初入机器学习应先精读书籍，周志华机器学习可作入门首选
当我第一次学习机器学习时，我选择了一本书，第一次精通书籍，然后阅读其他书籍。其他机器学习书籍用作检查和缺少的教科书或参考材料。机器学习是计算机科学和人工智能的重要分支。首先推荐老师Zhou 的“机器学习”
本书作为该领域的入门教科书，在机器学习基本知识的许多方面都有16章，该方面大致分为3个部分：
第1部分（第1〜3）介绍机器学习的基本知识；
第2部分（第4〜10）讨论了一些经典且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，群集，降低维度和测量学习）；
第3部分（第11〜16章）是高级知识。该内容涉及特征选择和稀疏学习，计算学习理论，半教学的学习，概率图模型，规则和加强学习。
“统计学习方法（第二版）”
统计学习的主要方法以全面的方式引入，共有两篇文章。第一个系统介绍了各种重要的监督和学习方法，包括制造树木，感知支持向量机，大型熵模型和逻辑返回，促销方法，多类别方法，EM算法，隐藏的模型和条件随机机场， ETC。;第二个介绍没有监督学习，包括聚类，奇怪的价值，主要成分分析，潜在的语义分析等。
当学习机器学习或深度学习时，实际战斗一直是重要的部分。 “机器学习真正的战斗：基于和平”
https://img2.baidu.com/it/u=909052355,2322689607&fm=253&fmt=JPEG&app=138&f=JPEG?w=500&h=666
这本书的作者曾经是工程师。从2013年到2016年，领先的视频分类项目在机器学习项目中具有丰富的经验。作者的最初意图是从实践开始，并帮助开发人员从头开始启动神经网络。这也是本书中最重要的特征，它与其他机器学习教程不同。从原则研究的角度来看，一个不再是偏见的，而是从开发人员实践的角度来看。学习工具的理论知识和工具。对于想要快速从手机机上学习的开发人员来说，这本书是值得尝试的起点。
“机器学习战斗”
它主要介绍机器学习的基础以及如何使用算法进行分类，并逐渐引入了各种经典的监督学习算法，例如K近邻居算法，简单的贝叶斯算法，回归算法，支持向量机器，集成方法，树木 - - 树 - 基于基于树基的返回算法的返回和分类返回到树算法。第三部分的重点是引入无监督的学习及其一些主要算法：k平均聚合算法，算法，FP--烯烃。第四部分引入了一些用于机器学习算法的辅助工具。本书已经精心安排了示例，削减了日常工作任务，放弃了学术语言，并使用高效率代码来解释如何处理统计数据并执行数据分析和可视化。通过各种示例，读者可以使用中学的机器学习的核心算法，并可以将其应用于某些战略任务，例如分类，预测和建议。此外，他们还可以使用它们来实现一些更高级的功能，例如摘要和简化。
“深度学习”（花书）
这本书的作者是Lan和Aaron。这本书的中文版本于2017年7月22日推出。该书由许多翻译完成。 “深度学习”一书介绍了基本数学知识，机器学习经验以及当前深度学习理论和发展的理论和发展。无论是良好的人工智能技术还是相关从业者，这都是非常好处。此外，如果读者想熟悉一些数学知识，那么本书还进行了一些介绍，包括矩阵，指南号和其他基本内容。读者可以从头到尾阅读。 “深度学习”一书的主要特征是介绍深度学习算法的本质。它可以从特定代码中读取以实现算法背后的逻辑。不编码代码的人也可以阅读。为了促进读者阅读作者对本书的内容和组织结构的特殊绘制，指出了本书的20章之间的相关关系。读者可以根据其背景或需求选择随意阅读。
此外，还有一本书“手 - 学习深度学习”。这本书旨在将深度学习的互动学习经验传达给读者。该书不仅解释了深度学习的原则，而且还展示了它们的实施和运作。与传统书籍不同，本书的每个部分都是可以下载和运行的记事本。它结合了文本，公式，图像，代码和操作结果。此外，读者还可以访问并参与对书中内容的讨论。
本书的内容分为3部分：第一部分介绍了深度学习的背景，提供准备知识，并包括深度学习基础的概念和技术；第二部分描述了深度学习计算的重要部分，还解释说，近年来，在多个领域中非常成功的卷积神经网络和循环神经网络。第三部分评估了优化算法，测试影响深度学习计算性能的重要因素，并分别列出了在计算机视觉和自然语言处理中深度学习的重要应用。本书本书还涵盖了深度学习的方法和实践，主要针对学校的大学生，技术人员和研究人员。阅读本书要求读者了解附录中描述的线性代数，差异和概率基础。
如果您觉得数学还不够，则可以看到这种“深度学习的数学”。基于丰富的图标和特定示例，本书很容易引入与深度学习相关的数学知识。
第1章介绍神经网络的概述；
http://t14.baidu.com/it/u=2780962553,88016455&fm=224&app=112&f=JPEG?w=500&h=500
第2章介绍了了解神经网络所需的数学知识；
第3章介绍了神经网络的优化；
第4章介绍了反向宣传方法的神经网络和错误的方法；
第5章介绍了深度学习和卷积神经网络。
该书使用Excel进行理论验证，以帮助读者直观地体验深度学习的原则。
如果您想审查一些数学课程，则可以参加一些数学基本课程，例如微积分，线性代数，概率理论和其他课程。程序员可以直接阅读数学书籍，但有些人为程序员编写了相应的数学书籍。
“程序员的数学2版”介绍了程序员在程序员中常用的数学知识来培养初级程序员的数学思维。读者不需要精通编程，也不需要精通数学。只要他们有四个基本知识，例如操作和乘法，他们就可以阅读本书。本书解释了许多数学方法，例如二进制计数方法，逻辑，平衡，布置组合，递归，索引爆炸，不可替代的问题以及其他与编程密切相关的数学方法。经典问题和算法，例如契约的数量。指导读者深入了解编程中的数学方法和思想。
“程序员的数学2：概率统计”涉及随机变量，贝叶斯公式，分散和连续性的概率分布，协调的矩阵，多样的正态分布，估计和检查理论，伪符号数量以及概率理论的概率理论，合适的概率理论，合适的概率理论对于计划设计师，可以与数学爱好者一起阅读，也可以用作入门读数，作为高中或大学非音乐专业学生的概率。
“程序员的数学3：线性代数”本书使用了流行的语言和类似的图表，以深入编程中所需的线性代数知识。该内容包括向量，矩阵，等级，等级，反专家，线性方程，LU分解，特征值，对角线，标准类型，特征值算法等等。
一般而言，当学习机器学习时，阅读书籍和其他书籍被用来协助和检查缺少缺失的缺失，然后您可以根据科学研究的方向和导师的要求阅读论文和科学研究。如果您想在数学系学习一些课程，则可以先阅读一些工程书籍，然后选择一些专业的数学书籍进行阅读。
页:
[1]