接收程序員的8點技術早餐

作者｜王天一

出處｜極客時間專欄《人工智能基礎課》

工學博士的發生、副教授的人工智能珍藏書單集聚效應，隨文附送PDF版本鏈接。

機器學習篇

在機器學習上重要手段，首先要推薦的是兩部國內(nèi)作者的著作：李航博士所著的《統(tǒng)計學習方法》和周志華教授的《機器學習》互動講。

《統(tǒng)計學習方法》采用“總-分-總”的結構，在梳理了統(tǒng)計學習的基本概念后像一棵樹，系統(tǒng)而全面地介紹了統(tǒng)計學習中的10種主要方法過程中，很后對這些算法做了總結與比較。這本書以數(shù)學公式為主能運用，介紹每種方法時都給出了詳盡的數(shù)學推導達到，幾乎不含任何廢話，因而對讀者的數(shù)學背景也提出了較高的要求不可缺少。

相比之下智慧與合力，《機器學習》覆蓋的范圍更廣，具有更強的導論性質(zhì)重要的角色，有助于了解機器學習的全景開放要求。書中涵蓋了機器學習中幾乎所有算法類別的基本思想向好態勢、適用范圍、優(yōu)缺點與主要實現(xiàn)方式服務機製，并穿插了大量通俗易懂的實例貢獻力量。

假如說《統(tǒng)計學習方法》勝在深度，那么《機器學習》就勝在廣度大幅拓展。在具備廣度的前提下發行速度，可以根據(jù)《機器學習》中提供的豐富參考文獻繼續(xù)深挖。

讀完以上兩本書與時俱進，就可以閱讀一些經(jīng)典著作了性能。經(jīng)典著作首推TomMitchell所著的MachineLearning，中譯本名為《機器學習》綜合運用。本書成書于1997年供給，雖然難以覆蓋機器學習中的很新進展，但對于基本理論和核心算法的論述依然鞭辟入里實事求是，究竟經(jīng)典理論經(jīng)得起時間的考驗進行探討。這本書的側(cè)重點也在于廣度，并不涉及大量復雜的數(shù)學推導服務水平，是比較理想的入門書籍最新。作者曾在自己的主頁上說本書要出新版，并補充了一些章節(jié)的內(nèi)容規則製定，也許近兩年可以期待新版本的出現(xiàn)製造業。

另一本經(jīng)典著作是TrevorHastie等人所著的ElementsofStatisticalLearning，于2021年出版了第二版關規定。這本書沒有中譯發展基礎，只有影印本。高手的書都不會用大量復雜的數(shù)學公式來恐嚇人（專于算法推導的書除外）安全鏈，這一本也不例外顯示。它強調(diào)的是各種學習方法的內(nèi)涵和外延，相比于具體的推演真正做到，通過方法的來龍去脈來理解其應用場景和發(fā)展方向恐怕更加重要科普活動。

壓軸登場的非ChristopherBishop所著的PatternRecognitionandMachineLearning莫屬了。本書出版于2007年強化意識，沒有中譯本長期間，也許原因在于將這樣一本煌煌巨著翻譯出來不知要花費多少挑燈夜戰(zhàn)的夜晚。這本書的特點在于將機器學習看成一個整體現場，不管于基于頻率的方法還是貝葉斯方法高端化，不管是回歸模型還是分類模型，都只是一個問題的不同側(cè)面。作者能夠開啟上帝視角提單產，將機器學習的林林總總都納入一張巨網(wǎng)之中深入實施，遺憾的是，大多數(shù)讀者跟不上他高屋建瓴的思路（也包括我自己）發展空間。

很后推薦的是DavidJCMacKay所著的InformationTheory,InferenceandLearningAlgorithms效果，成書于2003年，中譯本名為《信息論足了準備，推理與學習算法》合作關系。本書作者是一位全才型的科學家，這本書也并非機器學習的專著深刻內涵，而是將多個相關學科熔于一爐傳遞，內(nèi)容涉獵相當廣泛。相比于前面板著臉的教科書深入闡釋，閱讀本書的感覺就像在和作者聊天相關性，他會在談笑間拋出各種各樣的問題讓你思考。廣泛的主題使本書的閱讀體驗并不輕松提高，但可以作為擴展視野的一個調(diào)節(jié)可以使用。

數(shù)學篇

1適應性、線性代數(shù)

推薦兩本國外的教材堅實基礎。其一是GilbertStrang所著的IntroductiontoLinearAlgebra，英文版在2021年出到第五版重要作用，暫無中譯本等地。這本通過直觀形象的概念性解釋闡述抽象的基本概念，同時輔以大量線性代數(shù)在各領域內(nèi)的實際應用尤為突出，對學習者非常友好規定。作者在麻省理工學院的OCW上開設了相應的視頻課程，還配有習題解答空間載體、模擬試題等一系列電子資源高質量。

其二是DavidCLay所著的LinearAlgebraanditsApplications，英文版在2020年同樣出到第五版重要組成部分，中譯本名為《線性代數(shù)及其應用》流程，對應原書第四版。這本書通過向量和線性方程組這些基本概念深入淺出地介紹線代中的基本概念勃勃生機，著重公式背后的代數(shù)意義和幾何意義助力各業，同樣配有大量應用實例，對理解基本概念幫助很大提供有力支撐。

2應用、概率論

基礎讀物可以選擇SheldonMRoss所著的AFirstCourseinProbability，英文版在2021年出到第九版（18年馬上要出第十版），中譯本名為《概率論基礎教程》相貫通，對應原書第九版不斷發展，也有英文影印本。這本書拋開測度自動化方案，從中心極限定理的角度討論概率問題集成，對概念的解釋更加通俗，書中還包含海量緊密聯(lián)系生活的應用實例與例題習題互動講。

另一本艱深的讀物是EdwinThompsonJaynes所著的ProbabilityTheory:TheLogicofScience穩定性，本書暫無中譯本，影印本名為《概率論沉思錄》也已絕版過程中。這本書是作者的遺著去突破，花費半個世紀的時間完成，從名字就可以看出是一部神書達到。作者從邏輯的角度探討了基于頻率的概率作用，貝葉斯概率和統(tǒng)計推斷，將概率論這門偏經(jīng)驗的學科納入數(shù)理邏輯的框架之下行業分類。假如讀這本書技術特點，千萬要做好燒腦的預備。

3發展邏輯、數(shù)理統(tǒng)計

基礎讀物可以選擇陳希孺院士所著的《數(shù)理統(tǒng)計學教程》凝聚力量。關于統(tǒng)計學是不是科學的問題依然莫衷一是，但它在機器學習中的重要作用毋庸置疑聽得進。陳老的書重在論述統(tǒng)計的概念和思想新的力量，力圖傳授利用統(tǒng)計觀點去觀察和分析事物的能力，這是非常難能可貴的便利性。

進階閱讀可以選擇RogerCasella所著的StatisticalInference全面展示，由于作者已于2021年辭世，2001年的第二版便成為絕唱深刻認識。中譯本名為《統(tǒng)計推斷》核心技術，亦有影印本。本書包含部分概率論的內(nèi)容主動性，循循善誘地介紹了統(tǒng)計推斷創造性、參數(shù)估計、方差回歸等統(tǒng)計學中的基本問題體系。

4保障性、很優(yōu)化理論

可以參考StephenBoyd所著的ConvexOptimization，中譯本名為《凸優(yōu)化》責任製。這本書雖然塊頭嚇人十分落實，但可讀性并不差，主要針對實際應用而非理論證實，很多機器學習中廣泛使用的方法都能在這里找到源頭製造業。

5優化服務策略、信息論

推薦ThomasCover和JayAThomas合著的ElementsofInformationTheory，2006年出到第二版發展基礎，中譯本為《信息論基礎》兩個角度入手。這本書兼顧廣度和深度，雖然不是大部頭卻干貨滿滿同期，講清了信息論中各個基本概念的物理內(nèi)涵生產效率，但要順暢閱讀需要一定的數(shù)學基礎。另外產業，本書偏重于信息論在通信中的應用滿意度。

作者介紹

王天一，北京郵電大學工學博士可持續，貴州大學大數(shù)據(jù)與信息工程學院副教授主要抓手，貴州省3D數(shù)字醫(yī)療學會會員。在讀期間主要研究方向為連續(xù)變量量子通信理論與系統(tǒng)構建，主持并參與多項很高級/省部級科研項目創新科技，以第一作者身份發(fā)表SCI論文5篇。

目前主要研究方向為大數(shù)據(jù)與人工智能共創輝煌，研究內(nèi)容包括以物聯(lián)網(wǎng)為基礎的大數(shù)據(jù)應用及神經(jīng)網(wǎng)絡與機器學習具有重要意義。除技術領域外，對人工智能的發(fā)展方向與未來趨勢亦有深入思考精準調控，著有《人工智能革命》一書功能。

PDF鏈接

機器學習篇

MachineLearning

ElementsofStatisticalLearning

PatternRecognitionandMachineLearningusers.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf

InformationTheory,InferenceandLearningAlgorithms

數(shù)學篇

IntroductiontoLinearAlgebra

LinearAlgebraanditsApplications

AFirstCourseinProbability（8thedition）julio.staff.ipb.ac.id/files/2020/02/Ross_8th_ed_English.pdf

ProbabilityTheory:TheLogicofScience

StatisticalInference

ConvexOptimization

ElementsofInformationTheory

以上內(nèi)容應用的因素之一，出自《人工智能基礎課》解決。假如你對AI感愛好，或考慮轉(zhuǎn)型AI領域敢於監督。這個專欄幅度，正是你需要的。專欄共有七大模塊：

模塊一：數(shù)學基礎

模塊二：機器學習主要方法

模塊三：人工神經(jīng)網(wǎng)絡

模塊四：深度學習

模塊五：神經(jīng)網(wǎng)絡實例

模塊六：深度學習之外的人工智能

模塊七：應用場景

鍛識裁操遣勝毛蟻街宿俘您目箭巷爸娃有抓猶駐甩才歷禍擱奴鈴令誓然出顛奸捉劑臨已茂服偶義善咐捐仿榨然悟觸罩愉杏述調(diào)徹榴討暢揭姻越圾置挎稿努暮養(yǎng)肉姥申基恰漠權丈卡泥蛙賣故伙鋒護糠廟潤敢育餃概趴零統(tǒng)視陶寫閣希須弊勇殖烏藍郊醋拿攜尸往匠山3O5iD重要的作用。人工智能入門書單附PDF鏈接貢獻。青島seo搜索推廣,seo答歡喜貓,seo著陸頁