【免费】5本机器学习电子书推荐(附简介与下载)

数学与人工智能 2018-10-17 07:44:00

这五本精心挑选的电子书,可以帮助你更全面地了解机器学习,掌握进入这个行业必备的技能。

需要注意的是,虽然有关机器学习的免费电子书成千上万,而且其中有许多非常有名,但这份书单中避开了这些“常规”路线,为大家选出了五本不是特别著名,但非常有实用价值的书籍。


进入数学与人工智能微信公众号,回复 0000000,即可下载全部五本电子书。


1.《机器学习导论》(Introduction to Machine Learning)



该书是斯坦福大学的Nils J. Nilsson在90年代中期的机器学习笔记合集。在你产生“90年代的东西”的想法并对其嗤之以鼻之前,记住,基础就是基础,经典不会过时,无论它是什么年代写成的。


诚然,自这本书成书以来机器学习已经取得了许多重要的进步,但正如Nilsson自己所说,这些笔记涵盖了许多现在仍被认为是与机器学习直接相关的基础知识。本书中没有涉及过去几十年的技术进步,其他作者常常恨不得在前言中介绍这些内容。但是,本书有许多关于统计学习、学习理论、分类以及各种算法等合你胃口的知识。而且这本小书不足200页,读起来非常轻松。



2.《深入理解机器学习:从原理到算法 》(Understanding Machine Learning: From Theory to Algorithms)



本书由Shai Shalev-Shwartz和Shai Ben-David编写,它比前一本更新、篇幅更长,也更关注前沿技术。它对更多算法作了深入的介绍,同时强调实用性。对初学者来说,关注理论可以是真正了解机器学习算法背后的驱动力的重要线索。本书的高级理论部分涵盖了一些可能超出了初学者能力的概念,但可作为选读内容阅读。


(译者注:这本有中文版)



3.《贝叶斯推理与机器学习》(Bayesian Reasoning and Machine Learning)



就我所知,这本有关贝叶斯机器学习的介绍性书籍是这个主题里最知名的一本。明尼苏达大学的Arindam Banerjee的该书的亚马逊评论中写道:


该书广泛涵盖了概率机器学习的相关主题,包括离散图模型、马尔可夫决策过程、高斯过程、随机和确定性推理等。该教材非常适合本科高年级生或作为研究生的介绍性读物。书中的论述使用大量图表和例子,还附带了一个扩展软件工具箱...


需要注意的是,书中附带的工具箱需要在MATLAB中实现,而MATLAB已经不是主流的机器学习语言。但是,这个工具箱不是该书唯一的亮点。


本书为那些对概率机器学习感兴趣的人提供了一个很好的起步。



4.《深度学习》(Deep Learning)


这是Goodfellow、Bengio和Courville合著的即将发表的深度学习专业书籍,其官网上有一个免费的终稿版本。


以下两段文字摘录自该书的官方网站,其中一段是书的内容的概述,另一段可以激起每个人阅读这本书的兴趣。


这部《深度学习》教材旨在帮助学生以及从业者进入机器学习领域,尤其是深度学习领域。该书的在线版本已完成,可以免费获取。纸质版本即将推出。


本书的目标读者之一是学习机器学习专业的大学生(本科生或研究生),以及那些开始进入深度学习和人工智能研究业界的人。其他目标读者是缺乏机器学习或统计学背景,但希望快速获取相关知识并在自己的产品或平台中应用的软件工程师。


本书可以说是学习深度学习最好的教材!



5.《增强学习:导论》(第二版)(Reinforcement Learning: An Introduction)



Sutton和Barto的这部权威经典教材现在出了第二版,虽然纸书尚未出版,不过网上已经有第二版的终稿版本。


增强学习是最近非常热门研究话题。由于最近加入增强学习的AlphaGo获得的巨大成功,它在自动驾驶等类似的系统的潜在作用得到重视,增强学习与深度学习的结合无疑被认为是“普遍AI”的重要角色。实际上这也是本书出第二版的原因。


这本书被简称为“Sutton and Barto”,很好地说明了它在增强学习领域的权威性。下面这则来自David Tan的亚马逊评论很好地总结了该书:


该书先是用一些例子直观地介绍了增强学习及它的定义。接下来的三章介绍了增强学习的三种基本方法:动态规划、蒙特卡洛和时间差分法。后续章节基于这些方法拓展到整个解决方案和算法。

友情链接