来自：程序员阅读指北（微信号：CodersRead）
机器学习简单分类「点击可查看大图」
分类依据参考推荐图书，不权威
说起机器学习的缘起，通常大家都会提到这两位大佬：Arthur Samuel 和 Tom Mitchell。
1959 年，Samuel 首创 Machine Learning 一词，他给 ML 下的非正式定义为：
Field of study that gives computers the ability to learn without being explicitly programmed.
「没有明确编程指令的情况下，能让计算机学习的研究领域就是机器学习。」
这个定义比较概括，1998 年，Tom Mitchell 给出了一个更为精确的定义：
Well posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.
「“对于某类任务 T 和性能度量 P，如果一个计算机程序在 T 上以 P 衡量的性能随着经验 E 而自我完善，那么我们称这个计算机程序在从经验 E 学习。” 也就是说能够随着经验积累自动提升性能。」
这个定义比较学术哈，毕竟是学术界大佬给的，咱就应付个开场哈，别觉得很无趣~
Arthur Samuel ，计算机科学家，人工智能先驱，1956 年达特茅斯会议参与者，他写了第一个真正的机器学习下棋程序。让 Samuel 在机器学习领域扬名立万的这篇文章发表在 IBM Journal of Research and Development 上，文章叫：“Some Studies in Machine Learning Using the Game of Checkers” ，Samuel 彼时为 IBM 公司工程师。
Tom Mitchell ，机器学习领域先驱，卡内基梅隆大学教授，美国工程院院士，以人工智能、机器学习、认知神经科学等领域贡献著称。1997 年出版 Machine Learning 一书。
机器学习是人工智能的一种实现方法，其中涉及很多算法和模型。神经网络就是当前非常受欢迎的一种机器学习模型，而深度学习是应用了深度神经网络的机器学习。文章一开始的思维导图中简单地列出了一些比较常见的算法或者模型。
接下来我们就给出一些机器学习领域非常受欢迎或者比较有特色的图书，我会尽量少推荐几本。
程序员阅读指北「机器学习」书单
粗略用工程派和学院派分类「点击可查看大图」
学院派图书难度稍大，并不绝对
- 机器学习 -
Python 神经网络编程
作者：塔里克·拉希德（Tariq Rashid）
译者：林赐
原作名：Make Your Own Neural Network
不要被神经网络吓到，目测这本是所有图书里最简单的，不少豆瓣网友写书评号称这本是文科生也能看懂的机器学习入门书。作者在前言里表示他想让中学生水平的读者就能看明白这本书——用尽可能简洁明了的方式介绍神经网络的基本思路。看目录可能是只用了 3 层神经网络，所以还算是简单的机器学习算法，而不是深度学习。
Machine Learning For Absolute Beginners: A Plain English Introduction
作者：Oliver Theobald
The Hundred-Page Machine Learning Book
作者： Andriy Burkov
这两本书是英文版的，暂时没看到中文版，都很薄，在 150 页左右，是目前 Amazon 上比较受欢迎的入门书，从目录和试读看，读起来都相对轻松，第一本数学公式很少，第二本多一些。
机器学习实战：基于 Scikit-Learn 和 TensorFlow
作者：Aurélien Géron
译者：王静源 / 贾玮 / 边蕤 / 邱俊涛
原书名：Hands-On Machine Learning with Scikit-Learn and TensorFlow
这本是机器学习领域近年来的畅销书，原版 Amazon 评价非常好。偏实战，意在教你快速掌握构建人工智能系统的概念和工具。它分两部分讲，前半部分讲机器学习的基础理论知识和基本算法，以 Scikit-Learn 实现，后半部分讲深度学习和 TensorFlow，教你快速搭建和训练深度神经网络。
机器学习实战
作者：Peter Harrington
译者：李锐，李鹏，曲亚东，王斌
原书名：Machine Learning in Action
这本书算是工程领域的畅销经典了，出得比较早，虽然是 Python 2.x 实现，至今依然很受欢迎。如果你不够了解机器学习原理，但想快速通过代码上手机器学习，那这本不错，这也是很多自学者喜欢的路径。
机器学习
作者：周志华
被读者称为西瓜书，不仅因为封面上有西瓜，西瓜也是贯穿全书示例的主角。这本是国内最畅销的机器学习图书。作者在前言中说它是入门级教科书，意在理清机器学习领域基本概念，让读者了解领域概貌。实际上，可能更适合已经了解机器学习基本概念，想认识机器学习原理（Why）、数学公式、算法实现的小伙伴；或者作为有教师讲解指导下的参考书。完全零基础自学（尤其是计算机和数学功底不够强）的读者，恐怕会被虐。
西瓜书内容全面系统，排版精致，书中给出了大量该领域的专业参考资料，方便大家深入学习，是原创学院派佳作。书后面也包括了深度学习和强化学习的内容。
统计学习方法
作者：李航
又是一本评价非常好的原创图书，介绍了支持向量机、Boosting、最大熵、条件随机场等十个统计学习方法（也就是机器学习方法）。靠这本完全零基础入门依然是比较吃力，适合看推导和理解算法原理。
其他推荐
「入门课程」
吴恩达的《机器学习》是公认的非常棒的机器学习入门线上课程，Coursera 上虽然也有翻译，不过并不是以字幕形式：
https://www.coursera.org/learn/machine-learning/lecture/RKFpn/welcome；
英语吃力的同学，可以用网易公开课上的 CS229：https://open.163.com/movie/2008/1/M/C/M6SGF6VB4_M6SGHFBMC.html
「其他图书」
An Introduction to Statistical Learning: with Applications in R
The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition
Machine Learning: A Probabilistic Perspective
这四本书都是学院派的，第一本相对简单，剩下的三本有难度。
- 深度学习 -
深度学习入门：基于 Python 的理论与实现
作者：斋藤康毅
译者：陆宇杰
这本书是从日语翻译过来的，原版就非常畅销。这本算是入门入得比较彻底，不会用任何深度学习框架，而是教大家用 NumPy 库和 Matplotlib 库从零开始实现自己的深度学习模型。遇到必要的数学公式和源代码都会一一讲解。要说可能有部分读者在意的地方是，只有图像识别的示例，没有自然语言处理、语音识别等的示例实现。
Python 深度学习
作者：弗朗索瓦·肖莱
译者：张亮（hysic）
原书名：Deep Learning with Python
Keras 之父 François Chollet 的作品，非常棒的深度学习入门图书，讲得深入浅出、通俗易懂。文中采用了对深度学习初学者友好的 Keras 框架，涉及计算机视觉、自然语言处理、生成模型等应用。
TensorFlow：实战 Google 深度学习框架（第2版）
作者：顾思宇，梁博文，郑泽宇
原创图书中评价不错的一本，TensorFlow 实战入门书，版本是 1.4.0，注重通过实例讲解实际问题。
前三本都是很棒的入门书，都不厚，前两本不超过 300 页，后面一本 300 多页，建议看到学院派图书头大的读者先读这类书；一些只想了解简单原理的朋友也可以优先选择这类书。
深度学习
作者： 伊恩·古德费洛 / 约书亚·本吉奥 / 亚伦·库维尔
译者：赵申剑，黎彧君，符天凡，李凯
原书名：Deep Learning
大名鼎鼎的花书，被称为深度学习领域圣经。作者之一 Yoshua Bengio，前几天刚跟两位亦师亦友的大神专家 Geoffrey Hinton 和 Yann LeCun 获得了 2018 年度图灵奖，三位都是深度学习领域顶级大佬。
花书是学院派经典，非常全面系统综合，不过呢，领域大部头学起来也是需要些毅力。
- 强化学习 -
Reinforcement Learning: An Introduction
作者：Richard Sutton，Andrew Barto
强化学习领域圣经，是强化学习大佬 Sutton 和他的老师、也是强化学习发明人 Barto 的作品，学院派硬核书。这本书第一版是 1998 年出的，这些年坚持研究强化学习值得敬佩，在阿尔法狗大败李世石之前，强化学习也算是冷门研究领域了。
其他推荐
「入门课程」
吴恩达《深度学习》：
https://www.coursera.org/specializations/deep-learning
网易云课程字幕版：https://mooc.study.163.com/smartSpec/detail/1001319001.htm
「其他图书」
Dive into Deep Learning 「李沐团队《动手学深度学习》」
http://www.d2l.ai/index.html
Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more
这本强化学习的书评价也不错，适合工程派。
●编号799，输入编号直达本文
●输入m获取文章目录
程序员书库
更多推荐《25个技术类公众微信》
涵盖：程序人生、算法与数据结构、黑客技术与网络安全、大数据技术、前端开发、Java、Python、Web开发、安卓开发、iOS开发、C/C++、.NET、Linux、数据库、运维等
