机器学习和人工智能是令人兴奋的领域，并且我们已经在这些主题上写了两年了。 虽然我们在博客上谈论的很多内容都是机器学习的高级实现，并且对于初学者来说可能是不知所措，但实际上，机器学习的核心概念非常容易掌握。 在线上有很多资源和备忘单，但是我们认为老式的学习方法有时是最好的：拥有一本好书。 很少有资源能够匹配一本好书的深入，全面的细节。
在此博客中，我们列出了一些最流行的书籍，适合初学者或对机器学习感兴趣的人使用。
但是，尽管这些书将为您提供有关主题和理论的良好概述，但您也无法超越实践。 查看我们关于在线或南非提供的课程的博客，为您的机器学习曲线增加一些实践经验和课程。
统计学习的要素：数据挖掘，推理和预测，第二版
作者：Trevor Hastie，Robert Tibshirani和Jerome Friedman
- 您的越南旅游阅读清单
- 阅读已经教会了我一些最重要的事情。
- 词汇量测试1：您知道前1000个字吗？
- #onthesamepage Buchempfehlung von Regula Venske
- 在表面之下，＃fatberg的真实含义潜伏着……
本书在一个通用的概念框架中描述了医学，生物学，金融和市场营销等各个领域的关键思想。 尽管该方法是统计方法，但重点是概念而不是数学。 大量使用彩色图形给出了示例。 对于统计学家和对科学或工业中的数据挖掘感兴趣的任何人来说，它都是宝贵的资源。 本书涵盖范围广泛，从监督学习（预测）到无监督学习。 许多主题包括神经网络，支持向量机，分类树和Boosting-这是本书中对该主题的第一个全面处理。
在亚马逊上获得4.0 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576/
绝对初学者的机器学习：简单的英语介绍
作者：Oliver Theobald
绝对初学者的机器学习第二版已经为绝对初学者编写和设计。 这意味着可以理解的英文解释，不需要任何编码经验。 在介绍了核心算法的地方，添加了清晰的解释和直观的示例，以使在家里轻松并轻松地跟进。
在亚马逊上获得4.5 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Machine-Learning-Absolute-Beginners-Introduction/dp/1549617214/
机器学习：有效学习和理解机器学习的绝对初学者指南
作者：海因·史密斯
几乎对现代技术有一点兴趣的任何人都希望了解有关机器学习的更多信息。 这种创新的计算机编程新形式是使机器能够为您执行各种任务的主要工具，从推荐一部出色的电影到每天驱动您的工作，不一而足。
毫无疑问，这是未来的技术。 但这也是一个可以使思维陷入僵局的话题。 如果您还不了解这个令人兴奋的新兴行业的术语和技术，那么以基本的外行术语写成的信息可能很难。
关于该主题的大多数书籍都假定您至少具有该主题的基础知识。 如果您有兴趣更好地掌握这项新技术的工作原理以及对大众的意义，那么这本适合您的书。
所有这些都使用非常基础的简单英语来表达，因此您不需要编码学位即可理解。 在这里，我们讨论了绝对业余爱好者所需的所有基本入门级主题，因此您可以开始理解这种高度创新的技术进步。
机器学习正变得越来越强大，它将在未来影响我们生活的各个方面。 因此，无论您是要找到满足您需求的优质产品推荐，还是想全力以赴地生活在自己的智能家居中，机器学习将成为其核心。 本书将使您更轻松地掌握其背后的概念，并使您踏上通往美好未来的道路。
在亚马逊上获得4.5 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Machine-Learning-Beginners-Understand-Effectively-ebook/dp/B07F5H8BPL/
理解机器学习：从理论到算法
作者：Shai Shalev-Shwartz
机器学习是计算机科学发展最快的领域之一，应用广泛。 这本教科书旨在以有原则的方式介绍机器学习及其提供的算法范例。 本书对机器学习的基本概念以及将这些原理转化为实用算法的数学推导提供了广泛的理论解释。 在介绍了该领域的基础知识之后，该书涵盖了许多以前的教科书都没有解决的中心主题。 其中包括讨论学习的计算复杂性以及凸性和稳定性的概念； 主要算法范式，包括随机梯度下降，神经网络和结构化输出学习； 以及新兴的理论概念，例如PAC-Bayes方法和基于压缩的界限。 该文本专为高级本科生或研究生课程而设计，使统计，计算机科学，数学和工程学的学生和非专业读者都可以使用机器学习的基础知识和算法。
4.4 / 5星在亚马逊上（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Understanding-Machine-Learning-Theory-Algorithms/dp/1107057132/
预测数据分析的机器学习基础：算法，可行的示例和案例研究
作者：John D. Kelleher，Brain Mac Namee和Aoife D’Arcy
全面介绍了预测数据分析中使用的最基本的机器学习方法，涵盖了理论概念和实际应用。
机器学习通常用于通过从大型数据集中提取模式来构建预测模型。 这些模型用于预测数据分析应用程序中，包括价格预测，风险评估，预测客户行为和文档分类。 这本入门级教科书详细介绍了预测数据分析中使用的最关键的机器学习方法，涵盖了理论概念和实际应用。 技术和数学资料增加了示例性的工作示例，案例研究说明了这些模型在更广泛的业务环境中的使用。
在讨论了从数据到洞察力再到决策的轨迹之后，该书描述了四种机器学习方法：基于信息的学习，基于相似度的学习，基于概率的学习和基于错误的学习。 这些方法中的每一种都是通过对底层概念的非技术性解释来介绍的，随后是详细工作示例中说明的数学模型和算法。 最后，这本书考虑了用于评估预测模型的技术，并提供了两个案例研究，描述了从制定业务问题到实施分析解决方案的每个开发阶段的特定数据分析项目。 该书以作者多年的机器学习教学经验为基础，并从事预测性数据分析项目，适合于计算机科学，工程学，数学或统计学的大学生使用； 由具有预测数据分析应用程序的学科的研究生； 并为专业人士提供参考。
在亚马逊上获得4.5 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Fundamentals-Machine-Learning-Predictive-Analytics/dp/0262029448/
Python机器学习简介：数据科学家指南
作者； 安德烈亚斯·穆勒（Andreas C.Muller）和莎拉·圭多（Sarah Guido）
机器学习已成为许多商业应用程序和研究项目不可或缺的一部分，但是该领域并不仅仅局限于拥有庞大研究团队的大型公司。 如果您是初学者，即使使用Python，这本书也会教您一些实用的方法来构建自己的机器学习解决方案。 借助当今可用的所有数据，机器学习应用程序仅受您的想象力限制。
您将学习使用Python和scikit-learn库创建成功的机器学习应用程序所必需的步骤。 作者AndreasMüller和Sarah Guido专注于使用机器学习算法的实际方面，而不是其背后的数学原理。 熟悉NumPy和matplotlib库将帮助您从本书中获得更多。
在亚马逊上获得4.1 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Introduction-Machine-Learning-Python-Scientists/dp/1449369413
使用R进行机器学习—第二版：用于预测建模的专家技术，可以解决所有数据分析问题
作者：Brett Lantz
机器学习的核心是将数据转换为可操作的知识。 这使得机器学习非常适合当今的大数据时代。 鉴于R的跨平台，零成本的统计编程环境日益受到重视，再没有比现在更好的时间开始将机器学习应用于您的数据了。 使用R进行的机器学习提供了一组强大的方法，可以快速轻松地从您的数据中获取数据分析的资深人士和初学者的见解。
想要将您的数据转化为可操作的知识，预测将产生实际影响的结果并不断发展见解吗？ R使您能够掌握掌握卓越的机器学习技术所需的全部功能。
《 R机器学习》第二版向您介绍了数据科学所需的基本技能。 在不回避技术理论的前提下，本指南旨在提供专门的实用知识，以使您以最少的先前经验即可构建算法并处理数据。
借助本书，您将发现所需的所有分析工具，可从复杂数据中获得洞察力，并学习选择适合您特定需求的正确算法。 通过全面解决数据缠身者面临的现实问题，您将学习应用机器学习方法来处理常见任务，包括分类，预测，预测，市场分析和聚类。 改变您对数据的看法； 通过R发现机器学习
在亚马逊上获得4.5 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Machine-Learning-techniques-predictive-modeling/dp/1784393908
主算法：对终极学习机器的追求将如何重塑我们的世界
作者：Pedro Domingos
在世界顶尖的研究实验室和大学中，竞赛正在发明一种终极的学习算法：一种能够从数据中发现任何知识，并在我们提出要求之前做任何我们想做的事情。 在“主算法”中，Pedro Domingos揭开了面纱，使我们可以窥探为Google，亚马逊和您的智能手机提供支持的学习机。 他为未来的通用学习者制定了一个蓝图-主算法-并讨论了其对商业，科学和社会的意义。 如果说数据主义是当今的哲学，那本书就是它的圣经。
在亚马逊上获得4.2 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Master-Algorithm-Ultimate-Learning-Machine/dp/0465094279/
金融机器学习的进展
作者：Marcos Lopez de Prado
机器学习（ML）实际上正在改变我们生活的方方面面。 如今，机器学习算法完成的任务直到最近才由专家完成。 就金融而言，这是采用颠覆性技术的最激动人心的时刻，它将改变每个人世代相传的投资方式。 读者将学习如何以适合ML算法的方式构造大数据。 如何使用ML算法对该数据进行研究； 如何使用超级计算方法； 如何回测您的发现，同时避免误报。 该书每天处理从业人员面临的现实问题，并在代码和示例的支持下，使用数学方法科学地解释合理的解决方案。 读者成为活跃的用户，可以在他们的特定环境中测试建议的解决方案。 本书由公认的专家和投资组合经理撰写，将为投资专业人士提供成功实现现代金融所需的突破性工具。
在亚马逊上获得4.5 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Advances-Financial-Machine-Learning-Marcos/dp/1119482089/
深度学习的基础知识：设计下一代机器智能算法
作者：Nikhil Buduma和Nicholas Locascio
随着2000年代神经网络的复兴，深度学习已成为研究领域中极为活跃的领域，这为现代机器学习铺平了道路。 在这本实用的书中，作者Nikhil Buduma提供了示例和清晰的解释，以指导您了解这个复杂领域的主要概念。
诸如Google，Microsoft和Facebook之类的公司正在积极发展内部深度学习团队。 但是，对于我们其他人来说，深度学习仍然是一个相当复杂且难以掌握的主题。 如果您熟悉Python并具有微积分背景，并且对机器学习有基本的了解，那么这本书将帮助您入门。
亚马逊上3.7 / 5星（在撰写本文时）。
在亚马逊上找到它：https://www.amazon.com/Fundamentals-Deep-Learning-Next-Generation-Intelligence/dp/1491925612/
最初发布于 Insights.principa.co.za 。
