我认为ML的大部分内容是对如何执行统计推断的一个贡献。 因此，我将尝试以这些书如何解决这个问题的方式来描述这些书（例如，无论是理论的还是实践的书，常识性书还是贝叶斯书等等）。 其中一些与ML本身无关，但与ML人赖以生存的主题有关。 通常，我是根据您是否可以在NIPS或ICML之类的会议上发布有关它的东西，还是在就该主题进行演讲时ML人群是否会构成很大的听众来做出判断的。
您可能还会喜欢：- 中国的互联网通信技术
没有特别的顺序：
机器学习的基础，Mehryar Mohri，Afshin Rostamizadeh，Ameet Talwalkar
这本雄心勃勃的书涵盖了机器学习理论基础的令人印象深刻的子集。 包括对基础知识的出色处理（学习复杂性，内核方法，提升，PAC学习，回归），以及几乎从未适当涵盖的一些子领域（排名，多类，在线）。 此外，它还提供了一些很好的ML透视图，可以解释一些通常在教科书中讨论不多的东西（JL-引理）。
从数据中学习，Yaser S. Abu-Mostafa，Malik Magdon-Ismail，Hsuan-Tien Lin
有点像机器学习的基础，但似乎是为本科课程而建的。 包含有关理论基础的内容，但省略了更复杂的理论。 它写得很好且直观，对于那些在数学上过于“年轻”的人来说，理论上很激烈的部分都经过了清晰的标记和固定。
信息理论，推理和学习算法，David JC MacKay [免费pdf]
统计建模的一种表示形式，跨信息理论，编码理论，统计，物理学，机器学习，计算生物学，密码学和信号处理统一。 它奇幻而独特地照亮。 包含我对许多主题的最喜欢的处理方式（发声模型，蒙特卡洛方法，源代码等）。
所有统计资料，Larry Wasserman
阅读：- 未来技术概念
大部分ML被收集到一系列任务（回归，分类，聚类等）中，唯一的共同点是它们是统计推断的类型。 这本非凡的书的优点在于，它以一种非常一般的方式，以一种优美而平易近人的方式，但仍然严谨地处理了统计推理的主题。 这是ML的良好起点，因为ML的大部分内容是此处介绍的某些主题子集的专业化。 海事组织，这是同类书籍中最好的。
机器学习：概率视角，凯文·P·墨菲
主要是贝叶斯推理最近爆炸的综述。 与清单上的其他书籍不同，ML：APP似乎是通过收集论文，将它们装订在一起，使符号一致，并添加一点胶水使其统一来组装的。 例如，大多数数字直接（从许可中）从其他文件中获取。 这不是一件坏事！ 我很高兴有人做到了。 但是有时确实很仓促，而且有很多错别字。
模式识别与机器学习，Christopher M. Bishop
Bishop的书之所以有用，主要是因为它很全面，并且很好地处理了许多著名方法的深奥技巧。 但是我也发现它很密集，而且常常不完全理解毕晓普在说什么，或者他是如何得到某些东西的。 我发现在阅读完其他2或3篇文章后再咨询该主题时，它非常有用。
统计学习的要素：数据挖掘，推理和预测，Trevor Hastie，Robert Tibshirani，Jerome Friedman [pdf]
典型的（惯常的）ML文本。 它比我预期的受过经典训练的统计学家所期望的要更加注重计算，但是由于缺乏可靠的贝叶斯材料，因此在某种程度上可以追溯到它。 （我并不是说一种观点更好，我是说您应该都知道。
概率图形模型：原理与技术，达芙妮·科勒，尼尔·弗里德曼
图形模型的密集，全面和规范处理。 涵盖了马尔可夫随机场，条件随机场，贝叶斯网络等。
高斯机器学习过程，卡尔·爱德华·拉斯穆森，克里斯托弗·基·威廉姆斯
高斯过程的经典处理，一类重要的统计模型。
如果您喜欢该帖子，请不要忘记分享。 干杯!
