机器学习的书籍选择有哪一些呢?
发布网友
发布时间：2022-04-25 11:47
共2个回答
热心网友
时间：2024-04-04 08:57
推荐的话还是听听业内人士说的建议吧。
现在北京大学的张志华教授曾经在2017年的《中国计算机学会通讯》上发表了《机器学习的发展历程及启示》[1]，这篇文章里就很详细地推荐了机器学习的学习方式——
机器学习集技术、科学与艺术于一体,它有别于传统人工智能,是现代人工智能的核心。它牵涉到统计、优化、矩阵分析、理论计算机、编程、分布式计算等。因此,建议在已有的计算机专业本科生课程的基础上,适当加强概率、统计和矩阵分析等课程,下面是具体课程设置和相关教材的建议 : 1.加强概率与统计的基础课程,建议采用莫里斯·德格鲁特 (Morris H. DeGroot) 和马克·舍维什 (Mark J. Schervish) 合著的第四版《概率论与数理统计》(Probability and Statistics ) 为教材。豆瓣链接——Probability and Statistics
2.在线性代数课程里,加强矩阵分析的内容。教材建议使用吉尔伯特·斯特朗 (Gilbert Strang) 的 《线性代数导论》(Introction to Linear Algebra )。吉尔伯特·斯特朗在麻省理工学院一直讲述线性代数,他的网上视频课程堪称经典。后续建议开设矩阵计算,采用特雷费森·劳埃德 (Trefethen N. Lloyd) 和戴维·鲍 (David Bau lll) 著作的《数值线性代数》(Numerical Linear Algebra ) 为教科书。 3.开设机器学习课程。机器学习有许多经典的书籍,但大多不太适宜做本科生的教材。最近,麻省理工学院出版的约翰·凯莱赫 (John D. Kelleher) 和布瑞恩·麦克·纳米 (Brian Mac Namee) 等人著作的《机器学习基础之预测数据分析》 (Fundamentals of Machine Learning for Predictive Data Analytics ),或者安得烈·韦伯 (Andrew R. Webb) 和基思·科普塞 (Keith D. Copsey) 合著的第三版《统计模式识别》(Statistical Pattern Recognition ) 比较适合作为本科生的教科书。同时建议课程设置实践环节,让学生尝试将机器学习方法应用到某些特定问题中。
热心网友
时间：2024-04-04 08:57
机器学习
机器学习 by 周志华: 周志华老师的这本书非常适合作为机器学习入门的书籍，书中的例子十分形象且简单易懂。
统计机器学习 by 李航：李航老师的这本书偏优化和推倒，推倒相应算法的时候可以参考这本书。
PRML by Christopher Bishop: PRML这本书有点偏Bayesian了，初学者看起来可能有些困难，可以和前两本结合起来看。
GPCA by Yi Ma: 这本书由马毅老师耗时十年精心打造，推荐阅读。
Machine Learning A Probabilistic Perspective Learning by Kevin P. Murphy: MLAPP这本书也是一本比较经典的机器学习书，可以和PRML互相补充着来看。
自然语言处理
数学之美 by 吴军：吴军老师的这本书适合作为入门自然语言处理的科普读物。
统计自然语言处理 by 宗成庆：中文版的自然语言处理图书是比较少的，这本书由中科院宗成庆老师所写，推荐初学者先阅读此书。
Foundations of Statistical Natural Language Processing by Christopher D. Manning: 本书由Manning大神所写，在1999年出版，最近比较火的Deep Learning for NLP没有涉及，不过可以参考他的学生Socher开的这门课 CS 224N / Ling 284。
Speech and Language Processing by Dan Jurafsky: 这本书第三版已经更新一部分章节了，书中介绍了deep learning for nlp方面的技术，推荐阅读。
