作者：王天翼
来源：GeekTime专栏《人工智能根本课》
工学博士、副教授撰写的人工智能罕有书本清单，并附有 PDF 版本的链接。
机器学习
在机器学习方面，我首先要推举的两本书是李航博士的《统计学习方法》和周志华教授的《机器学习》。
《统计学习方法》采取“一样平常-详细-一样平常”的构造，在梳理统计学习的基本观点后，系统全面地先容了统计学习中的10种紧张方法，末了对这些算法进行了总结和比较。本书以数学公式为主，在先容每种方法时，都给出了详细的数学推导，险些没有废话，因此对读者的数学功底哀求也很高。
比较之下，《机器学习》涵盖的范围更广，入门性更强，有助于理解机器学习的全貌。书中险些涵盖了机器学习中所有算法类别的基本思想、适用范围、优缺陷、紧张实现方法等，并穿插了大量普通易懂的实例。
如果说《统计学习方法》胜在深度，那么《机器学习》胜在广度。鉴于它的广度，你可以在《机器学习》供应的丰富参考资料的根本上连续深入挖掘。
读完以上两本书，可以再读一些经典著作。第一本经典著作是 Tom Mitchell 的《Machine Learning》，中译本名为《机器学习》。这本书写于 1997 年，虽然难以涵盖机器学习的最新进展，但对根本理论和核心算法的谈论还是精辟的，毕竟经典理论经得起韶光的磨练。这本书的重点也是广度，没有涉及很多繁芜的数学推导，是一本空想的入门书。作者曾在主页上表示，这本书将出新版本，并增加了一些章节，或许在未来两年内，我们就能期待新版本的面世。
另一本经典书本是 Trevor Hastie 等人撰写的 Elements of Statistical Learning，2016 年出版了第二版。这本书没有中文翻译版，只有影印本。专家写的书不会用大量繁芜的数学公式恐吓人（专门讲算法推导的书除外），这本书也不例外。它更强调各种学习方法的内涵和外延。比较于详细的推导，从方法的起源和发展来理解其运用处景和发展方向或许更为主要。
末了一本登上舞台的书是 Christopher Bishop 的《模式识别与机器学习》。这本书出版于 2007 年，至今没有中文译本。或许是由于翻译这样一本气势磅礴的书须要无数个深夜。这本书的特点是将机器学习视为一个整体，无论是基于频率的方法还是贝叶斯方法，无论是回归模型还是分类模型，都只是问题的不同方面。作者可以开拓出一个上帝视角，将各种机器学习纳入一张巨网。可惜的是，大多数读者跟不上他的博识思维（包括我自己）。
末了推举的一本书是 David JC MacKay 的 Information Theory, Inference and Learning Algorithms，出版于 2003 年，中译本名为《信息论、推理与学习算法》。这本书的作者是一位多才多艺的科学家。这本书并不是一本机器学习的专著，而是将多个干系学科合二为一，内容相称广泛。比较于那些正面写着一张脸的教科书，阅读这本书觉得就像在和作者谈天，他会在发言中抛出各种问题让你思考。话题的广泛性让这本书的阅读体验并不轻松，但可以作为一种拓展视野的办法。
数学
1.线性代数
我推举两本国外教材，一本是 Gilbert Strang 的《Introduction to Linear Algebra》，英文版于 2016 年出版了第五版，目前还没有中文译本。这本书通过直不雅观生动的观点讲解，阐述了抽象的基本观点，并辅以大量线性代数在各个领域的实际运用，非常具有学习友好度。作者在 MIT 的 OCW 上开设了相应的视频课程，还配备了练习答案、仿照测试题等一系列电子资源。
第二本是David C Lay的《Linear Algebra and its Applications》。英文版在2015年也出版了第五版。中文译本叫做《线性代数及其运用》，对应原书第四版。这本书通过向量和线性方程的基本观点，深入浅出地先容了线性代数的基本观点，重点讲解了公式背后的代数和几何意义。还附有大量的运用例子，对理解基本观点很有帮助。
2.概率论
根本阅读可以选择Sheldon M Ross的A First Course in Probability。英文版2013年出版了第九版（第十版将于2018年出版），中文译本名为《概率论根本教程》，对应原书第九版，也有英文影印本。本书从中央极限定理的角度谈论概率问题，抛开丈量不谈。观点的讲解比较普通。书中还包含大量与生活密切干系的运用例题和练习。
另一本难读的书是 Edwin Thompson Jaynes 的《概率论：科学的逻辑》。这本书目前还没有中文译本，其影印本《概率论沉思录》已绝版。这本书是作者的遗作，耗时半个世纪才完成。从书名就可以看出这是一本好书。作者从逻辑的角度磋商了基于频率的概率、贝叶斯概率和统计推断，并将概率论这一履历学科纳入了数理逻辑的框架。如果你读这本书，请做好烧脑的准备。
3.数理统计
根本阅读可以看陈希儒院士的《数理统计学教程》。统计学是否是一门科学目前还存在争议，但它在机器学习中的主要浸染是毋庸置疑的。陈的书着重磋商统计学的观点和思想，力求教授从统计学角度不雅观察和剖析事物的能力，非常有代价。
进一步阅读可以选择 Roger Casella 的《Statistical Inference》。由于作者于 2012 年去世，2001 年的第二版已成为末了一版。中文译本名为《Statistical Inference》，也有影印本。这本书包含一些概率论内容，循规蹈矩地先容了统计推断、参数估计、方差回归等统计学中的基本问题。
4. 优化理论
可以参考 Stephen Boyd 的 Convex Optimization，这本书虽然比较厚，但读起来还不错，侧重于实际运用，而不是理论证明，很多机器学习中广泛利用的方法都可以在这里找到。
5.信息论
我推举《Elements of Information Theory》，Thomas Cover 和 Jay A Thomas 合著，第二版出版于2006年，中文译名为《信息论根本》。这本书博大精湛，虽然不是大部头，但充满了实用信息，讲解了信息论中各个基本观点的物理内涵，但须要一定的数学根本才能读得通。其余，这本书侧重讲解了信息论在通信中的运用。
关于作者
王天翼，北京邮电大学工学博士，贵州大学大数据与信息工程学院副教授，贵州省三维数字医学学会会员。在校期间紧张研究方向为连续变量量子通信理论与系统，主持和参与多项国家级/省部级科研项目，以第一作者身份揭橥SCI论文5篇。
目前的研究方向为大数据与人工智能，包括基于物联网、神经网络、机器学习等大数据运用。除技能领域外，对人工智能的发展方向和未来趋势也有深入思考，并撰写了《人工智能革命》一书。
PDF 链接
机器学习
机器学习
~gabis/ml/ml-books/McGrawHill%20-%20Machine%20Learning%20-Tom%20Mitchell.pdf
统计学习要素
~hastie/论文/ESLII.pdf
模式识别与机器学习
~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf
信息论、推理和学习算法
数学
线性代数简介
~gs/lineargebra/lineargebra5_Preface.pdf
线性代数及其运用
概率论入门课程（第 8 版）
概率论：科学的逻辑
统计推断
凸优化
~boyd/cvxbook/bv_cvxbook.pdf
信息论要素
以上内容来自《人工智能根本课程》，如果你对AI感兴趣，或者考虑转型进入AI领域，这个专栏正是你所须要的。该专栏共有七个模块：