“機器學習：計算機無需專門編程即可從經驗中學習。”
最近這十年以來，人工智能和機器學習已經獲得了廣泛的關注，每個人都希望成為這一變化的一部分。企業希望掌握該技術的優勢，而專業人士則對機器學習的強大能力著迷，并渴望提高自己的技能。
無論如何，始終都需要一個起點，選擇一本好書，仔細地閱讀，可以從中學到關于人工智能相關技術。無論你的技能是什么，你總能找到適合的書籍，無論是技術愛好者還是菜鳥。因此，推薦12本在2020年，最值得深入閱讀的人工智能專業書籍，其中很多書籍在我們的公眾號“深度學習與NLP”中都有免費pdf下載。
在本文中，將簡要介紹一些最佳書籍，這些書籍可以幫助你了解機器學習的概念，并指導你成為該領域內的專家。此外，只要你熟悉編程語言的基礎知識，這些書就可以為你帶來很多啟發和靈感，包括創意和創新。
1. machine Learning for Absolute Beginners: A Plain English Introduction
作者：Oliver Theobald
難度等級：初學者
如標題所述，如果你是Machine Learning的初學者，那么這本書應該是你的切入點。需要很少或幾乎沒有編碼 或數學背景，在這本書已經全部概念解釋的很清楚。
實例后面是視覺效果，以友善的方式介紹主題，以了解ML的重要性。
Oliver Theobald在他的書中簡化了與ML相關的幾個復雜主題，例如其基礎知識，以及其他技術，例如數據清理，回歸分析，聚類，偏差，人工神經網絡等。該書還提供了進一步學習的其他資源。
2. Deep Learning
作者：Ian Goodfellow，Yoshua Bengio和Aaron Courville
難度等級：初學者
pdf中、英文版免費下載地址：個人主頁點擊“私信”，回復關鍵字“dlnew20”獲取下載地址。
中文版購買鏈接：
深度學習 中文版￥127.68
購買
作為一本非常適合初學者的書，它向你介紹了有關深度學習的廣泛主題，同時還涵蓋了機器學習的相關方面。
本書從頭開始全面解釋了DL的基本概念，以在該領域中扎實基礎。這本書解釋了線性代數，概率和信息論，數值計算，行業標準技術（例如優化算法，卷積網絡，計算機視覺）以及研究主題（例如蒙特卡洛方法，分區函數）的相關概念。捆綁了足夠的補充材料，以進行更深入的了解。
3. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (First/Second Edition)
作者：Aurelien Geron
難度等級：初學者
中文版、英文版pdf免費下載地址：個人主頁點擊“私信”，回復關鍵字“hd2020”獲取下載地址。
中文版購買鏈接：
機器學習實戰￥95.2
購買
對于打算從機器學習或該領域的愛好者開始的任何人來說，這無疑是最暢銷的書之一。要求具備Python編程語言的先驗知識，它解釋了一些用于構建智能系統的ML庫Scikit-Learn，Keras和TensorFlow 2。
直觀解釋的概念和易于實現的示例可實現更流暢的實際實現和理解。涉及主題包括支持向量機，隨機森林，神經網絡，深度強化學習，急切執行，時間序列處理等。本書包含一些庫和相關API的更新代碼示例。
補充：你還可以在GitHub上（
https://github.com/goodfeli/dlbook_exercises）找到包含幻燈片（
http://www.deeplearningbook.org/lecture_slides.html）和練習 （
http://www.deeplearningbook.org/exercises.html）的講座。
4. Machine Learning (in Python and R) For Dummies
作者：John Paul Mueller和Luca Massaron
難度等級：初學者
中文版購買鏈接：
機器學習之路￥52.54
購買
著名的“傻瓜”系列中的所有書籍都非常適合新手使用。像本系列叢書中的其他書籍一樣，本書的概念布局也使讀者容易理解。
本書包括ML入門概念和理論，以及所涉及的工具和編程語言。本書涵蓋的主題從在windows，linux和macOS上安裝R開始，然后是Matrix Creation，使用Vectors和Data Frames，使用RStudio或Anaconda使用R或Python進行編碼。它是有關數據挖掘和分析的基本概念的便捷指南。
“作為一種學習，它類似于人類用來確定某些對象或事件來自同一類的方法，例如通過觀察對象之間的相似度。” ― 約翰·保羅·穆勒
5. Machine Learning in Action
作者：彼得·哈靈頓
難度等級：初學者
中文版購買鏈接：
工業機器學習算法￥51.8
購買
一本有價值的書，旨在為開發人員提供機器學習所需技術的動手經驗。這是一本同樣重要的書，盡管需要具有Python的先驗經驗，但熟悉ML相關的Python代碼。
本書包含用于統計數據處理，數據分析和數據可視化的各種算法的代碼，以及諸如分類，預測，建議，簡化等任務。用最少的理論，這本書直接介紹了這些算法的實際實現。
6. Pattern Recognition and Machine Learning（PRML）
作者：Christopher M. Bishop
難度等級：中級
Github倉庫： —
https://github.com/ctgk/PRML
pdf中文、英文版免費下載地址：個人主頁點擊“私信”，回復關鍵字“20prml”獲取下載地址。
本書面向具有模式識別和機器學習基礎知識的人，假定讀者具有一定程度的多元微積分和代數知識。
本書中的概念旨在解釋ML領域中基礎算法和技術的最新發展。本書涵蓋了廣泛使用的主題，例如貝葉斯方法，回歸，分類，神經網絡，圖形模型，采樣方法等，非常適合理解ML，統計，計算機視覺和挖掘。這本書完全堆砌在一起，包括各種練習和其他材料。
7. An Introduction to Statistical Learning (with Applications in R)
作者：Gareth James，Daniela Witten，Trevor Hastie和Robert Tibshirani
難度等級：中級
盡管需要一些線性回歸的先驗知識，但這本書還是理解統計學習概念的絕佳工具。通過提供有關如何利用大型和復雜數據集的平衡見解，其目的是教育廣泛的統計學家和非統計學家，并使他們能夠理解手中的數據。
它涵蓋了統計學習的幾個重要概念，例如線性回歸，分類，基于樹的模型，支持向量機，重采樣方法等。各種示例和教程使學習過程更加愉快，并且其中包括多個R labs，以演示這些統計方法的實現。
8. Applied Predictive Modeling
作者：Max Kuhn和Kjell Johnson
難度等級：中級
作為許多預測建模概念的出色參考書，這本書需要對統計，R編程語言和機器學習概念有深入的了解。作者專注于解釋數據收集，操縱和轉換過程，因為這在ML書籍中經常被忽略。
本書的應用性質使其成為分析行業面臨的實際問題的絕佳選擇。讀者可以深入研究數據的預處理，拆分和模型調整，然后進行回歸，分類，處理類不平衡，選擇預測變量。
9. Machine Learning for Hackers: Case Studies and Algorithms to Get You Started
作者：Drew Conway和John Myles
難度等級：中級
就像標題所說的那樣，本書不適合黑客使用，而是適合那些對動手案例研究感興趣的人。本書要求有很強的編程背景，旨在通過驅動機器學習的算法來訓練你。各個章節集中討論了ML中的每個問題，例如分類，優化，預測和建議。
這本書還訓練你使用R語言，以及如何分析數據集并開始編寫簡單的ML算法。它與其他書籍不同的一個重要差異是對數學的依賴低。
10. Programming Collective Intelligence: Building Smart Web 2.0 Applications
作者：Toby Segaran
難度等級：中級
假設你知道Python，這本書被許多人認為是機器學習的最佳指南，它更愿意教你ML的實現。它包括創建用于訪問網站上的數據集的算法和程序，自行收集數據以及分析和利用數據的步驟。
本書將向你介紹ML和統計信息，其中包括爬蟲，索引器，優化，PageRank算法，過濾技術，決策樹的示例。本書旨在按照你的步調逐步指導你完成算法的整個過程，因此出色地完成了其工作。
11. The Elements of Statistical Learning: Data Mining, Inference, and Prediction
作者：Trevor Hastie，Robert Tibshirani和Jerome Friedman
難度等級：專家
本書側重于概念，而不是概念背后的數學。它收集了有關在多個部門實施統計學習的大量想法。充斥著相關的示例和可視化內容，它應該是任何統計學家或數據挖掘愛好者的圖書館中必不可少的部分。
本書涵蓋有監督和無監督的學習，包括支持向量機，分類樹，神經網絡，Boosting，集成方法，圖形模型，光譜聚類，最小角度回歸和路徑算法等主題。
12. Python Machine Learning
作者：塞巴斯蒂安·拉施卡（Sebastian Raschka）和瓦希德·米哈利利（Vahid Mirjalili）
難度等級：專家
假設你已經對Python和機器學習的許多核心概念有深入的了解，那么本書將直接介紹這些概念的實際實現。本書中的概念包括有關NumPy，Scikit學習，TensorFlow2和SciPy的最新解釋。這本書通過向你介紹行業中面臨的現實挑戰，為你準備應對現實挑戰。它包括各種主題，例如降維，集成學習，回歸和聚類分析，神經網絡等。
最終，分類器的性能，計算能力以及預測能力在很大程度上取決于可用于學習的基礎數據。訓練機器學習算法涉及的五個主要步驟可以概括如下：特征選擇。選擇性能指標。選擇分類器和優化算法。評估模型的性能。調整算法。” ― Sebastian Raschka，Python機器學習
結論
在這些瞬息萬變的時代，緊跟這些進步并不斷提高自己的技能是必須的。關于機器學習和相關技術，有數百本書，指南和其他在線資源可用。機器學習起初可能會令人吃驚，這就是為什么我們在本文中概述了十本最受歡迎的書，希望其中一些能夠引起你的興趣。
往期精品內容推薦：個人主頁點擊“私信”，回復關鍵字“his”獲取文章內容。
NLP必讀圣經《自然語言處理綜述》2020最新版免費分享
DeepMind20年DL課程（帶字幕）-CNN與圖像識別
神經網絡視頻/圖像渲染相關經典論文、項目、數據集等資源整理分享
文本分類智能標注與海量復雜文本分類——EasyDL產業應用系列·信息智能處理NLP公開課實錄
-2020年NLP所有領域最新、經典、頂會、必讀論文整理分享
加州理工《數據驅動算法設計》課程(2020)視頻及ppt分享
伯克利-《神經技術導論課程2020（帶字幕）》課程視頻及ppt分享
斯坦福大學《分布式算法與優化》課程(2020)視頻及ppt免費分享
2020年免費新書-《自然語言處理中詞向量表示算法概述》分享
短小精悍-機器學習核心概念、模型、基礎知識點簡明手冊-免費分享
李宏毅-深度學習(2020)-2-DL與人類語音處理技術概述
DeepMind 2020年新課-《強化學習進階課程》視頻分享
NLP、CV、語音相關AI算法工程師面試問題、代碼、簡歷模板、知識點等資源整理分享
學術論文寫作精典-《如何撰寫優秀科研論文》書籍分享
多任務學習(Multitask-Learning)相關資料、經典論文、開源代碼整理分享
