计算机视觉与机器学习相关书籍与资料

首先，给出一个方便下载英文PDF书籍的网址：http://gen.lib.rus.ec/

=====================================以下部分来自http://www.shellsec.com/tech/143231.html==============================

人工智能、机器学习、模式识别、计算机视觉、数据挖掘、信息检索、自然语言处理等作为计算机科学重要的研究分支，不论是学术界还是工业界，有关这方面的研究都在如火如荼地进行着，学习这些方面的内容有一些经典书籍，现总结如下，方便自己和大家以后学习研究：
人工智能：
《Artificial Intelligence: A Modern Approach》，第三版，Russell著，权威、经典的人工智能教材，阐述了人工智能的核心内容，反映了人工智能最近10年来的新进展。
《ProgrammingCollective Intelligence》，Toby Segaran著，本书将带你进入机器学习和统计学的世界，对算法的描述简明清晰，很对代码都可以直接拿去实际应用。
模式识别和机器学习：
《Pattern Classification 》，第二版，Duda著，模式识别的奠基之作，但对SVM、Boosting几乎没提，有挂一漏万之嫌。
《Pattern Recognition and Machine Learning》,Bishop著，侧重概率模型，详细介绍了Bayesian方法、有向图、无向图理论等，体系完备。
《Kernel Methods for Pattern Analysis》,John Shawe-Taylor著，SVM等统计学的诸多工具里都用到了核方法，可以将将低维非线性空间映射到高维的线性空间中，但同时会引入高维数据的难题。
计算机视觉：
《Computer Vision: A Modern Approach》，第二版，Forsyth著，一本不错的计算机视觉教材，全书理论联系实际，并加入了计算机视觉领域的最新研究成果。
《Computer Vision: Algorithms and Applications》,Richard Szeliski的大作，《数字图像处理》课程老师推荐的一本书籍，这本书我还没有看完，书中对计算机视觉领域最新的一些算法进行了汇编，包括图像分割，特征检测和匹配，运动检测，图像缝合，3D重建，对象识别等图像处理的诸多方面，借助本书我们可以对最新主流图像处理算法有个全局把握。
线性代数：
《Linear Algebra and Its Applications》Fourth Edition, Gilbert Strang的著作，本书详细介绍了向量空间、线性变换、本征值和本征向量等线性代数的重要基本概念，把抽象的线性空间形象地表达出来，适合初学者。
《Introduction to Probability Models》第10版，Ross著，一本书能够发行到第十版，你说是不是很经典呢？
离散数学：
《Discrete Mathematics and Its Applications》，第六版，Rosen著，本书囊括了离散数学推导、组合分析、算法及其应用、计算理论等多方面的内容，适合初学者。
矩阵数学：
《Matrix Analysis》,Horn著,本书无疑是矩阵论领域的经典著作了，风行几十年了。
概率论与数理统计：
《All Of Statistics》,Wasserman著，一本数理统计的简介读本。
《Introductionto Mathematical Statistics》，第六版，Hogg著，本书介绍了概率统计的基本概念以及各种分布，以及ML，Bayesian方法等内容。
《Statistical Learning Theory》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。
《统计学习方法》，李航著，国内很多大学都在用这本书，本书从具体问题入手，由浅入深，简明地介绍了统计学习的主要方法，适合初学者而又想对统计学习理论有一个全局理解的学生。
《The Elements of Statistical Learning-Data Mining, Inference, and Prediction》,第二版，Trevor Hastie著，机器学习方面非常优秀的一本书，较PC和PRML,此书更加深入，对工程人员的价值也许更大一点。
《AnIntroduction to Probabilistic Graphical Models》,Jordan著，本书介绍了条件独立、分解、混合、条件混合等图模型中的基本概念，对隐变量（潜在变量）也做了详细介绍，相信大家在隐马尔科夫链和用Gaussian混合模型来实现EM算法时遇到过这个概念。
《Probabilistic Graphical Models-Principles and Techniques》，Koller著，一本很厚很全面的书，理论性很强，可以作为参考书使用。
最优化方法：
《Convex Optimization》，Boyd的经典书籍，被引用次数超过14000次，面向实际应用，并且有配套代码，是一本不可多得的好书，网址http://www.stanford.edu/~boyd/cvxbook/。
《Numerical Optimization》，第二版，Nocedal著，非常适合非数值专业的学生和工程师参考，算法流程清晰详细，原理清楚。
另外推荐几个博客和网站：
https://www.coursera.org/，这是一个由世界顶级大学联合创办的网上在线视频公开课网站，里面有stanford, MIT,CMU等计算机科学一流大学提供的免费教学视频，内容全面，计算机科学方面的资源较网易视频公开课网站（http://open.163.com/）内容要新、要全。
http://blog.csdn.net/pongba/article/details/2915005，本文的部分内容就是借鉴刘未鹏大神的博客而来的，也正是看过他的那个书单后，我才决定写一个总结归纳性的文章，这样可以方便大家学习，更可以勉励自己多看些有益的经典书籍。
http://blog.pluskid.org/，这是浙大学生张驰原的博客网站，现在他去了MIT，博客里面的很多资源都值得一看，博文的很大一部分都是关于机器学习的，加入了作者自己的理解，深入浅出。
http://blog.csdn.net/ffeng271/article/details/7164498，林达华推荐的几本数学书，转自MIT大牛博客。

============================================================================================================

=====================================水木论坛AI版推荐书单=======================================================

入门： 

Pattern Recognition And Machine Learning  
Christopher M. Bishop

Machine Learning :A Probabilistic Perspective 

Kevin P. Murphy

 

The Elements ofStatistical Learning : Data Mining, Inference, and Prediction 

Trevor Hastie,Robert Tibshirani, Jerome Friedman 

 

InformationTheory, Inference and Learning Algorithms 

David J. C. MacKay

 

All of Statistics: A Concise Course in Statistical Inference 

LarryWasserman 

 

优化： 

ConvexOptimization 

Stephen Boyd,Lieven Vandenberghe

 

NumericalOptimization   

Jorge Nocedal,Stephen Wright

 

Optimization forMachine Learning 

Suvrit Sra,Sebastian Nowozin, Stephen J. Wright

 

核方法： 

Kernel Methods forPattern Analysis 

John Shawe-Taylor,Nello Cristianini

 

Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond 

Bernhard Schlkopf,Alexander J. Smola

 

半监督： 

Semi-SupervisedLearning 

Olivier Chapelle

 

高斯过程： 

Gaussian Processesfor Machine Learning (Adaptive Computation and Machine Learning) 

Carl EdwardRasmussen, Christopher K. I. Williams

 

概率图模型： 

Graphical Models,Exponential Families, and Variational Inference 

Martin JWainwright, Michael I Jordan

 

Boosting: 

Boosting :Foundations and Algorithms 

Schapire, RobertE.; Freund, Yoav

 

贝叶斯: 

StatisticalDecision Theory and Bayesian Analysis 

James O.Berger 

 

The BayesianChoice : From Decision-Theoretic Foundations to ComputationalImplementation 

Christian P.Robert 

 

BayesianNonparametrics 

Nils Lid Hjort,Chris Holmes, Peter Müller, Stephen G. Walker

 

Principles ofUncertainty 

Joseph B.Kadane 

 

Decision Theory :Principles and Approaches 

GiovanniParmigiani, Lurdes Inoue

 

蒙特卡洛： 

Monte CarloStrategies in Scientific Computing 

Jun S. Liu

 

Monte CarloStatistical Methods 

ChristianP.Robert, George Casella 

 

信息几何： 

Methods ofInformation Geometry   

Shun-Ichi Amari,Hiroshi Nagaoka

 

Algebraic Geometryand Statistical Learning Theory 

Watanabe,Sumio 

 

DifferentialGeometry and Statistics 

M.K. Murray, J.W.Rice 

 

渐进收敛： 

AsymptoticStatistics 

A. W. van derVaart 

 

EmpiricalProcesses in M-estimation   

Geer, Sara A. vande