2019 年最佳机器学习和深度学习书籍的名单！建议收藏！

深度学习入门书籍推荐：

想入门深度学习却不知道该如何下手？我整理了这份知识清单。
希望能够节省你的时间，对你有所帮助。

2019 年最佳机器学习和深度学习书籍的名单：

• 《深度学习》by Ian Goodfellow, Yoshua Bengio, Aaron Courville
• 《机器学习》 by 周志华
• 《统计学系方法（第二版）》by 李航
• 《探索深度学习》by Andrew W. Trask
• 《Python 深度学习》by Francois Chollet
• 《机器学习实战：基于Scikit-Learn和TensorFlow》by Aurélien Géron
• 《百页机器学习》 by Andriy Burkov
• 《强化学习：导论（第二版）》by Richard S. Sutton, Andrew G. Barto
• 《深入强化学习实践》by Maxim Lapan
• 《从数据中学习》by Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
• 《解释为什么》by Judea Pearl, Dana Mackenzie.
• 《机器学习秘籍》by Andrew Ng.
• 《可解释机器学习》by Christoph Molnar.
• 《神经网络与深度学习》by Michael Nielsen.

1. 《深度学习》

• 作者：Ian Goodfellow, Yoshua Bengio, Aaron Courville.
• 资源：
  – 书籍网站：http://www.deeplearningbook.org/
  – 讲课：http://www.deeplearningbook.org/lecture_slides.html
  – 练习：http://www.deeplearningbook.org/exercises.html
  – 其它：http://www.deeplearningbook.org/external.html
• 类别：深度学习
• 这本书被广泛认为是深度学习的“圣经”。这本书由三位专家撰写，其中包括该领域的教父之一，这是你能找到的最全面的书。这本书技术性很强，但作者们对你需要掌握的知识都做了介绍。
• 书籍摘要: 深度学习是机器学习的一种形式，它使计算机能够从经验中学习，并从概念的层次结构中了解世界。由于计算机是从经验中收集知识的，因此人类计算机操作员无需正式指定计算机所需的所有知识。概念的层次结构允许计算机从简单的概念中学习复杂的概念；这些层次结构的图将是多层的。这本书介绍了一系列深入学习的主题。本文提供了数学和概念背景，涵盖了线性代数、概率论和信息论、数值计算和机器学习中的相关概念。它描述了行业从业人员所使用的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实用方法论；它调查了自然语言处理、语音识别、计算机视觉、在线推荐系统等应用。EMS、生物信息学和电子游戏。最后，本书提供了研究视角，涵盖了线性因素模型、自动编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推理和深度生成模型等理论主题。这本书适合打算从事工业或研究领域的本科生或研究生，以及希望开始在其产品或平台中使用深度学习的软件工程师。资源网站为读者和教师提供额外的补充材料。

2. 《机器学习》

• 作者: 周志华
• 资源:https://github.com/Sophia-11/Machine-Learning-Notes
• 类别:机器学习
• 书籍摘要:机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介.
  全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书.
  书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考.
  本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

3. 《统计学习方法（第二版）》

• 作者: 李航
• 资源:https://github.com/fengdu78/lihang-code
• 类别:机器学习
• 书籍摘要:统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、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，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求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。 为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 本书是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生，也可供从事计算机应用相关专业的研发人员参考。

4. 《探索深度学习》

• 作者：Andrew W. Trask
• 资源：https://github.com/iamtrask/Grokking-Deep-Learning
• 类别：深度学习
• 关于读者：面向具有高中数学和中级编程技能的读者。
• 书籍摘要：探索深度学习教会你从头开始建立深度学习神经网络！经验丰富的深度学习专家 Andrew W. Trask 将向你展示了深度学习背后的科学，所以你可以自己摸索并训练神经网络的每一个细节。只使用 Python 及其数学支持库 Numpy，就可以训练自己的神经网络，将文本翻译成不同的语言，甚至像莎士比亚一样写作！完成后，您将准备好掌握深度学习框架。

5. 《Python 深度学习》

• 作者：Francois Chollet
• 资源：https://github.com/fchollet/deep-learning-with-python-notebooks
• 类别：深度学习
• 关于读者：读者需要中级的 Python 技能。不需要其它的 Keras、TensorFlow 或机器学习经验。从 Keras 的发明者（和另一个 Floydhub 的朋友），这本书将真正地带你入门，使用 Keras 进行深度学习。类似于《探索深度学习》，这本书在理论和编码之间找到了正确的平衡。更不用说作者创造伟大精神形象的能力了。
• 书籍摘要：《Python 深度学习》介绍了使用 Python 语言和强大的 Keras 库进行深入学习。这本书由 Keras 的创建者、谷歌人工智能研究员 Francois Chollet 撰写，通过直观的解释和实际的例子来巩固你的理解。你将在计算机视觉、自然语言处理和生成模型中探索具有挑战性的概念和实践。当你完成的时候，你将拥有知识和实际操作技能来将深度学习应用到你自己的项目中。

6. 《机器学习实战：基于Scikit-Learn和TensorFlow》

• 作者：Aurélien Géron
• 资源：https://github.com/ageron/handson-ml
• 类别：机器学习/深度学习

作者 Aurélien Géron 是一个优秀的思想交流者，能够有效地运用实例。当你看完这本书的时候，你会很快地应用他们所学的知识。要感受他的激情和沟通风格，请访问他的 YouTube 频道：https://www.youtube.com/channel/UCCvGd1WBMpFQ_vtC89VF2qA

• 书籍摘要（第2版）：通过最近的一系列突破，深度学习促进了整个机器学习领域。现在，即使是对这项技术一无所知的程序员也可以使用简单、高效的工具来实现能够从数据中学习的程序。这本畅销书第 2 版使用了两个面向生产的 Python 框架 Scikit Learn 和 TensorFlow 2.0 帮助您直观地理解构建智能系统的概念和工具。实践者将学习一系列可以快速投入工作中使用的技术。第 1 部分使用 Scikit Learn 介绍基本的机器学习任务，例如简单线性回归。第 2 部分已经有了显著的更新，它使用了 Keras 和 TensorFlow 2.0，通过使用深度神经网络的更先进的机器学习方法来指导读者。通过每一章中的练习帮助您应用所学内容，您所需要的只是开始编程的经验。第 2 版新增：更新了 TensorFlow 2.0 的所有代码，引入了高级别的 Keras API。新的和扩展的覆盖范围包括 TensorFlow 的数据 API、估计器 API、在Google Cloud ML 上部署、处理时间序列、嵌入等。

7. 《百页机器学习》

• 作者：Andriy Burkov
• 资源：http://themlbook.com/wiki/doku.php
• 类别：机器学习/深度学习
• 这本书诞生于 LinkedIn 上的一个挑战（Andriy 是一个有影响力的人）。他的书不需要太多的介绍：亚马逊同类产品的畅销书，可能还是这一主题的最好的书面知识总结。

8. 《强化学习：导论（第二版）》

• 作者：Richard S. Sutton, Andrew G. Barto
• 资源：https://github.com/ShangtongZhang/reinforcement-learning-an-introduction
• 类别：机器学习/深度学习/强化学习
• 如果说《深度学习》是深度学习领域的圣经，那么这本书就是强化学习的圣经。这是一个相当专业的读物。我们的建议是在每一章结束后休息一下，把咖啡倒上，然后实际执行算法。
• 书籍摘要：强化学习是人工智能领域中最活跃的研究领域之一，是一种计算学习方法，通过这种方法，智能体在与复杂、不确定的环境交互时，试图最大限度地获得总回报。在强化学习中，Richard S. Sutton 和 Andrew G. Barto 对该领域的关键思想和算法进行了清晰而简单的描述。这第二版已经被地扩展和更新，增加了新的主题和更新其他主题的覆盖范围。与第一版一样，第二版的重点是核心在线学习算法。第一部分包括尽可能全的强化学习。本部分介绍的许多算法是第二版的新算法，包括 UCB、预期 SARSA 和双重学习。第二部分将这些思想扩展到函数逼近，在人工神经网络和傅立叶基等主题上增加了新的章节，并提供了非策略学习和策略梯度方法的扩展处理。第三部分有关于加强学习与心理学和神经科学的关系的新章节，以及更新的案例研究章节，包括 AlphaGo 和 AlphaGo Zero、Atari 游戏和 IBM Watson 的赌博策略。最后一章讨论了强化学习对未来社会的影响。

9. 《深入强化学习实践》

• 作者：Maxim Lapan
• 资源：https://github.com/PacktPublishing/Deep-Reinforcement-Learning-Hands-On
• 类别：机器学习/深度学习/强化学习
• 我在 Maxim 的一篇博文中看到了他的书。我真的爱上了他的写作风格和对细节的关注（相信你也会）。这本书提供了一个实际的方法，通过平衡理论和编码实践的RL。一本书，让你动起手来，但也有大量的知识，如何正确地做，并了解背后发生的事情。这是一本关于 RL 的最佳实践风格书。
• 书籍摘要：强化学习（RL）与深度学习（DL）相结合的最新发展，使机器以类似人类的方式解决复杂问题取得了前所未有的进展。谷歌使用算法来玩和击败著名的 Atari 街机游戏，推动了该领域的突出，研究人员正在快速产生新的想法。深入强化学习实践是对最新 DL 工具及其局限性的全面指导。在将方法应用到实际环境之前，您将评估方法，包括交叉熵和策略梯度。同时使用 Atari 虚拟游戏集和家庭最喜爱的游戏，如 Connect 4。本书介绍了 RL 的基本知识，让您了解如何编写智能学习代理代码，以完成一系列强大的实际任务。了解如何在“网格世界”环境中实施 Q-Learning，教你交易股票，并了解自然语言模型如何推动聊天机器人的繁荣。

10. 《从数据中学习》

• 作者：Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin
• 资源：https://www.youtube.com/playlist?list=PLD63A284B7615313A
• 类别：机器学习如果你想开始学习机器学习的关键概念，那么你会喜欢这本书：简单易懂，简洁明了。这可能是继吴恩达课程之后最好的学习资源！这是我第一本关于机器学习的书和课程。
• 书籍摘要：这本书，包括在线材料，读者可以自由访问。这本书是为机器学习的一个短期课程而设计的。这是一个短期的过程，而不是仓促的过程。经过十多年的教学，我们提炼出了我们认为是该学科每个学生都应该知道的核心话题。此外，我们的读者可以自由访问在线电子章节，这些电子章节是我们根据机器学习的当前趋势更新的，例如深度学习和支持向量机。我们希望读者能通过阅读一本又一本的书来学习这门学科的所有基础知识。从数据中学习具有明显的理论和实践轨迹。在这本书中，我们平衡了理论和实践，数学和启发式。包括建立学习概念框架的理论，以及影响实际学习系统性能的启发式方法。我们强调的是必要的基础，使任何学生的学习从数据坚实的基础。作者是加州理工学院（California Institute of Technology）、伦斯勒理工学院（Rensselaer Polytechnic Institute）和台湾国立大学（National Taiwan University）的教授，这本书是他们在机器学习方面的热门课程的教材。作者还与金融和商业公司就机器学习应用进行了广泛的咨询，并在机器学习竞赛中领导获奖团队。

11. 《解释为什么》

• 作者：Judea Pearl, Dana Mackenzie.
• 类别：机器学习/数据科学
• 书籍摘要：“相关性不是因果关系。”这句科学家们一个多世纪以来一直在唱的咒语，实际上已经导致了对因果关系对话的禁止。今天，这个禁忌已经消失了。Judea Pearl 及其同事发起的因果革命，突破了一个世纪的混乱，在坚实的科学基础上确立了因果关系——因果关系的研究。他的工作解释了我们如何知道简单的事情，比如是下雨还是让人行道湿了的洒水器；以及如何回答棘手的问题，比如药物是否治愈了疾病。Pearl的工作不仅使我们知道一件事是否会导致另一件事：它让我们探索了现实世界和本来可能存在的世界。它向我们展示了人类思想的本质和人工智能的关键。任何一个想了解的人都需要一本关于原因的书。

12. 《机器学习秘籍》

• 作者：Andrew Ng
• 资源：https://www.deeplearning.ai/machine-learning-yearning/
• 类别：机器学习/深度学习
• 书籍摘要：人工智能正在改变许多行业。机器学习渴望，Andrew Ng 博士目前正在撰写的一本免费书籍，教你如何构造机器学习项目。 本书的重点不是教你如何使用 ML 算法，而是教你如何使用 ML 算法。阅读机器学习渴望后，您将能够： 为人工智能项目确定最有希望的方向 -诊断机器学习系统中的错误在复杂环境中构建ML，例如不匹配的培训/测试集建立一个ML项目来比较和/或超越人的水平。知道何时以及如何应用端到端学习、转移学习和多任务学习。

13. 《可解释机器学习》

• 作者：Christoph Molnar
• 资源：https://leanpub.com/interpretable-machine-learninghttps://christophm.github.io/interpretable-ml-book/
• 类别：机器学习
• 可解释性正迅速成为机器学习需要解决的一个热点问题。拆箱仍然是深度学习的一个活跃研究领域，但幸运的是，对于机器学习模型，我们实际上有更多的工具可用-这是一个很好的工具。
• 书籍摘要：机器学习对于改进产品、过程和研究有很大的潜力。但是计算机通常不能解释他们的预测，这是机器学习的一个障碍。这本书是关于使机器学习模型和他们的决定可解释。在探索了可解释性的概念之后，您将学习简单的、可解释的模型，如决策树、决策规则和线性回归。后面几章重点介绍了解释黑箱模型的一般模型不可知论方法。对各种解释方法进行了深入的解释和批判性的讨论。他们怎么在引擎盖下工作？他们的优点和缺点是什么？如何解释它们的输出？本书将使您能够选择和正确应用最适合您的机器学习项目的解释方法。这本书的重点是表格式数据（也称为关系数据或结构化数据）的机器学习模型，而不是计算机视觉和自然语言处理任务。对于机器学习实践者、数据科学家、统计学家以及任何其他对机器学习模型的解释感兴趣的人，推荐阅读本书。

14. 《神经网络与深度学习》

作者：Michael Nielsen
资源：http://neuralnetworksanddeeplearning.com/index.html
类别：机器学习/深度学习
书籍摘要：神经网络是有史以来最漂亮的编程范例之一。在传统的编程方法中，我们告诉计算机要做什么，把大问题分解成许多小的、精确定义的任务，计算机可以轻松地执行这些任务。相反，在神经网络中，我们不会告诉计算机如何解决我们的问题。相反，它从观测数据中学习，找出自己解决手头问题的方法。从数据中自动学习听起来很有希望。然而，直到2006年，我们都不知道如何训练神经网络来超越更传统的方法，除了一些专门的问题。2006年发生的变化是在所谓的深神经网络中发现了学习技术。这些技术现在被称为深度学习。它们得到了进一步的发展，今天，在计算机视觉、语音识别和自然语言处理等许多重要问题上，深度神经网络和深度学习取得了突出的成绩。谷歌、微软和Facebook等公司正在大规模部署它们。这本书的目的是帮助你掌握神经网络的核心概念，包括现代技术的深入学习。在看完这本书之后，你将写下使用神经网络和深度学习来解决复杂模式识别问题的代码。你将有一个基础使用神经网络和深度学习来攻击你自己设计的问题。