❝ 前情提要：为了让大家学好机器学习，我问了几个大佬学长并找了些资料，整理了一些学习路上必看的书籍，从数学基础、算法基础，到入门，再到进阶实战，都是精选的经典书籍，并给出了图片和简要介绍（还附带 Github 项目教程），各位帮小宝点个赞后尽管拿去就行！

数学基础

《数学之美（第二版）》（豆瓣 8.9）

❝ 第二版增加了针对大数据和机器学习的内容，以便满足人们对当下技术的学习需求；同时，根据专家和读者的反馈更正了一些错漏，并更新了部分内容。
❞

《统计学习方法》(豆瓣 9.0)

❝ 本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场等。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。
❞
❝ 《统计学习方法》可以说是机器学习的入门宝典，许多机器学习培训班、互联网企业的面试、笔试题目，很多都参考这本书。
❞
❝ 《统计学习方法》官方没有提供代码实现，github 上有个项目，将《统计学习方法》中每一章的算法用 python 实现一遍，得到了李航老师的认可。建议配套《统计学习方法》书籍，边看书边手推公式然后对着 GitHub 一边敲代码，受益会很大。

❞

《托马斯微积分》（豆瓣 9.4）

❝ 微积分里的多元微积分是推导一些重要公式的理论基础，如反向传播公式。学好多元微积分也能更好地理解神经网络模型的优化过程。
❞

《线性代数及其应用（原书第 5 版）》（豆瓣 9.3）

❝ 线性代数是理解矩阵运算的基础。数据挖掘算法里的非负矩阵分解、奇异值分解，以及神经网络里的矩阵运算，都需要一定的线性代数知识。
❞

《概率论与数理统计》（豆瓣 9.3）

❝ 概率论与数理统计是最为重要的一门数学课。目前使用最广泛的交叉熵损失函数，源于统计中的极大似然估计；概率论中的贝叶斯公式衍生出了贝叶斯学派；大数定律则是很多主观实验的理论依据之一。
❞

算法|编程基础

《图解机器学习》

❝ 本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第 Ⅰ 部分介绍了机器学习领域的概况；第 Ⅱ 部分和第 Ⅲ 部分分别介绍了各种有监督的回归算法和分类算法；第 Ⅳ 部分介绍了各种无监督学习算法；第 Ⅴ 部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的 MATLAB 程序源代码，可以用来进行简单的测试。本书适合所有对机器学习有兴趣的初学者阅读。
❞

《集体智慧编程》（豆瓣9.0）

❝ 好书,介绍一些常用算法的使用方法,如神经网络,支持向量机,模拟退火,遗传算法等.对普通读者已经够了.能将这些算法用熟,就能开发出非常好的应用程序来。
❞

《Python编程》(豆瓣9.1)

❝ 本书是一本针对所有层次的Python 读者而作的Python 入门书。全书分两部分：第一部分介绍用Python 编程所必须了解的基本概念，包括matplotlib、NumPy 和Pygal 等强大的Python 库和工具介绍，以及列表、字典、if 语句、类、文件与异常、代码测试等内容；第二部分将理论付诸实践，讲解如何开发三个项目，包括简单的Python 2D 游戏开发如何利用数据生成交互式的信息图，以及创建和定制简单的Web 应用，并帮读者解决常见编程问题和困惑。
❞

入门

《西瓜书》（豆瓣 8.6）

❝ 西瓜书作为经典入门书籍身边学习机器学习的小伙伴可谓是人手一本。针对西瓜书部分公式推倒太难的问题，GitHub 上有个开源项目，由开源组织 Datawhale 发起，得到了周志华老师的认同，叫做 pumpkin-book《南瓜书》

❞

《Python 深度学习》（豆瓣 9.5）

❝ 书中包含 30 多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。
❞

《动手学深度学习》（豆瓣 9.5）

❝ 本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以下载并运行的 Jupyter 记事本，它将文字、公式、图像、代码和运行结果结合在了一起。
❞

《Python 神经网络编程》（豆瓣 9.2）

❝ 全书主要内容分为两部分：神经网络的理论基础和 python 编程实践。其实英文名《 Make Your Own Neural Network》更有代表性，整本书就是在教你如何一步步地搭建神经网络，层次清晰、通俗易懂。
❞

进阶

《机器学习实战》（豆瓣 8.1）

❝ 全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用 Python 代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。
❞

《Pattern Recognition And Machine Learning》（ 模式识别与机器学习）（豆瓣 9.5）

❝ 简称 PRML，当之无愧算得上是 AI 领域的圣经了。PRML 涵盖面广，语言通俗，例子和习题更加详细，附带更多基础性的讲解和指引，难度梯度设置更为合理，是其深受广大 PHD 朋友喜爱。这本书侧重于概率模型，是贝叶斯方法的扛鼎之作，如今已经开源。
❞

《Statistical Learning Theory》（豆瓣 9.5）

❝ Vapnik 的大作，统计学界的权威，本书将理论上升到了哲学层面，他的另一本书《The Nature ofStatistical Learning Theory》也是统计学习研究不可多得的好书，但是这两本书都比较深入，适合有一定基础的读者。
❞

觉得有帮助，点个赞把！