AI大牛压箱底的14本2018年进阶书（附PDF链接）
作者 | 王天一出处 | 极客时间专栏《人工智能基础课》编辑 | Emily 作者简介
王天一，北京邮电大学工学博士，贵州大学大数据与信息工程学院副教授，贵州省3D数字医疗学会会员。在读期间主要研究方向为连续变量量子通信理论与系统，主持并参与多项国家级/省部级科研项目，以第一作者身份发表SCI论文5篇。
目前主要研究方向为大数据与人工智能，研究内容包括以物联网为基础的大数据应用及神经网络与机器学习。除技术领域外，对人工智能的发展方向与未来趋势亦有深入思考，著有《人工智能革命》一书。
机器学习篇
在机器学习上，首先要推荐的是两部国内作者的著作：李航博士所著的《统计学习方法》和周志华教授的《机器学习》。
《统计学习方法》采用“总-分-总”的结构，在梳理了统计学习的基本概念后，系统而全面地介绍了统计学习中的10种主要方法，最后对这些算法做了总结与比较。这本书以数学公式为主，介绍每种方法时都给出了详尽的数学推导，几乎不含任何废话，因而对读者的数学背景也提出了较高的要求。
相比之下，《机器学习》覆盖的范围更广，具有更强的导论性质，有助于了解机器学习的全景。书中涵盖了机器学习中几乎所有算法类别的基本思想、适用范围、优缺点与主要实现方式，并穿插了大量通俗易懂的实例。
如果说《统计学习方法》胜在深度，那么《机器学习》就胜在广度。在具备广度的前提下，可以根据《机器学习》中提供的丰富参考文献继续深挖。
读完以上两本书，就可以阅读一些经典著作了。经典著作首推Tom Mitchell所著的Machine Learning，中译本名为《机器学习》。本书成书于1997年，虽然难以覆盖机器学习中的最新进展，但对于基本理论和核心算法的论述依然鞭辟入里，毕竟经典理论经得起时间的考验。这本书的侧重点也在于广度，并不涉及大量复杂的数学推导，是比较理想的入门书籍。作者曾在自己的主页上说本书要出新版，并补充了一些章节的内容，也许近两年可以期待新版本的出现。
另一本经典著作是Trevor Hastie等人所著的Elements of Statistical Learning，于2016年出版了第二版。这本书没有中译，只有影印本。高手的书都不会用大量复杂的数学公式来吓唬人（专于算法推导的书除外），这一本也不例外。它强调的是各种学习方法的内涵和外延，相比于具体的推演，通过方法的来龙去脉来理解其应用场景和发展方向恐怕更加重要。
压轴登场的非Christopher Bishop所著的Pattern Recognition and Machine Learning莫属了。本书出版于2007年，没有中译本，也许原因在于将这样一本煌煌巨著翻译出来不知要花费多少挑灯夜战的夜晚。这本书的特点在于将机器学习看成一个整体，不管于基于频率的方法还是贝叶斯方法，不管是回归模型还是分类模型，都只是一个问题的不同侧面。作者能够开启上帝视角，将机器学习的林林总总都纳入一张巨网之中，遗憾的是，大多数读者跟不上他高屋建瓴的思路（也包括我自己）。
最后推荐的是David J C MacKay所著的Information Theory, Inference and Learning Algorithms，成书于2003年，中译本名为《信息论，推理与学习算法》。本书作者是一位全才型的科学家，这本书也并非机器学习的专著，而是将多个相关学科熔于一炉，内容涉猎相当广泛。相比于前面板着脸的教科书，阅读本书的感觉就像在和作者聊天，他会在谈笑间抛出各种各样的问题让你思考。广泛的主题使本书的阅读体验并不轻松，但可以作为扩展视野的一个调节。
数学篇
1、线性代数
推荐两本国外的教材。其一是Gilbert Strang所著的Introduction to Linear Algebra，英文版在2016年出到第五版，暂无中译本。这本通过直观形象的概念性解释阐述抽象的基本概念，同时辅以大量线性代数在各领域内的实际应用，对学习者非常友好。作者在麻省理工学院的OCW上开设了相应的视频课程，还配有习题解答、模拟试题等一系列电子资源。
其二是David C Lay所著的Linear Algebra and its Applications，英文版在2015年同样出到第五版，中译本名为《线性代数及其应用》，对应原书第四版。这本书通过向量和线性方程组这些基本概念深入浅出地介绍线代中的基本概念，着重公式背后的代数意义和几何意义，同样配有大量应用实例，对理解基本概念帮助很大。
2、概率论
基础读物可以选择Sheldon M Ross所著的A First Course in Probability，英文版在2013年出到第九版（18年马上要出第十版），中译本名为《概率论基础教程》，对应原书第九版，也有英文影印本。这本书抛开测度，从中心极限定理的角度讨论概率问题，对概念的解释更加通俗，书中还包含海量紧密联系生活的应用实例与例题习题。
另一本艰深的读物是Edwin Thompson Jaynes所著的Probability Theory: The Logic of Science，本书暂无中译本，影印本名为《概率论沉思录》也已绝版。这本书是作者的遗著，花费半个世纪的时间完成，从名字就可以看出是一部神书。作者从逻辑的角度探讨了基于频率的概率，贝叶斯概率和统计推断，将概率论这门偏经验的学科纳入数理逻辑的框架之下。如果读这本书，千万要做好烧脑的准备。
3、数理统计
基础读物可以选择陈希孺院士所著的《数理统计学教程》。关于统计学是不是科学的问题依然莫衷一是，但它在机器学习中的重要作用毋庸置疑。陈老的书重在论述统计的概念和思想，力图传授利用统计观点去观察和分析事物的能力，这是非常难能可贵的。
进阶阅读可以选择Roger Casella所著的Statistical Inference，由于作者已于2012年辞世，2001年的第二版便成为绝唱。中译本名为《统计推断》，亦有影印本。本书包含部分概率论的内容，循循善诱地介绍了统计推断、参数估计、方差回归等统计学中的基本问题。
4、最优化理论
可以参考Stephen Boyd所著的Convex Optimization，中译本名为《凸优化》。这本书虽然块头吓人，但可读性并不差，主要针对实际应用而非理论证明，很多机器学习中广泛使用的方法都能在这里找到源头。
5、信息论
推荐Thomas Cover和Jay A Thomas合著的Elements of Information Theory，2006年出到第二版，中译本为《信息论基础》。这本书兼顾广度和深度，虽然不是大部头却干货满满，讲清了信息论中各个基本概念的物理内涵，但要顺畅阅读需要一定的数学基础。另外，本书偏重于信息论在通信中的应用。
PDF链接：
机器学习篇：
Machine Learning
http://www.cs.ubbcluj.ro/~gabis/ml/ml-books/McGrawHill%20-%20Machine%20Learning%20-Tom%20Mitchell.pdf
Elements of Statistical Learning
https://web.stanford.edu/~hastie/Papers/ESLII.pdf
Pattern Recognition and Machine Learning
http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf
Information Theory, Inference and Learning Algorithms
http://www.inference.org.uk/itprnn/book.pdf
数学篇：
Introduction to Linear Algebra
https://math.mit.edu/~gs/linearalgebra/linearalgebra5_Preface.pdf
Linear Algebra and its Applications
http://www.zuj.edu.jo/download/linear-algebra-and-its-applications-david-c-lay-pdf/
A First Course in Probability（8th edition）
http://julio.staff.ipb.ac.id/files/2015/02/Ross_8th_ed_English.pdf
Probability Theory: The Logic of Science
http://www.med.mcgill.ca/epidemiology/hanley/bios601/GaussianModel/JaynesProbabilityTheory.pdf
Statistical Inference
https://fsalamri.files.wordpress.com/2015/02/casella_berger_statistical_inference1.pdf
Convex Optimization
https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf
Elements of Information Theory
http://www.cs-114.org/wp-content/uploads/2015/01/Elements_of_Information_Theory_Elements.pdf
这么干的内容，出自极客时间专栏《人工智能基础课》
《人工智能基础课》专栏目录
AI大牛压箱底的14本2018年进阶书（附PDF链接）相关推荐
- 从零到一 | 14本书人工智能入门必备书单（附PDF链接）
来源:AI前线 本文共2000字,建议阅读7分钟. 本文为想要入门机器学习以及夯实数学基础的学习者提供了学习书单. 一.机器学习篇 在机器学习上,首先要推荐的是两部国内作者的著作: 李航博士所著的&l ...
- 又一AI大牛重返学界！ 原京东高级副总裁周伯文受聘为清华电子工程系长聘教授...
作者丨好困 袁榭 来源丨新智元 [导读]5月30日,又一名原先叱咤业界的AI强人重返学术界了,原京东AI业务负责人周伯文被清华大学电子工程系聘为长聘教授. 刚刚,清华大学官宣:聘任周伯文博士为电子工程 ...
- 2022，又一批AI大牛从大厂出走了
2022,互联网大厂科学家出走潮仍在继续. 国内 达摩院自动驾驶实验室负责人 王刚离职创业 2022 年 1 月,据 Tech 星球报道,阿里巴巴副总裁.达摩院自动驾驶实验室负责人王刚离职.知情人士透 ...
- AI大牛纷纷离职！2021大厂AI Lab现状盘点，网友：名存实亡
导读:2021大厂AI Lab现状如何?网友总结了四个字,名存实亡.大多数人认为,国内像BAT等互联大厂的AI Lab面临最主要的现状便是定位不清,又要科研又要落地,处境尴尬. 2021年各家大厂 A ...
- IEEE Fellow、AI大牛田奇加入华为云！他为何而来？“加速AI基础研究落地”
金磊 发自 凹非寺 量子位 报道 | 公众号 QbitAI 云+AI正在驱动的数字化.智能化变革趋势,现如今与新基建相辅相成,早已深入人心. 作为面向企业.行业和产业的基础变革,华为云入局时,最被外界 ...
- 【今日CV 视觉论文速览】14 Nov 2018
今日CS.CV计算机视觉论文速览 Wed, 14 Nov 2018 Totally 25 papers Daily Computer Vision Papers [1] Title: Fast Hum ...
- 近万米展厅，压箱底的宝贝，雪浪大会最好玩的黑科技都在这了 | 倒计时1天
关注ITValue,查看企业级市场最新鲜.最具价值的报道! 摘要 雪浪大会是一场"反形式化"的大会,是一场真正聚焦制造业痛点问题的大会.在这里,不但有两天烧脑的营养补给--大会主 ...
- AI大牛何晓飞创立飞步科技后首次露面：切入无人货运 还要做AI芯片
▼ 点击上方蓝字 关注网易智能 为你解读AI领域大公司大事件,新观点新应用 出品 | 网易智能(公众号 smartman163) 期号 | 总第81期 作者 | 小羿 今天上午,前滴滴研究院院长何晓飞 ...
- ChatGPT引AI大牛新老之争？谷歌钢铁侠速归救火；Prime Air首飞业绩捉急
本周AI业界有哪些新鲜事? AI开发者 ChatGPT大火,引发AI大牛新老之争? ChatGPT大火之后,AI大牛团又喜提一位传奇少年:Sam Altman.除了16岁出柜,20岁和男友一同当上CE ...
最新文章
- 函数作用域的静态变量
- java try resource_从 Java 字节码角度看 try with resource 语法糖
- Leetcode 22.括号生成 (每日一题 20210623)
- NoClassDefFoundError: org/mybatis/logging/LoggerFactory
- POJ - 3417 Network(树上差分)
- python paramiko模块下载_Python自动化运维实战：使用Python管理网络设备
- 【文末有福利】炒鸡蛋竟然与无人驾驶有关？
- python数据结构与算法之问题求解
- Linux后台执行命令
- Apache-配置、测试和调试
- [转]windows和linux进行socket通信
- 基于JSP的数据库增删改查实现
- C#轻量级通通讯组件StriveEngine —— C/S通信开源demo(2) —— 使用二进制协议 （附源码）...
- DTP模型之一：（XA协议之一）XA协议、二阶段2PC、三阶段3PC提交
- 数据分析：SWOT分析法
- 后台管理系统 - 页面布局设计
- python写邮箱系统_Python django实现简单的邮件系统发送邮件功能
- Nodejs学习路线图
- 武汉理工大学数据结构综合实验——二叉树与赫夫曼图片压缩
- V免签PHP二开版源码兼容所有易支付接口系统