有同學問：機器學習的書看不懂怎么辦？于是我去知乎找了很多大神的回復。本文來源：知乎

高贊回復一

作者：張戎

來源：知乎

第一次學機器學習的時候還是選定一本書，先精通一本書籍，再泛讀其他書籍，其他機器學習書籍作為查缺補漏的教材或者參考資料。機器學習是計算機科學與人工智能的重要分支領域。

首先推薦周志華老師的《機器學習》

這本書作為該領域的入門教材，在內容上涵蓋機器學習基礎知識的很多方面全書共16章，大致分為3個部分：

第1部分（第1~3章）介紹機器學習的基礎知識；

第2部分（第4~10章）討論一些經典而常用的機器學習方法（決策樹、神經網絡、支持向量機、貝葉斯分類器、集成學習、聚類、降維與度量學習）；

第3部分（第11~16章）為進階知識，內容涉及特征選擇與稀疏學習、計算學習理論、半監督學習、概率圖模型、規則學習以及強化學習等。

《統計學習方法（第二版）》

全面系統地介紹了統計學習的主要方法，共分兩篇。第一篇系統介紹監督學習的各種重要方法，包括決策樹、感知機支持向量機、很大熵模型與邏輯斯諦回歸、推進法、多類分類法、EM算法、隱馬爾科夫模型和條件隨機場等；第二篇介紹無監督學習，包括聚類、奇異值、主成分分析、潛在語義分析等。

在學機器學習或者深度學習的時候，實戰一直是一個重要的環節。《機器學習實戰：基于 Scikit LearnTensorFlow和》

本書作者 Aurelien Geron曾經是谷歌工程師，在2013年至2016年，主導了 YouTube的視頻分類工程，擁有豐富的機器學習項目經驗。作者的寫作初衷是希望從實踐出發，手把手地幫助開發者從零開始搭建起一個神經網絡。這也正構成了本書區別于其他機器學習教程的最重要的特質一不再偏向于原理研究的角度，而是從開發者的實踐角度出發，在動手寫代碼的過程中，循序漸進地了解機器學習的理論知識和工具的實踐技巧。對于想要快速上手機器學習的開發者來說，本書是一個非常值得嘗試的起點項目。

《機器學習實戰》

主要介紹機器學習基礎，以及如何利用算法進行分類，并逐步介紹了多種經典的監督學習算法，如k近鄰算法、樸素貝葉斯算法、 Logistic回歸算法、支持向量機、 AdaBoost集成方法、基于樹的回歸算法和分類回歸樹（CART）算法等。第三部分則重點介紹無監督學習及其一些主要算法：k均值聚類算法、 Apriori算法、fp- -Growth算法。第四部分介紹了機器學習算法的一些附屬工具。本書通過精心編排的實例，切入日常工作任務，摒棄學術化語言，利用高效的可復用Python代碼來闡釋如何處理統計數據，進行數據分析及可視化。通過各種實例，讀者可從中學會機器學習的核心算法，并能將其運用于一些策略性任務中，如分類、預測、推薦。另外，還可用它們來實現一些更高級的功能，如匯總和簡化等。

《深度學習》（花書）

這本書的作者是 lan Goodfellow、 Yoshua Bengio和 Aaron Courville三位大牛。這本書的中文版于2017年7月22號上市。該書由眾多譯者協力完成。《深度學習》這本書從淺入深介紹了基礎數學知識、機器學習經驗以及現階段深度學習的理論和發展，不管是人工智能技術好者，還是相關從業人員使用這本書都是非常有好處的。另外，讀者如果想熟悉一些數學知識，本書也做了一些介紹，包括矩陣，導數等基本內容。讀者可以從頭讀到尾。《深度學習》這本書的一大特點是介紹深度學習算法的本質，脫離具體代碼實現給出算法背后的邏輯，不寫代碼的人也完全可以看。為了方便讀者閱讀作者特別繪制了本書的內容組織結構圖，指出了全書20章內容之間的相關關系。讀者可以根據自己的背景或需要，隨意挑選閱讀。

除此之外，還有一本書《動手學深度學習》。本書旨在向讀者交付有關深度學習的交互式學習體驗。書中不僅闡述深度學習的算法原理，還演示它們的實現和運行。與傳統圖書不同，本書的每一節都是一個可以下載并運行的 Jupyter記事本，它將文字、公式、圖像、代碼和運行結果結合在了一起。此外，讀者還可以訪問并參與書中內容的討論。
全書的內容分為3個部分：第一部分介紹深度學習的背景，提供預備知識，并包括深度學習基礎的概念和技術；第二部分描述深度學習計算的重要組成部分，還解釋近年來令深度學習在多個領域大獲成功的卷積神經網絡和循環神經網絡；第三部分評價優化算法，檢驗影響深度學習計算性能的重要因素，并分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者了解基本的 Python編程或附錄中描述的線性代數、微分和概率基礎。

如果覺得數學知識不太夠，可以看這一本《深度學習的數學》。本書基于豐富的圖示和具體示例，通俗易懂地介紹了深度學習相關的數學知識。

第1章介紹神經網絡的概況；

第2章介紹理解神經網絡所需的數學基礎知識；

第3章介紹神經網絡的優化；

第4章介紹神經網絡和誤差反向傳播法；

第5章介紹深度學習和卷積神經網絡。

書中使用 Excel進行理論驗證，幫助讀者直觀地體驗深度學習的原理。

如果想復習一些數學課程，可以讀一些數學方面的基礎課，例如微積分，線性代數，概率論等課程。程序員直接閱讀數學書可能會比較枯燥，但是有人貼心地針對程序員撰寫了相應的數學書籍。

《程序員的數學第2版》面向程序員介紹了編程中常用的數學知識，借以培養初級程序員的數學思維。讀者無須精通編程，也無須精通數學，只要具備四則運算和乘方等基礎知識，即可閱讀本書。本書講解了二進制計數法、邏輯、余數、排列組合、遞歸、指數爆炸、不可解問題等許多與編程密切相關的數學方法，分析了哥尼斯堡七橋問題、高斯求和漢諾塔、斐波那契數列等經典問題和算法。引導讀者深入理解編程中的數學方法和思路。

《程序員的數學2：概率統計》涉及隨機變量、貝葉斯公式、散值和連續值的概率分布、協方差矩陣、多元正態分布、估計與檢驗理論、偽隨機數以及概率論的各類應用，適合程序設計人員與數學愛好者閱讀，也可作為高中或大學非數學專業學生的概率論入門讀物。

《程序員的數學3：線性代數》本書用通俗的語言和具象的圖表深入講解了編程中所需的線性代數知識。內容包括向量、矩陣、行列式、秩、逆矩陣、線性方程、LU分解、特征值、對角化、 Jordan標準型、特征值算法等。
通常來說，學習機器學習的時候，精讀一本書即，其他書用于輔助和查缺補漏，然后就可以根據科研的方向和導師的要求來閱讀論文和搞科研了。如果想要學習數學系的一些課程的話，可以先閱讀一些工科方面的數學書，有時間的話再選擇一些數學的專業書籍進行閱讀。

高贊回復二

作者：賣團子的小喵吉

來源：知乎

首先建議題主，prml和ml：app二者其實最好能選一本深讀。總的說prml更寬泛，app是從貝葉斯入手的，具體怎么選，還是要看題主的興趣。

選定一本書后，個人建議，題主一定要備一本

對就這本，絕對是入門與提高的教科書，書不厚，但是學院氣息很濃，最好在看別的前先把這本書過一遍，事半功倍，但是正如我所說，這本書本身學院氣息過濃，看起來也會很痛苦，當然也可以選擇先大慨看一遍，后面當個參考書用。
其實我最大的建議就是，準備多本書，但是只精度一本。因為每本書都有自己的缺陷，即使是像prml，雖然又廣又精，還是有些地方存在不足，比如在圖模型領域，必然不如

但這本書，又是個大坑。
還有一點，看書絕對是一種效率最低卻必須在學習過程中經歷的一個過程。其實入門的話感覺還是要看一些視頻，ng大大的最方便，臺灣有個機器學習基石，也不錯，但是視頻永遠只能入門，而看書，像prml的作用也只是夯實基礎，適當在感興趣領域追一些paper，也是很有幫助的。
至于數學，仁者見仁吧，我個人的意見是，如果真的想做的深，工科數學基礎完全不夠，我學DBM的時候甚至想去選修統計物理了……

其他

作者：唐家聲

來源：知乎

三點。
一、反復重復推導過程；
二、實踐代碼，將數學推導與數據的特點，如維度等建立聯系；
三、推薦跟一下臺大 林軒田老師的 機器學習基石 和 機器學習技法 兩門課，有理論有推導有講解—>有幫助。

作者：邪惡總督?

看書看不懂正常的 多翻幾本書比較著看然后上網搜推導過程/書上問題的討論矩陣求導知乎上已經有很多?

這一塊內容屬于課本不講但是ML書上遍地都是的內容.

總結

以上都是大神們的意見和建議，建議學習者多看看，多聽聽，找到適合自己的方法。

我這里也有學習方法，僅供參考：

適合初學者入門人工智能的路線及資料下載

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/yFQV7am本站qq群1003271085。加入微信群請掃碼進群：

總結

以上是生活随笔為你收集整理的机器学习的书看不懂怎么办？看看大神怎么回答？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。