机器学习入门书单

继NLP之后，我又开了ML这个大坑。这是因为NLP涉及到太多的ML模型，仅仅拿过来用的话，我实现的HanLP已经快到个人极限了。而模型背后的原理、如何优化、如何并行化等问题，都需要寻根求源才能解决。

所以我找了个书单自学，电子书为主，顺便分享出来。

ML书单
│  李航.统计学习方法.pdf
│  机器学习及其应用.pdf
│  All of Statistics - A Concise Course in Statistical Inference - Larry Wasserman - Springer.pdf
│  Machine Learning - Tom Mitchell.pdf
│  PRML.pdf
│  PRML读书会合集打印版.pdf
│  Programming Collective Intelligence.pdf
│  [奥莱理] Machine Learning for Hackers.pdf
│  [机器学习]Tom.Mitchell.pdf
│  《大数据：互联网大规模数据挖掘与分布式处理》迷你书.pdf
│  推荐系统实践.pdf
│  数据挖掘-实用机器学习技术（中文第二版）.pdf
│  数据挖掘_概念与技术.pdf
│  机器学习-Mitchell-中文-清晰版.pdf
│  机器学习导论.pdf
│  模式分类第二版中文版Duda.pdf（全）.pdf
│  深入搜索引擎--海量信息的压缩、索引和查询.pdf
│  矩阵分析.美国 Roger.A.Horn.扫描版.pdf
│  统计学习基础 数据挖掘、推理与预测.pdf
│  
├─机器学习实战
│      machinelearninginaction.zip
│      机器学习实战 单页.pdf
│      机器学习实战.pdf
│      
└─论文文集
    └─LDA
            LDA-wangyi.pdf
            LDA数学八卦.pdf
            text-est.pdf

下载地址：百度网盘。

现在正在看《统计学习方法》，边看便用Python实现。再用Matplotlib可视化，简直太完美了，比如kd树的构建算法：

以前也看过《机器学习实战》，不过感觉偏应用，原理没讲清楚，所以中断了。再往前面看过的《智能Web算法》也是偏应用的，过了一遍之后收获也不大。至于一些兜售“XX学习班”的博客，也就采集网上零落的博文，贴一些公式和理论甚至是戏说的程度。大部分博主都挑自己擅长的讲，挑自己容易找到的抄，这样导致网上公开的都是些千篇一律的浅显东西，只能看着玩，当不得真。至于代码，更不用想了。

感觉要入门，还是得从业界经典入门，那些“实战XXX”的书只能画个葫芦，然后读者只能画个瓢。

不是说网上大部分的机器学习教程都是这样的吗：

所以说还是得从原理开始打基础吧。

上面的书单是我这个外行搜集大家推荐次数比较多的书凑起来的，只是个人书单，不保证质量。这个书单应该会不断补充（话说回来，要是能都看完估计也很了得了），如果路过的各路高人有任何建议的话，恳请留言指点迷津。

使用电子书的形式是因为，个人偏好。即使我买了实体书，一旦找到了电子书，我马上就会把纸质书扔到床底下。如果侵犯了任何人的权益，烦请及时通知。

至于何时填完这些坑，生命不息，奋斗不止吧。

 知识共享署名-非商业性使用-相同方式共享：码农场 » 机器学习入门书单