掌握一個領(lǐng)域的知識需要系統(tǒng)的去學習，只通過一本書所學到的知識是遠遠不夠的。此外，除了與該領(lǐng)域相關(guān)的技術(shù)，對應(yīng)的產(chǎn)業(yè)發(fā)展也是格外重要。本文便以機器學習為例，由淺入深，并結(jié)合相關(guān)領(lǐng)域其它技術(shù)、產(chǎn)業(yè)等方面，為讀者推薦了豐富的書目資源。

一張“迷你地圖”，教你如何進擊機器學習！

由圖可見，想要進擊機器學習，成為機器學習方面的專家，那么你需要從入門、深度學習、數(shù)據(jù)科學、R語言、Python、金融、專家級等多方面的書目，循序漸進的進行修煉。

話不多說，來看與機器學習相關(guān)，最受歡迎的書目榜單Top10吧！

1、《Scikit-Learn 與 TensorFlow 機器學習實用指南》

英文書名：Hands-On Machine Learning with Scikit-Learn and TensorFlow

作者：Aurélien Géron

出版社：O'Reilly Media

這本書通過具體的例子、很少的理論以及兩款成熟的Python框架：Scikit—Learn和TensorFlow，幫助你掌握構(gòu)建智能系統(tǒng)所需要的概念和工具。你將會學習到各種技術(shù)，從簡單的線性回歸到深度神經(jīng)網(wǎng)絡(luò)。每章的練習有助于你運用所學到的知識，你只需要有一些編程經(jīng)驗就行了。

從這本書你將學習：

探索機器學習環(huán)境，特別是神經(jīng)網(wǎng)絡(luò)

使用scikit-learn跟蹤端到端的示例機器學習項目

探索幾種訓練模型，包括支持向量機、決策樹、隨機森林和集合方法

使用TensorFlow庫構(gòu)建和訓練神經(jīng)網(wǎng)絡(luò)

深入研究神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括卷積網(wǎng)絡(luò)，循環(huán)網(wǎng)絡(luò)和深度強化學習

學習訓練和scaling深度神經(jīng)網(wǎng)絡(luò)的技巧

應(yīng)用實際代碼示例，而無需學習過多的機器學習理論或算法細節(jié)

2、《面向數(shù)據(jù)科學家的實用統(tǒng)計學》

英文書名：Practical Statistics for Data Scientists: 50 Essential Concepts

作者：Peter Bruce &Andrew Bruce

出版社：O'Reilly Media

很多數(shù)據(jù)科學資源包括了統(tǒng)計方法，但是欠缺具有深度的統(tǒng)計學視角。如果你熟悉R語言編程，也對統(tǒng)計學有所了解，這份快速參考將幫助你搭建易學可達的知識橋梁。

從這本書你將學到：

為什么探索性數(shù)據(jù)分析是數(shù)據(jù)科學的關(guān)鍵步驟

隨機抽樣如何減少偏差，并產(chǎn)生更高質(zhì)量的數(shù)據(jù)集，即使對于大數(shù)據(jù)也能如此

實驗設(shè)計原則如何有助于得到問題的最終答案

如何使用回歸來估計結(jié)果并檢測異常

用于預測一個record屬于哪個類別的關(guān)鍵分類技術(shù)

從數(shù)據(jù)中“學習”的統(tǒng)計機器學習方法

用于從未標記數(shù)據(jù)中提取含義的無監(jiān)督學習方法

3、Python深度學習

英文書名：Deep Learning with Python

作者：Francois Chollet

出版社：Manning Publications

本書介紹使用Python語言和強大的Keras庫深入深度學習領(lǐng)域。本書由Keras作者、Google AI研究員Fran?ois Chollet撰寫，通過直觀的解釋和實際例子幫助讀者理解。你將在計算機視覺、自然語言處理和生成模型中應(yīng)用具有挑戰(zhàn)性的概念和實踐。當學完本書時，你將擁有在自己的項目中應(yīng)用深度學習的知識和實踐技能。

從本書你將學習：

深度學習的基本原則

建立自己的深度學習環(huán)境

圖像分類模型

文本和序列的深度學習

神經(jīng)風格遷移、文本生成和圖像生成

4、《深度學習》

英文書名：Deep Learning

作者：Ian Goodfellow, Yoshua Bengio &Aaron Courville

出版社：The MIT Press

這本“花書”被認為是名副其實的AI圣經(jīng)?！渡疃葘W習》由深度學習領(lǐng)域三位前沿、權(quán)威的專家 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著，長期位居美國亞馬遜人工智能類圖書榜首，中文版在去年出版后更是賣到斷貨。

該書從淺入深介紹了基礎(chǔ)數(shù)學知識、機器學習經(jīng)驗以及現(xiàn)階段深度學習的理論和發(fā)展，它能幫助人工智能技術(shù)愛好者和從業(yè)人員在三位專家學者的思維帶領(lǐng)下全方位了解深度學習。

這是一本教科書，又不只是一本教科書，任何對深度學習感興趣的讀者，閱讀本書都會受益。

5、《用于數(shù)據(jù)分析的Python：Pandas，NumPy和IPython》

英文書名：Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython

作者：Wes McKinney

出版社：O'Reilly Media

本書由Python pandas項目的創(chuàng)建者Wes McKinney撰寫，是對Python中數(shù)據(jù)科學工具的實用介紹。對于剛接觸Python的分析師以及對數(shù)據(jù)科學和科學計算不熟悉的Python程序員來說，本書是理想的選擇。GitHub上提供了數(shù)據(jù)文件和相關(guān)資料。

閱讀本書你將學習：

使用IPython shell和Jupyter notebook進行探索性計算

學習NumPy中的基本功能和高級功能

學習使用pandas庫中的數(shù)據(jù)分析工具

使用靈活的工具加載、清理、轉(zhuǎn)換、合并和重塑數(shù)據(jù)

使用matplotlib創(chuàng)建信息可視化

將pandas groupby工具應(yīng)用于slice，dice塊和匯總數(shù)據(jù)集

分析和處理規(guī)則和不規(guī)則的時間序列數(shù)據(jù)

通過詳細示例了解如何解決實際的數(shù)據(jù)分析問題

6、《R 數(shù)據(jù)科學》

英文名稱：R for Data Science: Import, Tidy, Transform, Visualize, and Model Data

作者：Hadley Wickham、Garrett Grolemund

出版社：O'Reilly Media

本書的目標是教會讀者使用重要的數(shù)據(jù)科學工具，從而為實施數(shù)據(jù)科學奠定堅實的基礎(chǔ)。 讀完本書后，你將掌握R語言的精華，并能夠熟練使用多種工具來解決各種數(shù)據(jù)科學難題。每一章都按照這樣的順序組織內(nèi)容：先給出一些引人入勝的示例，以便你可以整體了解這一章的內(nèi)容，然后再深入細節(jié)。本書的每一節(jié)都配有習題，以幫助你實踐所學到的知識。

本書適合R數(shù)據(jù)科學家閱讀。

7、《Python 數(shù)據(jù)科學手冊》

英文名稱：Python Data Science Handbook: Essential Tools for Working with Data

作者：Jake VanderPlas

出版社：O'Reilly Media

本書是對以數(shù)據(jù)深度需求為中心的科學、研究以及針對計算和統(tǒng)計方法的參考書。本書共五章，每章介紹一到兩個Python數(shù)據(jù)科學中的重點工具包。首先從IPython和Jupyter開始，它們提供了數(shù)據(jù)科學家需要的計算環(huán)境；第 2章講解能提供ndarray對象的NumPy，它可以用Python高效地存儲和操作大型數(shù)組；第3章主要涉及提供DataFrame對象的Pandas，它可以用Python高效地存儲和操作帶標簽的/列式數(shù)據(jù)；第4章的主角是Matplotlib，它為Python提供了許多數(shù)據(jù)可視化功能；第5章以Scikit-Learn為主，這個程序庫為重要的機器學習算法提供了高效整潔的Python版實現(xiàn)。

本書適合有編程背景，并打算將開源Python工具用作分析、操作、可視化以及學習數(shù)據(jù)的數(shù)據(jù)科學研究人員。

8、《Python 機器學習》

英文名稱：Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow

作者：Sebastian Raschka、Vahid Mirjalili

出版社：Packt Publishing - ebooks Account

機器學習正在吞噬軟件世界，而深度學習正在擴展機器學習。 通過第二版Sebastian Raschka的暢銷書《Python機器學習》，可以了解并實現(xiàn)機器學習、神經(jīng)網(wǎng)絡(luò)和深度學習的最前沿的知識。 本書使用最新的Python開源庫進行了徹底的更新，提供了創(chuàng)建機器學習，深度學習和現(xiàn)代數(shù)據(jù)分析所需的實用知識和技術(shù)。

從本書中，你將學到：

了解數(shù)據(jù)科學、機器學習和深度學習的關(guān)鍵框架

使用在機器學習中Python最新的開源庫

使用具有挑戰(zhàn)性的真實數(shù)據(jù)探索機器學習技術(shù)

使用TensorFlow庫掌握深度神經(jīng)網(wǎng)絡(luò)

了解分類算法的機制，以實現(xiàn)最佳工作

使用回歸分析預測連續(xù)目標結(jié)果

通過聚類發(fā)現(xiàn)數(shù)據(jù)中的隱藏模式和結(jié)構(gòu)

使用情緒分析深入挖掘文本和社交媒體數(shù)據(jù)

9、《Python袖珍指南》

英文名稱：Python Pocket Reference: Python In Your Pocket (Pocket Reference (O'Reilly))

作者：Mark Lutz

出版社：O'Reilly Media

對于的Python 3.4和2.7而言，本指南是完美的實戰(zhàn)快速參考。你從中將會學習有關(guān)Python類型和語句、特殊方法名、內(nèi)建函數(shù)與異常、常用的標準庫模塊及其他的Python工具。

由Mark Lutz這位公認為的Python領(lǐng)導者編寫的《Python袖珍指南（第五版）》，是仍由Mark編寫的經(jīng)典Python教程（《Learning Python》和《Programming Python》，O’Reilly出版）的理想助手。

本書涵蓋內(nèi)容：

內(nèi)建對象類型，包括數(shù)字、列表、字典等更多內(nèi)容

創(chuàng)建和處理對象的語句和語法

結(jié)構(gòu)化和重用代碼所用的函數(shù)與模塊

Python面向?qū)ο蟮木幊坦ぞ?/p>

內(nèi)建函數(shù)、異常和屬性

專有運算符重載方法

廣泛應(yīng)用的標準庫模塊和擴展

命令行選項與開發(fā)工具

Python的習語與提示

Python的SQL數(shù)據(jù)庫API

10、《統(tǒng)計學習基礎(chǔ)》

英文名稱：The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition (Springer Series in Statistics)

作者：Trevor Hastie、Robert Tibshirani

出版社：Springer

計算和信息技術(shù)的飛速發(fā)展帶來了醫(yī)學、生物學、財經(jīng)和營銷等諸多領(lǐng)域的海量數(shù)據(jù)。理解這些數(shù)據(jù)是一種挑戰(zhàn)，這導致了統(tǒng)計學領(lǐng)域新工具的發(fā)展，并延伸到諸如數(shù)據(jù)挖掘、機器學習和生物信息學等新領(lǐng)域。許多工具都具有共同的基礎(chǔ)，但常常用不同的術(shù)語來表達?！督y(tǒng)計學習基礎(chǔ)(第2版)(英文)》介紹了這些領(lǐng)域的一些重要概念。盡管應(yīng)用的是統(tǒng)計學方法，但強調(diào)的是概念，而不是數(shù)學。許多例子附以彩圖?！督y(tǒng)計學習基礎(chǔ)(第2版)(英文)》內(nèi)容廣泛，從有指導的學習（預測）到無指導的學習，應(yīng)有盡有。包括神經(jīng)網(wǎng)絡(luò)、支持向量機、分類樹和提升等主題，是同類書籍中介紹得*全面的。

《統(tǒng)計學習基礎(chǔ)(第2版)(英文)》可作為高等院校相關(guān)專業(yè)本科生和研究生的教材，對于統(tǒng)計學相關(guān)人員、科學界和業(yè)界關(guān)注數(shù)據(jù)挖掘的人，《統(tǒng)計學習基礎(chǔ)(第2版)(英文)》值得一讀。

根據(jù)這張“迷你地圖”，可以分為七個“領(lǐng)域”，各自都有相應(yīng)的推薦書目。

新手進階書目推薦

1、《Machine Learning For Absolute Beginners: A Plain English Introduction (Machine Learning For Beginners)》

作者：Oliver Theobald

2、《Make Your Own Neural Network: An In-depth Visual Introduction For Beginners》

作者：Michael Taylor

3、《The Math of Neural Networks》

作者：Michael Taylor

深度學習相關(guān)書目推薦

1、《Deep Learning with Python》

作者：Francois Chollet

2、《Deep Learning: A Practitioner's Approach》

作者：Josh Patterson、Adam Gibson

3、《Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles》

作者：Giuseppe Ciaburro、Balaji Venkateswaran

數(shù)據(jù)科學相關(guān)書目推薦

1、《Data Science from Scratch: First Principles with Python》

作者：Joel Grus

2、《Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking》

作者：Foster Provost、Tom Fawcett

3、《Think Bayes: Bayesian Statistics in Python》

作者：Allen B. Downey

R語言相關(guān)書目推薦

1、《ggplot2: Elegant Graphics for Data Analysis (Use R!)》

作者：Hadley Wickham

2、《R Cookbook: Proven Recipes for Data Analysis, Statistics, and Graphics (O'reilly Cookbooks)》

作者：Paul Teetor

3、《R Graphics Cookbook: Practical Recipes for Visualizing Data》

作者：Winston Chang

Python相關(guān)書目推薦

1、《Introducing Python: Modern Computing in Simple Packages》

作者：Bill Lubanovic

2、《Learning Python, 5th Edition》

作者：Mark Lutz

3、《Fluent Python: Clear, Concise, and Effective Programming》

作者：Luciano Ramalho

金融相關(guān)書目推薦

1、《Advances in Financial Machine Learning 》

作者：Marcos Lopez de Prado

2、《Building Winning Algorithmic Trading Systems, + Website: A Trader's Journey From Data Mining to Monte Carlo Simulation to Live Trading (Wiley Trading)》

作者：Kevin J. Davey

3、《Algorithmic Trading: Winning Strategies and Their Rationale》

作者：Ernie Chan

專家級書目推薦

1、《Pattern Recognition and Machine Learning (Information Science and Statistics)》

作者：Christopher M. Bishop

2、《Machine Learning (McGraw-Hill International Editions Computer Science Series)》

作者：Tom M. Mitchell

3、《Reinforcement Learning: An Introduction (Adaptive Computation and Machine Learning)》

作者：Richard S. Sutton、Andrew G. Barto