1. 数学基础
1.微积分：《微积分学教程》 （F.M.菲赫金哥尔茨）俄罗斯的数学书
2.线性代数：《Linear Algebra and Its Applications，Third Edition （David C.Lay）》讲得很实际，线性代数最重要的就是与实际应用相联系才能够理解其意义
集体智慧编程过时了么，3.概率与统计：《概率论与数理统计 （陈希孺）》或《概率论与数理统计（盛骤/谢式千/潘承毅）》这两本书都很不错
这四门是数学的基础，当然数学本身就是博大精深的。
2. 机器学习与数据挖掘（偏理论）
1.《 统计学习方法 （李航）》
2.《统计学习基础 （Trevor Hastie，Robert Tibshirani，Jerome Friedman）》
4.《Introduction to Machine Learning （Ethem Alpaydin）》（《机器学习导论》）
6.《Data Mining （韩家炜） 》
7.《现代模式识别 （孙即祥） 》
3. 智能算法（偏应用）
1.《Web智能算法 （Haralambos Marmanis，Dmitry Babenko）》
2.《集体智慧编程 （Toby Segaran）》
3.《推荐系统实践 （项亮）》
4.《数据之魅 （Pbilipp K.Janert）》
这几本书均是从实践的角度讲解了机器学习中常用的算法，非常值得一看。
有人推荐，学习机器学习的话可以先读《统计学习方法》和《统计学习基础》打底，这样就包含了大部分的算法，然后再深入研究某个算法。
入门级：
《数学之美》；作者吴军大家都很熟悉。这本书主要的作用是引起了我对机器学习和自然语言处理的兴趣。里面以极为通俗的语言讲述了数学在这两个领域的应用。
《Programming Collective Intelligence》（中译本《集体智慧编程》）；作者Toby Segaran也是《BeautifulData : The Stories Behind Elegant Data Solutions》（《数据之美：解密优雅数据解决方案背后的故事》）的作者。这本书最大的优势就是里面没有理论推导和复杂的数学公式，是很不错的入门书。目前中文版已经脱销，对于有志于这个领域的人来说，英文的pdf是个不错的选择，因为后面有很多经典书的翻译都较差，只能看英文版，不如从这个入手。还有，这本书适合于快速看完，因为据评论，看完一些经典的带有数学推导的书后会发现这本书什么都没讲，只是举了很多例子而已。
链接: https://pan.baidu.com/s/1yONY6XILVMvSUjutBtyl2w 提取码: qj9m 书名：集体智慧编程 作者：Toby Segaran 译者：莫映 豆瓣评分：9.0 出版社：电子工业出版社 出版年份：2009-1 页数：364 内容简介：本书以。
《Algorithms of the Intelligent Web》（中译本《智能web算法》）；作者Haralambos Marmanis、Dmitry Babenko。这本书中的公式比《集体智慧编程》要略多一点，里面的例子多是互联网上的应用，看名字就知道。不足的地方在于里面的配套代码是BeanShell而不是python或其他。总起来说，这本书还是适合初学者，与上一本一样需要快速读完，如果读完上一本的话，这一本可以不必细看代码，了解算法主要思想就行了。
12. 《集体智慧编程Programming Collective Intelligence》 作者：Toby Segaran 13. 《统计学习方法》作者：李航
《Machine Learning》（《机器学习》）；作者TomMitchell[2]是CMU的大师，有机器学习和半监督学习的网络课程视频。这本书是领域内翻译的较好的书籍，讲述的算法也比《统计学习方法》的范围要大很多。据评论这本书主要在于启发，讲述公式为什么成立而不是推导；不足的地方在于出版年限较早，时效性不如PRML。但有些基础的经典还是不会过时的，所以这本书现在几乎是机器学习的必读书目。那么Mitchell的<机器学习>是经典的入门之作。当然，因为年代久远，很多新的模型都没有涉及到，但不影响他的经典性——入门级。
《机器学习实战》对于程序员，想快速了解模型流程和优缺点的，甚至是实现模型的，那么<machine learning in action>是我比较推荐的，现在已经有中文版了<机器学习实战>。这本书，提到了很多常见的模型，开始就是模型背景简介，之后是模型优缺点和应用场景、在接着算法实现和案例。而且，在书的最后，提及了一些比较切合时代的话题——大数据下机器学习。
《机器学习基础》对于想从事机器学习的入门人员，比较推荐一本有中文版的<机器学习基础>(Simon Rogers的，英国格拉斯哥大学计算机科学学院讲师)，这本书适合高年级本科生和研究生。从理论的角度，推导了各个算法，以及探究了各个模型的特性等。涉及数学和矩阵的地方，都有详细的参照。适合高端点的入门，看这本书，可以体会一下自己的数学和矩阵，有种必须要加强的感觉。
《Data Mining: Practical Machine Learning Tools and Techniques》（《数据挖掘：实用机器学习技术》）；作者Ian H. Witten 、Eibe Frank是weka的作者、新西兰怀卡托大学教授。他们的《ManagingGigabytes》[4]也是信息检索方面的经典书籍。这本书最大的特点是对weka的使用进行了介绍，但是其理论部分太单薄，作为入门书籍还可，但是，经典的入门书籍如《集体智慧编程》、《智能web算法》已经很经典，学习的话不宜读太多的入门书籍，建议只看一些上述两本书没讲到的算法。
深入级：
《Pattern Classification》（《模式分类》第二版）；作者Richard O. Duda[5]、Peter E. Hart、David。模式识别的奠基之作，但对最近呈主导地位的较好的方法SVM、Boosting方法没有介绍，被评“挂一漏万之嫌”。
链接: https://pan.baidu.com/s/1WNGnyVlGBYVp25gPXwks8g 提取码: jwi7 书名：集体智慧编程 作者：Toby Segaran 译者：莫映 豆瓣评分：9.0 出版社：电子工业出版社 出版年份：2009-1 页数：364 内容简介：本书以。
Businessman in data management concept
![[加拿大]约翰·拉尔斯顿·索尔《无意识的文明》作品简介与读书感悟](http://img.tianshugan.com/tsg/files/202212/1603933530755194881.jpg)
![[日]岛田庄司《斜屋犯罪》作品简介与读书感悟](http://img.tianshugan.com/tsg/files/202212/1599485557392564226.jpg)
![[日]太宰治等《犯人》作品简介与读书感悟](http://img.tianshugan.com/tsg/files/202212/1604384247018184706.jpg)
