀論文了。但是之后還是要按需回顧打好基礎。 damonhao: 很好的給了視野，要細節可去讀書中引用的論文 Lillian: 我看得懂的部分都寫得很好。。

6. 機器學習算法的數學解析與Python實現 推薦：★★★★ 4.0/5.0星

• 作者： 莫凡
• 出版社： 機械工業出版社
• 定價： 89.0元

簡介:

本書以機器學習的算法為主線，深入剖析算法的概念和數學原理，以通俗形象的語言進行講解，讓讀者無須了解太多前置數學知識，就能看懂數學公式所表達的意思，從而快速掌握機器學習的思想和原理。本書首先介紹機器學習基本概念及工具，然后從概念、原理、Python實現、應用場景幾個方面，詳細剖析機器學習中主要的算法，如線性回歸算法、Logistic回歸算法、KNN算法、樸素貝葉斯算法、決策樹算法、支持向量機算法、K-means聚類算法、神經網絡、集成學習方法等。

書評:

趙不哭: 很不錯，讓人在疲憊的工作之余還能學的下去。作者的觀點是學習機器學習要先找準動機，根據動機對癥下藥，書中都有詳細的介紹。 Enterprize: 很簡單，可作為入門讀物來看，書一共200頁，把多余的話刪掉估計也就剩150頁，總共代碼加起來也就2、3頁紙。 [已注銷]: 這本書不算厚，但內容非常全面，涉及了大量的算法和解決方案，可以說是短小精悍，編排精到，讀完了讓人意猶未盡。

7. 百面機器學習 推薦：★★★★ 4.0/5.0星

• 作者： 諸葛越
• 出版社： 人民郵電出版社
• 定價： 89.0元

簡介:

人工智能領域正在以超乎人們想象的速度發展，本書趕在人工智能徹底占領世界之前完成編寫，實屬萬幸。 書中收錄了超過100道機器學習算法工程師的面試題目和解答，其中大部分源于Hulu算法研究崗位的真實場景。本書從日常工作、生活中各種有趣的現象出發，不僅囊括了機器學習的基本知識 ，而且還包含了成為出眾算法工程師的相關技能，更重要的是凝聚了筆者對人工智能領域的一顆熱忱之心，旨在培養讀者發現問題、解決問題、擴展問題的能力，建立對機器學習的熱愛，共繪人工智能世界的宏偉藍圖。 “不積跬步，無以至千里”，本書將從特征工程、模型評估、降維等經典機器學習領域出發，構建一個算法工程師必-備的知識體系；見神經網絡、強化學習、生成對抗網絡等新科研進展之微，知深度學習領域勝敗興衰之著；“博觀而約取，厚積而薄發”，在末一章為讀者展示生活中各種引領時代的人工智能應用。

書評:

頹廢線的顫動: 最初看到這樣的書名是嗤之以鼻的，覺得這樣針對面試的書無非就是技術類的成功學書籍，靠走捷徑投機取巧。后來在朋友的推薦下認真地讀了讀，發現還是有不少干貨的，作為一本查漏補缺型的書，有的地方比一些針對初學者的書講得還詳細，算是不錯了。而且在機器學習這樣一個熱門領域，像這樣內容和宣傳面向的人群比較吻合的書也算比較難得了，不像有的書拗口得很卻標榜“入門”或者只是走馬觀花卻標榜“深入”。 S.: 又是hulu公司工程師的作品，不過這個比《推薦系統實踐》更好，技術類書能寫成這樣很不錯了，比起復制粘貼博客、代碼大部分騙錢的好多了 陽光啦啦啦3: ·是我喜歡的問答形式。.·有公式的地方都講得不好，公式突然出現，沒有說清楚。別的都還好。.啊！finally

8. 機器學習 推薦：★★★★ 4.0/5.0星

• 作者： 周志華
• 出版社： 清華大學出版社
• 定價： 88.0元

簡介:

機器學習是計算機科學與人工智能的重要分支領域. 本書作為該領域的入門教材，在內容上盡可能涵蓋機器學習基礎知識的各方面。 為了使盡可能多的讀者通過本書對機器學習有所了解, 作者試圖盡可能少地使用數學知識. 然而, 少量的概率、統計、代數、優化、邏輯知識似乎不可避免. 因此, 本書更適合大學三年級以上的理工科本科生和研究生, 以及具有類似背景的對機器學 習感興趣的人士. 為方便讀者, 本書附錄給出了一些相關數學基礎知識簡介. 全書共16 章，大致分為3 個部分：第1 部分（第1～3 章）介紹機器學習的基礎知識；第2 部分（第4～10 章）討論一些經典而常用的機器學習方法（決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；第3 部分（第11～16 章）為進階知識，內容涉及特征選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等.前3章之外的后續各章均相對獨立, 讀者可根據自己的興趣和時間情況選擇使用. 根據課時情況, 一個學期的本科生課程可考慮講授前9章或前10章; 研究生課程則不妨使用全書. 書中除第1章外, 每章都給出了十道習題. 有的習題是幫助讀者鞏固本章學習, 有的是為了引導讀者擴展相關知識. 一學期的一般課程可使用這些習題, 再輔以兩到三個針對具體數據集的大作業. 帶星號的習題則有相當難度, 有些并無現成答案, 謹供富有進取心的讀者啟發思考. 本書可作為高等院校計算機、自動化及相關專業的本科生或研究生教材，也可供對機器學習感興趣的研究人員和工程技術人員閱讀參考。

書評:

親愛的猥瑣豬: 作者前言及糾錯信箱：http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm.。可見這本書出發點就是“啟蒙”，非常樸實。倒不存在和另一些書去爭高下，各有特長。機器學習和很多相關領域一樣，不是公式堆砌，也不是故作高深，相反，用大白話講到盡可能多的人懂，就是好的。可以看到，很多方法除開優雅的推演，直覺上也是合理且美的。重要的....作者前言及糾錯信箱：http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm.。可見這本書出發點就是“啟蒙”，非常樸實。倒不存在和另一些書去爭高下，各有特長。機器學習和很多相關領域一樣，不是公式堆砌，也不是故作高深，相反，用大白話講到盡可能多的人懂，就是好的。可以看到，很多方法除開優雅的推演，直覺上也是合理且美的。重要的是把握一個方法的思考脈絡。當然，真正的學術派（論文狗）會在某些章節某些細節里會心一笑：無論自己投稿，還是審別人稿，常遇到的一些疑難被提到了，不免汗顏，不免親切。最后，推薦主頁上另一本Ensemble.Methods，概括性不錯。.(展開) olostin: 第四次讀三天草草翻完，變成ppt講義很方便。20180504。第一次讀得艱難，第二次讀得興奮，第三次讀得輕松。現在這本書的最大價值是每一章的參考文獻。周志華老師是用心人。 風的尾巴: 買了本來提升逼格，結果只能看懂科普部分，我這學渣。