下载文档原格式
关于人工智能应用的书籍，以下是一些推荐：
1. 《百面机器学习》：这本书为读者提供了机器学习的全面介绍，涵盖了从基础理论到实际应用的各个方面。
2. 《百面深度学习》：这是一本深度学习的面试宝典，适合那些希望深入了解深度学习的程序员和研究者。
3. 《自然语言处理实战》：这是一本Python开发人员入门自然语言处理的必备书籍，同时也是现代自然语言处理领域从业者的实用参考指南。
4. 《OpenCV 4详解：基于Python》：对于想要学习OpenCV 4但感到畏难的读者，这本书是一个很好的选择。
5. 《Python深度学习与项目实战》：这是一本多领域结合的深度学习经典教程，帮助读者从理论到实践都能掌握深度学习。
6. 《机器学习算法评估实战》：在机器学习算法的实际应用中，不仅要知道算法的原理，还要了解如何评估算法上线服务的可靠性。
7. 《人工智能：现代方法》（第四版）：这是一本全方位的人工智能教材，被广大读者和专家认为是搞人工智能必读的书籍。
8. 《人工智能应用教程》：该书全面介绍了人工智能的基本理论、技术及应用，包括知识表示与知识图谱、确定性与不确定性推理、搜索策略等内容。
随着人工智能技术的迅速发展，越来越多的人开始关注和学习人工智能的知识。
人工智能作为一门交叉学科，涉及到很多学科的知识，其中数学是人工智能的重要基础之一。
掌握人工智能的数学基础知识是学习人工智能的第一步。
本文将介绍一些适合初学者的人工智能数学基础入门书籍，帮助读者快速入门人工智能的数学世界。
1. 《深度学习》作者：Goodfellow，Bengio，Courville简介：这本书由深度学习领域的三位大咖Goodfellow、Bengio和Courville合作撰写，是一本权威的深度学习教材。
书中详细介绍了深度学习的数学基础，包括线性代数、概率论、信息论等内容。
适合想深入了解深度学习数学基础知识的读者。
2. 《统计学习方法》作者：李航简介：这本书是国内著名的机器学习教材，被誉为“统计学习领域的圣经”。
书中系统介绍了统计学习的基本概念和方法，涵盖了概率论、统计学、线性代数等数学知识。
适合希望从统计学习角度理解人工智能数学基础的读者。
3. 《机器学习》作者：周志华简介：周志华教授是我国著名的人工智能专家，这本书是他多年教学和研究的总结。
书中系统介绍了机器学习的理论和方法，包括概率图模型、支持向量机、神经网络等内容。
适合希望系统学习机器学习数学知识的读者。
4. 《线性代数及其应用》作者：Gilbert Strang简介：线性代数是人工智能领域中最基础的数学知识之一，这本书是一本经典的线性代数教材。
作者Gilbert Strang是麻省理工学院的教授，他生动有趣地讲解了线性代数的基本概念和应用，适合初学者入门线性代数。
5. 《概率论与数理统计》作者：吴冲简介：概率论和数理统计是人工智能和机器学习中常用的数学工具，这本书是一本系统介绍概率论和数理统计的教材。
作者吴冲是清华大学数学系的教授，他将概率论和数理统计的理论与实际应用相结合，便于读者理解和掌握。
以上是一些适合初学者的人工智能数学基础入门书籍推荐，读者可以根据自己的学习需求和兴趣选择合适的教材。
人工智能入门自学书籍人工智能是当下最具前景的领域之一，而自学是一种最有效的学习方法，什么是最好的人工智能入门自学书籍是大家最关心的问题之一。
本文将就这一问题给出一些建议。
首先，我们需要明确人工智能是一个非常广泛的概念，包含的知识点非常复杂。
要想入门，需要学习很多基础概念和算法。
因此我们推荐先从学习数学和计算机基础知识开始。
对于数学基础，我们应该选择一本经典的教材，如《高等数学》、《线性代数》和《概率论与数理统计》等。
这些书可以让我们系统地学习数学知识，为后续的深度学习、机器学习和数据挖掘等算法打下坚实的基础。
当我们掌握了必要的数学和计算机基础之后，就可以开始学习人工智能相关的书籍了。
这里我们推荐以下几本书：《Python编程快速上手》：Python 是目前最流行的人工智能编程语言之一，这本书可以让你迅速掌握 Python 语言的基础知识和编程技巧。
《机器学习实战》：这本书讲述了机器学习的基本原理和常见算法，适合初学者入门。
你可以通过代码实现来巩固对知识点的理解。
《深度学习入门》：如果你已经掌握了机器学习的基础知识，并且想进一步学习深度学习，这本书是不二之选。
它讲解了深度学习的基本原理和常见的神经网络结构，可以帮助你理解复杂的深度学习算法。
《机器学习实践案例教程》：这本书是以实践案例为主要内容，适合初学者通过实践来掌握机器学习算法和模型的建立。
除了以上书籍，还有很多其他书籍值得推荐。
例如，《统计学习方法》、《深度学习》、《TensorFlow实战》等。
这些书都是经典的人工智能学习参考书，读完它们能够让你对人工智能有更深刻的了解。
此外，还有一些 MOOC（如 Coursera、edX、Udacity、机器之心和鱼书等) 可以帮助你快速了解人工智能领域。
这些课程通常是由最前沿的人工智能研究者和工程师开设的，并且很多还有机会获得认证证书，可以为你的个人履历增色。
总之，选择适合自己的人工智能学习书籍非常重要。
机器学习推荐书目
1. 《机器学习》作者：Mitchell T.M.
2. 《统计学习理论的本质》作者：瓦普尼克译者：许建华，张学工出版社：电子工业出版社
3. 《模式识别(第4版) 》作者：Sergios Theodoridis
4. 《数学建模(英文影印精编版.第4版)》作者：Frank R. Giordano
5.《统计学习理论》作者：瓦普尼克译者：许建华，张学工出版社：电子工业出版社
6. 《统计自然语言处理基础》作者：Hinrich
6. 《支持向量机导论》(英文版) 作者：克里斯蒂亚尼
7. 《统计学习基础:数据挖掘、推理与预测》作者：Trevor Hastie
8. 《神经网络与机器学习(英文版第3版)》作者：Simon Haykin
9. 《模式分类(原书第2版)》（建议英文版）作者：richard o.duda
10. 《统计自然语言处理》作者：宗成庆。
适合机械读的书以下是适合机械读的书籍，这些书籍内容涉及多个领域，包括机器学习、人工智能、数据科学、大数据、自然语言处理等。
可以作为机器学习和人工智能领域相关工程师和研究人员的参考书目。
1.《统计学习方法》作者: 李航该书是机器学习经典著作之一，深入浅出地介绍了机器学习算法的原理、理论和实践。
本书主要内容包括：线性回归、支持向量机、决策树、朴素贝叶斯、聚类等。
该书以简单易懂的方式，深入浅出地介绍了机器学习基础知识，是学习机器学习的入门书籍。
2.《机器学习》作者: Tom Mitchell该书是机器学习领域的经典著作之一，主要介绍机器学习的各种算法和应用。
该书的主要内容包括：概率推理、决策树、神经网络、支持向量机、聚类、深度学习等。
该书在统计学习方法的基础上进一步深化了对机器学习算法的介绍，更全面地介绍了机器学习的各种应用。
3.《深度学习》作者: Ian Goodfellow、Yoshua Bengio、Aaron Courville该书是深度学习领域的经典著作之一，介绍了深度学习模型的原理、理论和实践。
该书的主要内容包括：神经网络的基础知识、深度学习中的优化、卷积神经网络、循环神经网络、自编码器、生成模型等。
该书深入浅出地介绍了深度学习的原理和应用，是学习深度学习的入门书籍。
4.《Python数据分析基础教程》作者: Wes McKinney该书主要介绍了使用Python进行数据分析的基础知识和技术，内容包括：NumPy、Pandas、Matplotlib等库的使用、数据分析流程、数据清洗、数据可视化等。
该书使用了大量的实例来说明各种数据分析技术的使用，为初学者提供了一个全面的数据分析学习路线。
5.《实用时间序列分析》作者: Aileen Nielsen该书主要介绍了时间序列分析的基础知识和技术，内容包括：时间序列的性质、时间序列预测、时间序列模型选择等。
该书使用了大量的实例来说明各种时间序列分析技术的使用，为初学者提供了一个全面的时间序列分析学习路线。
人工智能入门必读书单推荐给科技行业新手在当今科技高速发展的时代，人工智能已经成为了一个炙手可热的话题。
越来越多的人开始感兴趣并投身于这个领域。
对于科技行业的新手来说，正确的学习路线是非常重要的。
本文将推荐几本必读的人工智能入门书籍，帮助新手快速掌握相关知识和技能。
一、《人工智能：一种现代的方法》这本书是由斯图尔特·罗素（Stuart Russell）和彼得·诺维格（Peter Norvig）合著的。
它是人工智能领域的经典教材，深入浅出地介绍了人工智能的基本概念、基础算法和应用领域。
通过学习这本书，新手可以全面了解人工智能的基本知识框架和思维方式。
二、《Python编程快速上手——让繁琐工作自动化》Python是人工智能领域最常用的编程语言之一。
这本书由Al Sweigart撰写，适合没有编程经验的新手。
它以实际案例为基础，详细介绍了Python的基础语法和常用库的使用，帮助新手快速掌握编程技能，为后续的人工智能学习打下坚实基础。
三、《机器学习——周志华》机器学习是人工智能的核心技术之一，对于新手来说，掌握机器学习算法是非常重要的。
《机器学习》这本书由周志华教授撰写，结合理论和实践，全面介绍了机器学习的基本概念、算法原理和应用实例。
通过阅读这本书，新手可以系统地学习机器学习的基本理论和方法，并能够应用于实际问题的解决。
四、《深度学习——花书》深度学习是近年来人工智能领域最热门的技术之一。
《深度学习》这本书由Ian Goodfellow、Yoshua Bengio和Aaron Courville合著，是目前最权威的深度学习教材之一。
它详细介绍了深度学习的原理、模型和实践技巧，帮助新手全面了解深度学习的基本概念和应用方法。
五、《人工智能——一种现代方法》这本书由斯图尔特·罗素和彼得·诺维格合著，是人工智能领域的经典教材之一。
它结合了逻辑、概率和优化方法，全面介绍了人工智能的基本原理和算法。
（外文版）整理机器学习书单Jason Brownlee：我喜欢书，对于搞到的每一本机器学习书籍，我都要去读。
我认为，有好的参考资源，是对你心中机器学习谜题进行“解惑”的最快方式。
阅读多本书，你就有了看待疑难问题的多种角度。
有许多原因促使人们想要机器学习书籍。
因此，我采用了三种不同方式对机器学习书籍进行分类、排列，使读者们能按图索骥快速查找：•依据类别（难易）：教材，科普等。
•依据话题：Python，深度学习等•依据出版商：Packt，O’Reilly 等1.0 依据难易水平1.1 机器学习科普读物这是面向普通大众的机器学习书目。
它们让你体会到机器学习和数据科学的优点和益处，但免去了理论和应用细节。
我还加入了一些个人非常喜欢的、偏“统计思维”的流行科普读物。
•The Master Algorithm: How theQuest for the Ultimate Learning MachineWill Remake Our World译本：终极算法:机器学习和人工智能如何重塑世界•Predictive Analytics: The Power toPredict Who Will Click, Buy, Lie, or Die译本：大数据预测•The Signal and the Noise: Why SoMany Predictions Fail–but Some Don't•Naked Statistics: Stripping the Dreadfrom the Data•The Drunkard's Walk: HowRandomness Rules Our Lives该类别的首选是： The Signal and the Noise与上述读物的乐观相比，提供了反面观点的是：Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy.1.2 初学者书籍真正面向零基础初学者的机器学习书籍，基本上是一片空白。
人工智能与机器学习书籍推荐清单人工智能和机器学习是当今科技领域的热门话题，而深入了解和学习这些领域的知识是非常重要的。
在这篇文章中，我将向大家推荐一些优秀的人工智能与机器学习书籍，帮助读者更好地理解和应用这些技术。
1.《统计学习方法》- 李航这本书是机器学习领域的经典之作，涵盖了从基础的数学知识到各种常见机器学习算法的原理和应用。
通过学习本书，读者可以建立起对机器学习方法的基本理论和应用技巧的扎实基础。
2.《机器学习》- 周志华周志华教授是机器学习领域的知名专家，他的这本书以清晰简明的语言，系统性地介绍了机器学习的方法和算法。
书中既有理论解释，也有实际案例分析，可以帮助读者更好地掌握机器学习的核心概念和应用技巧。
3.《深度学习》- Ian Goodfellow、Yoshua Bengio、Aaron Courville深度学习是人工智能领域的重要分支，对于理解和应用深度学习技术，这本书是非常好的指南。
作者是深度学习领域的三位权威专家，他们从基础的神经网络开始介绍，逐步深入探讨了深度学习的各个方面，包括卷积神经网络、递归神经网络等。
4.《模式识别与机器学习》- Christopher M. Bishop这本书是模式识别和机器学习领域的经典之作，作者是知名的计算机科学家Christopher M. Bishop教授。
书中详细介绍了模式识别的基础概念和数学原理，同时还涵盖了许多常见的机器学习算法和技术，如支持向量机、高斯过程等。
5.《计算机视觉：算法与应用》- Richard Szeliski计算机视觉是人工智能领域的重要研究方向，该书对计算机视觉的算法和应用进行了详细介绍。
作者是Microsoft Research Asia的研究员Richard Szeliski，他在计算机视觉领域经验丰富，书中涵盖了图像处理、特征提取、物体识别等多个领域的内容。
在选择适合自己的书籍时，读者可以先根据自己的背景和兴趣选择适合的入门书籍，然后逐步深入学习，选择更加专业和深入的教材。
机器学习方法书籍机器学习是一门应用广泛的学科，它主要研究如何通过计算机自动从数据中学习，并利用学到的知识实现某种目标。
在机器学习方法领域，有许多经典的书籍可以供学习者学习和参考。
下面我将介绍几本经典的机器学习方法书籍。
1. 《机器学习》（周志华著）：这是一本非常经典的机器学习教材，被广泛认为是学习机器学习的入门教材。
它从数学和统计学基础出发，详细介绍了主要的机器学习方法，包括分类、聚类、降维等。
全书结构清晰，内容深入浅出，适合初学者入门。
2. 《Pattern Recognition and Machine Learning》（Christopher Bishop著）：这是一本非常全面的机器学习教材，被认为是机器学习领域的经典之作。
书中介绍了机器学习的基本概念和方法，并深入讨论了概率图模型、神经网络等高级话题。
此外，书中还包括了大量的数学推导和实例分析，对于理论基础和实践应用都有很好的覆盖。
3. 《机器学习实战》（Peter Harrington著）：这是一本非常实用的机器学习实战指南，适合对机器学习算法和工具有一定了解的读者。
书中通过大量的示例和实验，介绍了机器学习的主要方法和应用。
读者可以通过跟随书中的示例，快速上手实际的机器学习项目，并学习解决实际问题的技巧和方法。
4. 《Deep Learning》（Ian Goodfellow等著）：这是一本关于深度学习的权威教材。
深度学习是机器学习的一个重要分支，其通过多层神经网络模型来实现高级特征的抽取和学习。
本书详细介绍了深度学习的原理、模型和应用，包括卷积神经网络、循环神经网络等关键技术。
对于想要深入理解和应用深度学习的读者来说，这是一本不可多得的好书。
除了以上几本书籍外，还有一些其他的经典机器学习方法书籍，例如《机器学习》（Tom Mitchell著）、《机器学习：算法、评估和学习理论》（Shai Shalev-Shwartz 和Shai Ben-David著）等。
NLP (Natural Language Processing) 是人工智能（AI）的一个子领域。
自然语言是人类智慧的结晶，自然语言处理是人工智能中最为困难的问题之一，而对自然语言处理的研究也是充满魅力和挑战的。
随着计算机和互联网的广泛应用，计算机可处理的自然语言文本数量空前增长，面向海量信息的文本挖掘、信息提取、跨语言信息处理、人机交互等应用需求急速增长，自然语言处理研究必将对我们的生活产生深远的影响。
第一阶段：为初学者对NLP基本的理论应用1.《永续成长的宝藏图--NLP入门》2.《青蛙变王子》3.《改变你的未来》4.《改变未来续集》5.《瞬间的亲和力》6.《启动潜能之轮--西瓦心灵术》7.《心灵改变》8.《目标设定》9.《重新启动》10.《全面提升--NLP的应用》11.《神奇的NLP--从NLP入门到临床心理》12.《行动的奥秘》第二阶段：为NLP多方面的应用1.《催眠自我疗法》2.《你的身体相信你说的每句话》3.《如何和孩子有效的沟通》4.《天天·天才--如何重视你与孩子本来的学习乐趣》5.《西瓦心灵术--如何取得另一面的力量》6.《心灵动力--西瓦心灵术》7.《西瓦心灵术--企业主管应用手册》8.《唤醒内在天才》9.《学习如何学习》10.《NLP无限成功计划》11.《思考如何思考》12.《用心销售--如何建立超级销售模式》13.《我愈来愈健康》14.《教学革命》15.《最神奇的大脑》16.《神奇的人际关系》第三阶段：对NLP的深入了解1.《解答--如何强化情爱·性爱及人际关系》2.《改观--重新建构你的思想、言语及行为》3.《大脑操作手册--NLP概念》4.《超越治疗--新的科学与全能治疗模式》5.《复制卓越--烙印技巧》6.《复制卓越2--最佳未来的写真》7.《E.H--如何用NLP抒解你的情绪》8.《出神入化--催眠的最高境界》9.《催眠天书》10《催眠天书2》11.《揭发现实--刺激疗法》12.《改变现状的行家手册》。
机器学习经典书目汇总本文总结了机器学习的经典书籍，包括数学基础和算法理论的书籍。
入门书单《数学之美》作者吴军大家都很熟悉。
以极为通俗的语言讲述了数学在机器学习和自然语言处理等领域的应用。
《Programming Collective Intelligence》（《集体智慧编程》）作者Toby Segaran也是《BeautifulData : The Stories Behind Elegant Data Solutions》（《数据之美：解密优雅数据解决方案背后的故事》）的作者。
这本书最大的优势就是里面没有理论推导和复杂的数学公式，是很不错的入门书。
目前中文版已经脱销，对于有志于这个领域的人来说，英文的pdf是个不错的选择，因为后面有很多经典书的翻译都较差，只能看英文版，不如从这个入手。
还有，这本书适合于快速看完，因为据评论，看完一些经典的带有数学推导的书后会发现这本书什么都没讲，只是举了很多例子而已。
《Algorithms of the Intelligent Web》（《智能web算法》）作者Haralambos Marmanis、Dmitry Babenko。
这本书中的公式比《集体智慧编程》要略多一点，里面的例子多是互联网上的应用，看名字就知道。
不足的地方在于里面的配套代码是BeanShell而不是python或其他。
总起来说，这本书还是适合初学者，与上一本一样需要快速读完，如果读完上一本的话，这一本可以不必细看代码，了解算法主要思想就行了。
《统计学习方法》作者李航，是国内机器学习领域的几个大家之一，曾在MSRA 任高级研究员，现在华为诺亚方舟实验室。
书中写了十个算法，每个算法的介绍都很干脆，直接上公式，是彻头彻尾的“干货书”。
每章末尾的参考文献也方便了想深入理解算法的童鞋直接查到经典论文；本书可以与上面两本书互为辅助阅读。
《Machine Learning》（《机器学习》）作者Tom Mitchell是CMU的大师，有机器学习和半监督学习的网络课程视频。
这本书是领域内翻译的较好的书籍，讲述的算法也比《统计学习方法》的范围要大很多。
据评论这本书主要在于启发，讲述公式为什么成立而不是推导；不足的地方在于出版年限较早，时效性不如PRML。
但有些基础的经典还是不会过时的，所以这本书现在几乎是机器学习的必读书目。
《Mining of Massive Datasets》（《大数据》）作者Anand Rajaraman[3]、Jeffrey David Ullman，Anand是Stanford的PhD。
这本书介绍了很多算法，也介绍了这些算法在数据规模比较大的时候的变形。
但是限于篇幅，每种算法都没有展开讲的感觉，如果想深入了解需要查其他的资料，不过这样的话对算法进行了解也足够了。
还有一点不足的地方就是本书原文和翻译都有许多错误，勘误表比较长，读者要用心了。
《Data Mining: Practical Machine Learning Tools and Techniques》（《数据挖掘：实用机器学习技术》）作者Ian H. Witten 、Eibe Frank是weka的作者、新西兰怀卡托大学教授。
他们的《ManagingGigabytes》[4]也是信息检索方面的经典书籍。
这本书最大的特点是对weka的使用进行了介绍，但是其理论部分太单薄，作为入门书籍还可，但是，经典的入门书籍如《集体智慧编程》、《智能web算法》已经很经典，学习的话不宜读太多的入门书籍，建议只看一些上述两本书没讲到的算法。
《机器学习及其应用》周志华、杨强主编。
来源于“机器学习及其应用研讨会”的文集。
该研讨会由复旦大学智能信息处理实验室发起，目前已举办了十届，国内的大牛如李航、项亮、王海峰、刘铁岩、余凯等都曾在该会议上做过讲座。
这本书讲了很多机器学习前沿的具体的应用，需要有基础的才能看懂。
如果想了解机器学习研究趋势的可以浏览一下这本书。
关注领域内的学术会议是发现研究趋势的方法嘛。
《Managing Gigabytes》（深入搜索引擎）信息检索不错的书。
《Modern Information Retrieval》Ricardo Baeza-Yates et al. 1999。
貌似第一本完整讲述IR的书。
可惜IR这些年进展迅猛，这本书略有些过时了。
翻翻做参考还是不错的。
另外，Ricardo同学现在是Yahoo Research for Europe and Latin Ameria的头头。
《推荐系统实践》项亮，不错的入门读物深入《Pattern Classification》（《模式分类》第二版）作者Richard O. Duda[5]、Peter E. Hart、David。
模式识别的奠基之作，但对最近呈主导地位的较好的方法SVM、Boosting方法没有介绍，被评“挂一漏万之嫌”。
《Pattern Recognition And Machine Learning》作者Christopher M. Bishop[6]；简称PRML，侧重于概率模型，是贝叶斯方法的扛鼎之作，据评“具有强烈的工程气息，可以配合stanford 大学Andrew Ng 教授的Machine Learning 视频教程一起来学，效果翻倍。
”《The Elements of Statistical Learning : Data Mining, Inference, andPrediction》，（《统计学习基础：数据挖掘、推理与预测》第二版）作者RobertTibshirani、Trevor Hastie、Jerome Friedman。
“这本书的作者是Boosting方法最活跃的几个研究人员，发明的Gradient Boosting提出了理解Boosting方法的新角度，极大扩展了Boosting 方法的应用范围。
这本书对当前最为流行的方法有比较全面深入的介绍，对工程人员参考价值也许要更大一点。
另一方面，它不仅总结了已经成熟了的一些技术，而且对尚在发展中的一些议题也有简明扼要的论述。
让读者充分体会到机器学习是一个仍然非常活跃的研究领域，应该会让学术研究人员也有常读常新的感受。
”[7]《Data Mining：Concepts andTechniques》（《数据挖掘：概念与技术》第三版）作者（美）Jiawei Han[8]、（加）Micheline Kamber、（加）Jian Pei，其中第一作者是华裔。
本书毫无疑问是数据挖掘方面的的经典之作，不过翻译版总是被喷，没办法，大部分翻译过来的书籍都被喷，想要不吃别人嚼过的东西，就好好学习英文吧。
《AI, Modern Approach 2nd》Peter Norvig，无争议的领域经典。
《Foundations of Statistical Natural Language Processing》自然语言处理领域公认经典。
《Information Theory：Inference and Learning Algorithms》《Statistical Learning Theory》Vapnik的大作，统计学界的权威，本书将理论上升到了哲学层面，他的另一本书《The Nature ofStatistical Learning Theory》也是统计学习研究不可多得的好书，但是这两本书都比较深入，适合有一定基础的读者。
数学基础《矩阵分析》Roger Horn。
矩阵分析领域无争议的经典《概率论及其应用》威廉·费勒。
极牛的书，可数学味道太重，不适合做机器学习的《All Of Statistics》机器学习这个方向，统计学也一样非常重要。
推荐All of statistics，这是CMU的一本很简洁的教科书，注重概念，简化计算，简化与Machine Learning无关的概念和统计内容，可以说是很好的快速入门材料。
《Nonlinear Programming, 2nd》最优化方法，非线性规划的参考书。
《Convex Optimization》Boyd的经典书籍，被引用次数超过14000次，面向实际应用，并且有配套代码，是一本不可多得的好书。
《Numerical Optimization》第二版，Nocedal著，非常适合非数值专业的学生和工程师参考，算法流程清晰详细，原理清楚。
《Introduction to Mathematical Statistics》第六版，Hogg著，本书介绍了概率统计的基本概念以及各种分布，以及ML，Bayesian方法等内容。
《An Introduction to Probabilistic Graphical Models》Jordan著，本书介绍了条件独立、分解、混合、条件混合等图模型中的基本概念，对隐变量（潜在变量）也做了详细介绍，相信大家在隐马尔科夫链和用Gaussian混合模型来实现EM算法时遇到过这个概念。
《Probabilistic Graphical Models-Principles and Techniques》Koller著，一本很厚很全面的书，理论性很强，可以作为参考书使用。
具体数学经典大家的补充线性代数(Linear Algebra)：我想国内的大学生都会学过这门课程，但是，未必每一位老师都能贯彻它的精要。
这门学科对于Learning是必备的基础，对它的透彻掌握是必不可少的。
我在科大一年级的时候就学习了这门课，后来到了香港后，又重新把线性代数读了一遍，所读的是Introduction to Linear Algebra (3rd Ed.) by Gilbert Strang.这本书是MIT的线性代数课使用的教材，也是被很多其它大学选用的经典教材。
它的难度适中，讲解清晰，重要的是对许多核心的概念讨论得比较透彻。
我个人觉得，学习线性代数，最重要的不是去熟练矩阵运算和解方程的方法——这些在实际工作中MATLAB 可以代劳，关键的是要深入理解几个基础而又重要的概念：子空间(Subspace)，正交(Orthogonality)，特征值和特征向量(Eigenvalues and eigenvectors)，和线性变换(Linear transform)。
从我的角度看来，一本线代教科书的质量，就在于它能否给这些根本概念以足够的重视，能否把它们的联系讲清楚。
Strang的这本书在这方面是做得很好的。
而且，这本书有个得天独厚的优势。
书的作者长期在MIT讲授线性代数课(18.06)，课程的video在MIT的Open courseware网站上有提供。
有时间的朋友可以一边看着名师授课的录像，一边对照课本学习或者复习。
