机器学习书籍资料推荐

机器学习的资料较多，初学者可能会不知道怎样去有效的学习，所以对这方面的资料进行了一个汇总，希望能够对和我一样的初学者有一定的借鉴。

1. 数学基础

机器学习是构建于数学的基础之上的，因此只有把数学的基本功打好，才能够在机器学习领域有长远的发展。正所谓”勿在浮沙筑高台“。

• 微积分：微积分学教程 （F.M.菲赫金哥尔茨）俄罗斯的数学书
• 线性代数：Linear Algebra and Its Applications,Third Edition （David C.Lay）讲得很实际，线性代数最重要的就是与实际应用相联系才能够理解其意义
• 概率与统计：概率论与数理统计 （陈希孺）或（盛骤/谢式千/潘承毅）这两本书都很不错
• 随机过程：应用随机过程:概率模型导论 （Sheldon M. Ross）这本书已经出到第10版了

这四门是数学的基础，当然数学本身就是博大精深的，下面这个链接中有更深入的一些资料可以学习。
林达华推荐的几本数学书：http://blog.sciencenet.cn/blog-722391-578745.html 
上面是基本的一些数学知识，下面是其它的一些资料：

• http://blog.csdn.net/abcjennifer/article/details/7691571
• 数据挖掘中所需的概率论与数理统计知识、上：http://blog.csdn.net/v_july_v/article/details/8308762
• 正态分布的前世今生：http://www.52nlp.cn/tag/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83%E7%9A%84%E5%89%8D%E4%B8%96%E4%BB%8A%E7%94%9F
• LDA数学八卦
• 机器学习中的数学：http://leftnoteasy.cnblogs.com/

都是牛人们的精彩分享，谢谢。
对于数学的学习，个人觉得如果时间不够，可以先略读，之后再看机器学习算法时，若有不懂的，才知道去哪个地方查找，然后再根据机器学习中的具体应用加深对该处数学知识的掌握。

2. 机器学习与数据挖掘（偏理论）

• 统计学习方法 （李航）
• 统计学习基础 （Trevor Hastie, Robert Tibshirani, Jerome Friedman）作者主页上有第二版的英文版
• Pattern Recognition and Machine Learning （Christopher Bishop）
• Machine Learning: A Probabilistic Prespective （Kevin Murphy）
• Pattern classification （Richard O. Duda, Peter E. Hart and David G. Stork）
• Introduction to Machine Learning （Ethem Alpaydin）
• Data Mining （韩家炜） 
• 现代模式识别 （孙即祥） 

个人觉得《统计学习方法》与《统计学习基础》这两本书是基础，后面的书内容相差不大，所以前两本书应该看，而入门的话，后面的书可以选1到2本精读，剩下的书可作参考。

3. 智能算法（偏应用）

• Web智能算法 （Haralambos Marmanis, Dmitry Babenko）
• 机器学习实战（Peter Harrington）
• 集体智慧编程 （Toby Segaran）
• 推荐系统实践 （项亮）
• 数据之魅 （Pbilipp K.Janert）

   这几本书均是从实践的角度讲解了机器学习中常用的算法，非常值得一看。

4. Deep Learning

Deep Learning最近几年非常热门，受到了业界广泛的关注。

• 斯坦福大学的网站：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial ，其中国内的业界牛人对其进行了翻译，也在该网站上
• Deep Learning的前世今生：http://www.cnblogs.com/avril/archive/2013/02/08/2909344.html
• 深度学习的一些教程：http://baojie.org/blog/2013/01/27/deep-learning-tutorials/

5. 视频学习资源

    前两个是Andrew Ng的

• http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning
• http://v.163.com/special/opencourse/machinelearning.html
• http://work.caltech.edu/telecourse.html
• http://v.163.com/special/opencourse/daishu.html   MIT的线性代数公开课

6. 其它书籍

• 数学之美 （吴军）鼎鼎大名的书就不用多说了，对当前搜索、自然语言处理等领域所常用的算法进行了讲解
• 研究之美 （Knuth）40年前写好的书，去年才在国内买到，很小的册子
• 从一到无穷大

个人觉得，上面的书基本上包括了机器学习入门所需要的一些知识，若能用心学完，基本上算是入门了。之后若是理论研究，则不断阅读最新的文献，而投向于工业界，则只有不断实践，才能够更好地将机器学习的理论应用于平时的工作中。
   
当然，限于我自身知识的局限性，还有更多的好资料没能列于其中，还请各位多多指教。同时，若文中有何不足之处，也请各位不吝赐教，谢谢！