想学习机器学习吗？从这10本书开始。>面向绝对初学者、初学者和专家的10大机器学习书籍什么是机器学习？维基百科-机器学习(ML)是对根据经验自动改进的计算机算法的研究。它被认为是人工智能的一个子集。机器学习算法基于样本数据（称为“训练数据”）构建模型，以便在没有明确编程的情况下做出预测或决策。机器学习算法用于各种应用，例如电子邮件过滤和计算机视觉，在这些应用中很难或不可行开发传统算法来执行所需的任务。机器学习的十大应用：图像识别语音识别产品推荐自动驾驶汽车电子邮件垃圾邮件和恶意软件过滤虚拟个人助理在线欺诈检测自动语言翻译医学诊断产品推荐以下是关于机器学习的十大最佳书籍。1.MachineLearningForAbsoluteBeginners:ASimpleEnglishIntroduction>MachineLearningForAbsoluteBeginners:APlainEnglishIntroduction作者—OliverTheobaldPages—162Oriented—AbsoluteBeginnersInstructions—这本书是用英文写的，没有编码经验。OliverTheobald介绍了核心算法并给出了清晰的解释，并添加了直观的示例，以便在家中轻松学习。本书将在您学习时逐步指导您：如何下载免费数据集您需要哪些工具和机器学习库数据清理技术，包括单热编码、合并和处理缺失数据准备数据进行分析，包括k-折叠验证回归分析以创建趋势线聚类，包括k-均值聚类以寻找新关系神经网络的基本偏差/方差以改进您的机器学习模型决策树解码分类如何使用Python构建您的第一个机器学习模型以预测房屋价值2.HundredPageMachineLearningBook>TheHundredPageMachineLearningBook作者-PeterNorvig，谷歌研究总监，AIMA合著者。AurélienGéron，高级AI工程师，畅销书Scikit-Learn和Hands-onMachineLearningwithTensorFlow的作者。亚马逊数据科学主管KarolisUrbonas。eBay工程主管SujeetVarakhedi。Pages—160Oriented—BeginnerDescription—监督和无监督学习、支持向量机、神经网络、集成方法、梯度下降、聚类分析和降维、自动编码器和迁移学习、特征工程和超参数调优！数学、直觉、插图全都有一百页！3.傻瓜机器学习（Python和R）>傻瓜机器学习（Python和R）页数—399适合—初学者说明—这本书是快速入门的简单方法。它解释了如何开始，详细讨论了底层算法的工作原理，使使用Python和R等语言进行机器学习成为可能，指定了如何在实践中使用常见算法，等等！书内：关于AI的真实故事统计在R和Python中的作用面向黑客的机器学习：案例研究和算法入门>面向黑客的机器学习：案例研究和算法入门-作者DrewConway和JohnMylesPages-340数据操作，然后这本书将帮助您开始使用机器学习算法工具包，使计算机能够训练自己自动执行有用的任务。作者德鲁·康威(DrewConway)和约翰·迈尔斯·怀特(JohnMylesWhite)通过一系列实践案例研究而非传统的乏味讲座，帮助您了解机器学习和统计工具。每章都侧重于机器学习中的一个特定问题，例如分类、预测、优化和推荐。使用R编程语言，您将学习如何分析示例数据集和编写简单的机器学习算法。MachineLearningforHackers是来自任何背景的程序员的理想选择，包括商业、政府和学术研究。通过本书，您将：开发一个朴素贝叶斯分类器，仅根据其文本来确定电子邮件是否为垃圾邮件。使用线性回归预测前1,000个网站的综合浏览量。学习优化通过尝试破解简单的字母代码来实现这些技术。根据参议员的投票记录进行统计比较和对比。5.机器学习>机器学习作者-TomM.Mitchell第432页-初学者指南-这本教科书提供了对机器学习主要方法的单一来源介绍。它适用于高年级本科生和研究生，以及该领域的开发人员和研究人员。假设没有人工智能或统计方面的先验背景。本书中讨论的几个关键算法、日期集示例和面向项目的家庭作业都可以通过万维网访问。特点：本书统一涵盖了各个领域的概念和技术，涵盖了遗传算法、强化学习和归纳逻辑程序设计等最新主题。写作风格清晰，说明和精确。6.使用Scikit-Learn、Keras和TensorFlow进行机器学习实践：概念、工具和技术顾问和培训师。Pages—848Oriented—AllInstructions—您将学习各种技术，从简单的线性回归开始，一直到深度神经网络。每章都有练习来帮助您应用所学知识，因此您所需要的只是编程经验。通过本书，您将：探索机器学习的前景，尤其是神经网络使用Scikit-Learn端到端地跟踪示例机器学习项目探索多种训练模型，包括支持向量机、决策树、随机森林和集成方法使用TensorFlow库构建和训练神经网络深入研究神经网络架构，包括卷积网络、循环网络和深度强化学习学习训练和扩展深度神经网络的技术7。DeepLearningwithPython>DeepLearningWithPython作者—Fran?oisChollet，GoogleAI研究员和Keras创建者。页数—面向384页—完整描述—它介绍了使用Python语言和强大的Keras库进行深度学习的领域。本书由Keras创建者和GoogleAI研究员Fran?oisChollet撰写，通过直观的解释和实际示例加深您的理解。内容：第1部分-深度学习基础知识什么是深度学习？开始之前：神经网络的数学基础神经网络简介机器学习基础第2部分-实践中的深度学习计算机视觉深度学习文本和序列深度学习高级深度学习最佳实践生成深度学习结论附录A-安装Keras及其对Ubuntu的依赖性附录B—在从亚马逊购买的EC2GPU实例笔记本上运行Jupyter。8.DeepLearning(AdaptiveComputationandMachineLearningSeries)>DeepLearning(AdaptiveComputationandMachineLearningSeries)作者-IanGoodfellow是谷歌的研究科学家（GAN的发明者）。YoshuaBengio是蒙特利尔大学计算机科学教授（图灵奖获得者）。AaronCourville是蒙特利尔大学计算机科学助理教授。Pages—800Oriented—Beginner/IntermediateInstructions—这本书介绍了深度学习的广泛主题，涵盖数学和概念背景、工业中使用的深度学习技术以及研究观点。特斯拉和SpaceX首席执行官ElonMusk的评论：“深度学习由该领域的三位专家撰写，是该主题唯一的综合性书籍。”9.PatternRecognitionPatternRecognitionAndMachineLearning（信息科学与统计学）Pages—738Towards—Intermediate/ExpertInstructions—这是第一本引入贝叶斯观点的模式识别教科书。本书介绍了近似推理算法，可以在无法给出准确答案时快速提供近似答案。当没有其他书籍将图形模型应用于机器学习时，它使用图形模型来描述概率分布。假设先前没有模式识别或机器学习概念的知识。需要熟悉多元微积分和基本线性代数，一些概率经验会有所帮助，但不是必需的，因为本书包括对基本概率论的独立介绍。10.统计学习的要素：数据挖掘、推理和预测，第二版>统计学习的要素：数据挖掘、推理和预测，第二版大学教授。Pages—745Towards—Intermediate/ExpertInstructions—本书在一个共同的概念框架内描述了各个领域的重要思想，例如医学、生物学、金融和市场营销。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。对于统计学家和任何对科学或工业中的数据挖掘感兴趣的人来说，它都是宝贵的资源。这本书涵盖的范围很广，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、分类树和提升——这是任何书中第一次全面处理该主题。原文链接：https://medium.com/datadriveninvestor/top-10-books-on-machine-learning-for-absolute-beginners-beginners-and-experts-88cfcb94ccce）
