对代码、编程感兴趣的可以关注「老K玩代码」公众号和我交流! 分享代码、经验、项目和资讯

1. 神经网络与机器学习（原书第3版） 推荐：★★★☆ 3.5/5.0星

• 作者： [加] Simon Haykin
• 出版社： 机械工业出版社
• 定价： 79.0元

简介:

神经网络是计算智能和机器学习的重要分支，在诸多领域都取得了很大的成功。在众多神经网络著作中，影响最为广泛的是Simon Haykin的《神经网络原理》（第3版更名为《神经网络与机器学习》）。在本书中，作者结合近年来神经网络和机器学习的最新进展，从理论和实际应用出发，全面、系统地介绍了神经网络的基本模型、方法和技术，并将神经网络和机器学习有机地结合在一起。 本书不但注重对数学分析方法和理论的探讨，而且也非常关注神经网络在模式识别、信号处理以及控制系统等实际工程问题的应用。本书的可读性非常强，作者举重若轻地对神经网络的基本模型和主要学习理论进行了深入探讨和分析，通过大量的试验报告、例题和习题来帮助读者更好地学习神经网络。 本版在前一版的基础上进行了广泛修订，提供了神经网络和机器学习这两个越来越重要的学科的最新分析。 本书特色： 1. 基于随机梯度下降的在线学习算法；小规模和大规模学习问题。 2. 核方法，包括支持向量机和表达定理。 3. 信息论学习模型，包括连接、独立分量分析（ICA）、一致独立分量分析和信息瓶颈。 4. 随机动态规划，包括逼近和神经动态规划。 5. 逐次状态估计算法，包括卡尔曼和粒子滤波器。 6. 利用逐次状态估计算法训练递归神经网络。 7. 富有洞察力的面向计算机的试验。

书评:

winter: 啃不下去啊。。对数学要求高。可是我现在已经看不懂数学了。。。以后有机会再读吧 amkw: 這本書的譯者機翻的吧，肯定是百度翻譯 大毛光光头: 这种书还是读了会用比较重要。

2. 美团机器学习实践 推荐：★★★☆ 3.5/5.0星

• 作者： 美团算法团队
• 出版社： 人民邮电出版社
• 定价： 79.0元

简介:

人工智能技术正以一种超快的速度深刻地改变着我们的生活，引导了第四次工业革命。美团作为国内O2O领域领 先的服务平台，结合自身的业务场景和数据，积极进行了人工智能领域的应用探索。在美团的搜索、推荐、计算广告、风控、图像处理等领域，相关的人工智能技术得到广泛的应用。本书包括通用流程、数据挖掘、搜索和推荐、计算广告、深度学习以及算法工程6大部分内容，全面介绍了美团在多个重要方面对机器学习的应用。 本书非常适合有一定机器学习基础的工程技术人员和在校大学生学习和阅读。通过本书，有经验的算法工程师可以了解美团在这方面的做法，在校大学生可以学习机器学习算法如何在具体的业务场景中落地。

书评:

看世界: 机器学习算法只是其中一个模块，需要各个系统配合合作才能完成服务，包括用Spark/Hadoop处理数据，获取数据，特征清洗选择，样本选择，模型训练，上线应用，特征的离线计算和在线计算，特征的上载和模型的迭代优化等。书的内容只能给两分啊，但是美团也是个大公司。 一只黑眼睛看着大千世界: 美团O2O业务下采用机器学习方式解决搜索、推荐、广告等问题。前几章基础知识，后面大部分内容其实类似于技术博客或者讲座内容，比较偏重于美团自己的尝试。 认清形势小豹猫: 浮光掠影，对大公司机器学习技术平台系统感兴趣的可以翻一翻，不具有实操性~

3. 机器学习 推荐：★★★☆ 3.5/5.0星

• 作者： (美)Tom Mitchell
• 出版社： 机械工业出版社
• 定价： 35.0元

简介:

《机器学习》展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。《机器学习》综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。《机器学习》可作为计算机专业 本科生、研究生教材，也可作为相关领域研究人员、教师的参考书。

书评:

一瓢之饮: 不知道是我学艺不精基础太差还是什么问题，尽管很多人说这本书基础，但我看起来也不是那么好懂嘛。反正工程实例很少，理论非常多，像一篇一篇论文拼出来的。 大句哥哥: 看了2/3.近期不想再翻了.内容确实有点旧 forgetthisuser: 大概看了一遍……转而投向《模式分类》了……

4. 机器学习实战：基于Scikit-Learn和TensorFlow 推荐：★★★★ 4.0/5.0星

• 作者： Aurélien Géron
• 出版社： 机械工业出版社
• 定价： 119.0元

简介:

本书主要分为两个部分。第一部分为第1章到第8章，涵盖机器学习的基础理论知识和基本算法——从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9章到第16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。

书评:

joheay: WOC，中文版缺代码，执行出来结果和书上都不一样，而且深度学习部分的翻译也很差劲，建议直接参看长评“川上月的github” everfight: sklearn比TensorFlow讲的清楚。也不知道是不是翻译的问题，感觉有种草草收尾的感觉。 多看书少逼逼: 在熟pandas/numpy/Python的前提下，还需要配合专门讲算法的书才能看的下去看得懂吧

5. 分布式机器学习：算法、理论与实践 推荐：★★★★ 4.0/5.0星

• 作者： 刘铁岩
• 出版社： 机械工业出版社
• 定价： 89.0元

简介:

人工智能和大数据时代，解决最有挑战性问题的主流方案是分布式机器学习！本书旨在全面介绍分布式机器学习的现状，深入分析其中的核心技术问题，并且讨论该领域未来的发展方向。 由微软亚洲研究院机器学习核心团队潜心力作！鄂维南院士、周志华教授倾心撰写推荐序！ 本书旨在全面介绍分布式机器学习的现状，深入分析其中的核心技术问题，并且讨论该领域未来的发展方向。 全书共12章。第1章是绪论，向大家展示分布式机器学习这个领域的全景。第2章介绍机器学习的基础知识。第3章到第8章是本书的核心部分，向大家细致地讲解分布式机器学习的框架及其各个功能模块。其中第3章给出整个分布式机器学习框架的综述，而第4章到第8章则分别针对其中的数据与模型划分模块、单机优化模块、通信模块、数据与模型聚合模块加以介绍。接下来的三章是对前面内容的总结与升华。其中第9章介绍由分布式机器学习框架中不同选项所组合出来的各式各样的分布式机器学习算法，第10章讨论这些算法的理论性质，第11章则介绍几个主流的分布式机器学习系统（包括Spark MLlib 迭代式MapReduce系统，Multiverso参数服务器系统，TensorFlow数据流系统）。最后的第12章是全书的结语，在对全书内容进行简要总结之后，着重讨论分布式机器学习这个领域未来的发展方向。 本书基于微软亚洲研究院机器学习研究团队多年的研究成果和实践经验写成，既可以作为研究生从事分布式机器学习方向研究的参考文献，也可以作为人工智能从业者进行算法选择和系统设计的工具书。 人工智能大潮中，市场上已有许多机器学习书籍，但是分布式机器学习的专门书籍还很少见。本书是希望学习和了解分布式机器学习的读者的福音。

书评:

tati: #毕业论文#.把分布式机器学习的基础讲得非常清楚，大概看过之后就可以直接开始读论文了。但是之后还是要按需回顾打好基础。 damonhao: 很好的给了视野，要细节可去读书中引用的论文 Lillian: 我看得懂的部分都写得很好。。

6. 机器学习算法的数学解析与Python实现 推荐：★★★★ 4.0/5.0星

• 作者： 莫凡
• 出版社： 机械工业出版社
• 定价： 89.0元

简介:

本书以机器学习的算法为主线，深入剖析算法的概念和数学原理，以通俗形象的语言进行讲解，让读者无须了解太多前置数学知识，就能看懂数学公式所表达的意思，从而快速掌握机器学习的思想和原理。本书首先介绍机器学习基本概念及工具，然后从概念、原理、Python实现、应用场景几个方面，详细剖析机器学习中主要的算法，如线性回归算法、Logistic回归算法、KNN算法、朴素贝叶斯算法、决策树算法、支持向量机算法、K-means聚类算法、神经网络、集成学习方法等。

书评:

赵不哭: 很不错，让人在疲惫的工作之余还能学的下去。作者的观点是学习机器学习要先找准动机，根据动机对症下药，书中都有详细的介绍。 Enterprize: 很简单，可作为入门读物来看，书一共200页，把多余的话删掉估计也就剩150页，总共代码加起来也就2、3页纸。 [已注销]: 这本书不算厚，但内容非常全面，涉及了大量的算法和解决方案，可以说是短小精悍，编排精到，读完了让人意犹未尽。

7. 百面机器学习 推荐：★★★★ 4.0/5.0星

• 作者： 诸葛越
• 出版社： 人民邮电出版社
• 定价： 89.0元

简介:

人工智能领域正在以超乎人们想象的速度发展，本书赶在人工智能彻底占领世界之前完成编写，实属万幸。 书中收录了超过100道机器学习算法工程师的面试题目和解答，其中大部分源于Hulu算法研究岗位的真实场景。本书从日常工作、生活中各种有趣的现象出发，不仅囊括了机器学习的基本知识 ，而且还包含了成为出众算法工程师的相关技能，更重要的是凝聚了笔者对人工智能领域的一颗热忱之心，旨在培养读者发现问题、解决问题、扩展问题的能力，建立对机器学习的热爱，共绘人工智能世界的宏伟蓝图。 “不积跬步，无以至千里”，本书将从特征工程、模型评估、降维等经典机器学习领域出发，构建一个算法工程师必-备的知识体系；见神经网络、强化学习、生成对抗网络等新科研进展之微，知深度学习领域胜败兴衰之著；“博观而约取，厚积而薄发”，在末一章为读者展示生活中各种引领时代的人工智能应用。

书评:

颓废线的颤动: 最初看到这样的书名是嗤之以鼻的，觉得这样针对面试的书无非就是技术类的成功学书籍，靠走捷径投机取巧。后来在朋友的推荐下认真地读了读，发现还是有不少干货的，作为一本查漏补缺型的书，有的地方比一些针对初学者的书讲得还详细，算是不错了。而且在机器学习这样一个热门领域，像这样内容和宣传面向的人群比较吻合的书也算比较难得了，不像有的书拗口得很却标榜“入门”或者只是走马观花却标榜“深入”。 S.: 又是hulu公司工程师的作品，不过这个比《推荐系统实践》更好，技术类书能写成这样很不错了，比起复制粘贴博客、代码大部分骗钱的好多了 阳光啦啦啦3: ·是我喜欢的问答形式。.·有公式的地方都讲得不好，公式突然出现，没有说清楚。别的都还好。.啊！finally

8. 机器学习 推荐：★★★★ 4.0/5.0星

• 作者： 周志华
• 出版社： 清华大学出版社
• 定价： 88.0元

简介:

机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介. 全书共16 章，大致分为3 个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（第11～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等.前3章之外的后续各章均相对独立, 读者可根据自己的兴趣和时间情况选择使用. 根据课时情况, 一个学期的本科生课程可考虑讲授前9章或前10章; 研究生课程则不妨使用全书. 书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考. 本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

书评:

亲爱的猥琐猪: 作者前言及纠错信箱：http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm.。可见这本书出发点就是“启蒙”，非常朴实。倒不存在和另一些书去争高下，各有特长。机器学习和很多相关领域一样，不是公式堆砌，也不是故作高深，相反，用大白话讲到尽可能多的人懂，就是好的。可以看到，很多方法除开优雅的推演，直觉上也是合理且美的。重要的....作者前言及纠错信箱：http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/MLbook2016.htm.。可见这本书出发点就是“启蒙”，非常朴实。倒不存在和另一些书去争高下，各有特长。机器学习和很多相关领域一样，不是公式堆砌，也不是故作高深，相反，用大白话讲到尽可能多的人懂，就是好的。可以看到，很多方法除开优雅的推演，直觉上也是合理且美的。重要的是把握一个方法的思考脉络。当然，真正的学术派（论文狗）会在某些章节某些细节里会心一笑：无论自己投稿，还是审别人稿，常遇到的一些疑难被提到了，不免汗颜，不免亲切。最后，推荐主页上另一本Ensemble.Methods，概括性不错。.(展开) olostin: 第四次读三天草草翻完，变成ppt讲义很方便。20180504。第一次读得艰难，第二次读得兴奋，第三次读得轻松。现在这本书的最大价值是每一章的参考文献。周志华老师是用心人。 风的尾巴: 买了本来提升逼格，结果只能看懂科普部分，我这学渣。