本文约1500字，建议阅读5分钟
本文分享 10 本机器学习相关的电子书，涵盖从基础到进阶不同的开发阶段。
机器学习在处理数据问题方面具有显著优势，随着技术的发展，也涌现了一批又一批的开发工具、先进算法，使得机器学习、深度学习更加简化。
今天，我们将在这篇文章中分享 10 本机器学习相关的电子书，涵盖从基础到进阶不同的开发阶段。部分书目已发售中文版，附京东图书链接。
—— 用 Python、scikit-learn 以及 TF 2 进行机器学习以及深度学习
[美] Sebastian Raschka
& Vahid Mirjalili
内容简介：过去十年间最畅销的机器学习书籍之一，对于从事 AI 及 ML 的读者来说，本书可以从数据侧从 0 到 1 展示，如何更好地使用 scikit-learn、TensorFlow 等机器学习和深度学习库，因此算得上是一本非常好的补充学习书籍。https://item.jd.com/55532264604.html
[美] Gareth James & Daniela Witten & Trevor Hastie & Robert Tibshirani
内容简介：本书是一本统计学习方法的概要书，提供了理解大数据和复杂数据必不可少的工具，解释了如何更直观简单地应用统计学方法和机器学习。https://item.jd.com/11699746.html内容简介：本书适用于对机器学习和深度学习有一定基础、有进阶需求的读者，集中介绍了如何应对 ML 和 DL 过程中遇到的挑战，而非单纯地解释算法。内容简介：本书着重介绍如何构建机器学习项目、实现机器学习算法。读过之后，你将学习如何优先识别并处理项目中的关键环节、检测 ML 系统中的错误，并执行其它重要操作。https://deeplearning-ai.github.io/machine-learning-yearning-cn/内容简介：本书深入挖掘了众多算法及其实用性，基础理论部分强调了学习机器学习算法的前世今生是多么重要，高阶理论部分则包含了一些初学者渴望了解的观点，适合于充分了解 ML 算法后，回过头来重读。https://item.jd.com/11992568.html—— 用 Python 中的前沿机器学习技术，应对挑战性数据科学问题内容简介：本书专为 Python 开发者、数据科学工程师量身打造，书中介绍了数据科学领域的最新趋势。如果你曾考虑过构建自己的图像或文本标签解决方案，或者参加 Kaggle 比赛， 那么本书非常适合阅读。内容简介：本书是机器学习从业者的必读书目，即使线性代数和微积分掌握的不好，也可以依据书中提出的思路，利用 ML 快速处理繁杂数据。除了技术方法罗列以外，本书还包括大量的案例和习题。—— 基于 Scikit-Learn、Keras 和 TensorFlow内容简介：Scikit-learn 和 Tensorflow 是机器学习和深度学习最常用的两个 Python 库，作者通过具体案例结合相关理论，帮助读者从 0 到 1 构建对智能系统理念及工具的理解。本书每一章都有对应习题，阅读门槛并不高，只需要有编程经验即可。https://item.jd.com/12732035.html
—— 用 PyTorch、Keras、TF 探索深度学习技术及神经网络结构内容简介：本书内容涵盖深度学习、深度神经网络相关知识，以及如何用高性能算法和主流 Python 框架训练模型。书中介绍的神经网络架构包括卷积神经网络、循环神经网络、长短期记忆等，除此之外读者还可以学习到如何解决 CV、NLP 等领域的问题。内容简介：本书适用于对机器学习和统计学有一定了解的开发者、数据分析师、数据科学家以及统计学家阅读。作者在书中介绍了如何利用各种各样的算法和技术，来处理复杂数据，及优化机器学习系统性能。此外阅读本书需要对 R 语言有一定的基础认知。以上就是本期推荐书目，好书不怕晚，快放下手机学习起来吧~
编辑：于腾凯
校对：林亦霖
