AI大牛压箱底的14本2018年进阶书（附PDF链接）
?
作者 | 王天一出處 | 極客時間專欄《人工智能基礎課》編輯 | Emily?作者簡介
?
王天一，北京郵電大學工學博士，貴州大學大數據與信息工程學院副教授，貴州省3D數字醫療學會會員。在讀期間主要研究方向為連續變量量子通信理論與系統，主持并參與多項國家級/省部級科研項目，以第一作者身份發表SCI論文5篇。
?
目前主要研究方向為大數據與人工智能，研究內容包括以物聯網為基礎的大數據應用及神經網絡與機器學習。除技術領域外，對人工智能的發展方向與未來趨勢亦有深入思考，著有《人工智能革命》一書。
?
機器學習篇
?
在機器學習上，首先要推薦的是兩部國內作者的著作：李航博士所著的《統計學習方法》和周志華教授的《機器學習》。
?
《統計學習方法》采用“總-分-總”的結構，在梳理了統計學習的基本概念后，系統而全面地介紹了統計學習中的10種主要方法，最后對這些算法做了總結與比較。這本書以數學公式為主，介紹每種方法時都給出了詳盡的數學推導，幾乎不含任何廢話，因而對讀者的數學背景也提出了較高的要求。
?
?
相比之下，《機器學習》覆蓋的范圍更廣，具有更強的導論性質，有助于了解機器學習的全景。書中涵蓋了機器學習中幾乎所有算法類別的基本思想、適用范圍、優缺點與主要實現方式，并穿插了大量通俗易懂的實例。
?
?
如果說《統計學習方法》勝在深度，那么《機器學習》就勝在廣度。在具備廣度的前提下，可以根據《機器學習》中提供的豐富參考文獻繼續深挖。
?
讀完以上兩本書，就可以閱讀一些經典著作了。經典著作首推Tom Mitchell所著的Machine Learning，中譯本名為《機器學習》。本書成書于1997年，雖然難以覆蓋機器學習中的最新進展，但對于基本理論和核心算法的論述依然鞭辟入里，畢竟經典理論經得起時間的考驗。這本書的側重點也在于廣度，并不涉及大量復雜的數學推導，是比較理想的入門書籍。作者曾在自己的主頁上說本書要出新版，并補充了一些章節的內容，也許近兩年可以期待新版本的出現。
?
?
?
?
?
另一本經典著作是Trevor Hastie等人所著的Elements of Statistical Learning，于2016年出版了第二版。這本書沒有中譯，只有影印本。高手的書都不會用大量復雜的數學公式來嚇唬人（專于算法推導的書除外），這一本也不例外。它強調的是各種學習方法的內涵和外延，相比于具體的推演，通過方法的來龍去脈來理解其應用場景和發展方向恐怕更加重要。
?
?
壓軸登場的非Christopher Bishop所著的Pattern Recognition and Machine Learning莫屬了。本書出版于2007年，沒有中譯本，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的夜晚。這本書的特點在于將機器學習看成一個整體，不管于基于頻率的方法還是貝葉斯方法，不管是回歸模型還是分類模型，都只是一個問題的不同側面。作者能夠開啟上帝視角，將機器學習的林林總總都納入一張巨網之中，遺憾的是，大多數讀者跟不上他高屋建瓴的思路（也包括我自己）。
?
最后推薦的是David J C MacKay所著的Information Theory, Inference and Learning Algorithms，成書于2003年，中譯本名為《信息論，推理與學習算法》。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，而是將多個相關學科熔于一爐，內容涉獵相當廣泛。相比于前面板著臉的教科書，閱讀本書的感覺就像在和作者聊天，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，但可以作為擴展視野的一個調節。
?
?
?
?數學篇
?
1、線性代數
?
推薦兩本國外的教材。其一是Gilbert Strang所著的Introduction to Linear Algebra，英文版在2016年出到第五版，暫無中譯本。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在各領域內的實際應用，對學習者非常友好。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、模擬試題等一系列電子資源。
?
?
其二是David C Lay所著的Linear Algebra and its Applications，英文版在2015年同樣出到第五版，中譯本名為《線性代數及其應用》，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，著重公式背后的代數意義和幾何意義，同樣配有大量應用實例，對理解基本概念幫助很大。
?
?
?
?
2、概率論
?
基礎讀物可以選擇Sheldon M Ross所著的A First Course in Probability，英文版在2013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》，對應原書第九版，也有英文影印本。這本書拋開測度，從中心極限定理的角度討論概率問題，對概念的解釋更加通俗，書中還包含海量緊密聯系生活的應用實例與例題習題。
?
?
?
?
另一本艱深的讀物是Edwin Thompson Jaynes所著的Probability Theory: The Logic of Science，本書暫無中譯本，影印本名為《概率論沉思錄》也已絕版。這本書是作者的遺著，花費半個世紀的時間完成，從名字就可以看出是一部神書。作者從邏輯的角度探討了基于頻率的概率，貝葉斯概率和統計推斷，將概率論這門偏經驗的學科納入數理邏輯的框架之下。如果讀這本書，千萬要做好燒腦的準備。
?
?
3、數理統計
基礎讀物可以選擇陳希孺院士所著的《數理統計學教程》。關于統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。陳老的書重在論述統計的概念和思想，力圖傳授利用統計觀點去觀察和分析事物的能力，這是非常難能可貴的。
?
?
?
進階閱讀可以選擇Roger Casella所著的Statistical Inference，由于作者已于2012年辭世，2001年的第二版便成為絕唱。中譯本名為《統計推斷》，亦有影印本。本書包含部分概率論的內容，循循善誘地介紹了統計推斷、參數估計、方差回歸等統計學中的基本問題。
?
?
4、最優化理論
可以參考Stephen Boyd所著的Convex Optimization，中譯本名為《凸優化》。這本書雖然塊頭嚇人，但可讀性并不差，主要針對實際應用而非理論證明，很多機器學習中廣泛使用的方法都能在這里找到源頭。
?
?
?
?
5、信息論
推薦Thomas Cover和Jay A Thomas合著的Elements of Information Theory，2006年出到第二版，中譯本為《信息論基礎》。這本書兼顧廣度和深度，雖然不是大部頭卻干貨滿滿，講清了信息論中各個基本概念的物理內涵，但要順暢閱讀需要一定的數學基礎。另外，本書偏重于信息論在通信中的應用。
?
?
?
?
?
PDF鏈接：
?
機器學習篇：
Machine Learning
http://www.cs.ubbcluj.ro/~gabis/ml/ml-books/McGrawHill%20-%20Machine%20Learning%20-Tom%20Mitchell.pdf
?
Elements of Statistical Learning
https://web.stanford.edu/~hastie/Papers/ESLII.pdf
?
Pattern Recognition and Machine Learning
http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf
?
Information Theory, Inference and Learning Algorithms
http://www.inference.org.uk/itprnn/book.pdf
?
?
數學篇：
Introduction to Linear Algebra
https://math.mit.edu/~gs/linearalgebra/linearalgebra5_Preface.pdf
?
Linear Algebra and its Applications
http://www.zuj.edu.jo/download/linear-algebra-and-its-applications-david-c-lay-pdf/
?
A First Course in Probability（8th edition）
http://julio.staff.ipb.ac.id/files/2015/02/Ross_8th_ed_English.pdf
?
Probability Theory: The Logic of Science
http://www.med.mcgill.ca/epidemiology/hanley/bios601/GaussianModel/JaynesProbabilityTheory.pdf
?
Statistical Inference
https://fsalamri.files.wordpress.com/2015/02/casella_berger_statistical_inference1.pdf
?
Convex Optimization
https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf
?
Elements of Information Theory
http://www.cs-114.org/wp-content/uploads/2015/01/Elements_of_Information_Theory_Elements.pdf
?
這么干的內容，出自極客時間專欄《人工智能基礎課》
?
《人工智能基礎課》專欄目錄
?
總結
以上是生活随笔為你收集整理的AI大牛压箱底的14本2018年进阶书（附PDF链接）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 零基础Python学习路线图，小白的进阶
- 下一篇： 吴恩达对话Yann LeCun：从相识H