算法学习进阶书单：机器学习

上一篇介绍了基础的算法学习路线和书单，从目前主流的算法发展情况看，学习算法需要最好经过三个阶段：

基础算法=》机器学习=》深度学习

基础算法如上一篇文章所言，是基本的数据结构基础上衍生出的解决实际计算机运行和计算问题的搜索，排序，分治，动态规划等问题。

机器学习则引入了统计学的数学概念以及概率和随机过程的数学工具，通过统计学习的方法让机器可以实现基本数据的分类和识别两项人类所拥有的基本能力，也可以称之为机器智能，但是离人工智能还有距离，对于分类复杂的思考能力，广度和深度还无法企及。

所以在机器学习的基础上会引入人工神经元网络的概念来模拟人的大脑的思考和认知的过程，人工神经元网络的发展很长一段时间里并不顺利，主要是受限于两个方面：计算机运算能力无法达到实际应用需要（太慢了），识别效果无法跟人类相比没办法进行实用（太不准了）。只有在近年来大数据技术和高性能大规模计算机集群（云计算）技术的发展，包括高速芯片的运算能力的飞速提升，使得数据来源极大丰富，计算速度和准确度都大幅提升到实用水平，催生了深度学习的技术模式，所以带来了目前人工智能领域的爆炸式发展，从计算机视觉，语音识别，文本理解，自然语言，数据挖掘多个领域都迅速成为业界主流。

这里先来介绍如何学好和运用机器学习这部分知识体系内容。机器学习需要有较为深入的数学基础，但是我们不一定要先从高深的数学理论开始学起，可以先学一些数学基础知识，然后可以进入应用模式的实际编程的学习，先学会用，在回过头来提升理论基础，搞懂原理提升自己，也是一种有效的学习方式，所以我归纳的学习路线如下：

数学基础（统计学和概率）=》机器学习（运用）=》机器学习理论（原理）

根据经典机器学习教材讲解26种模型算法，这里面的机器学习的内容范畴主要包括：

1. 有监督学习：

主要包括回归，k近邻，SVM，决策树，随机森林，Boosting系列算法（AdaBoost，GBDT，XGBoost等），神经网络等。

2. 无监督学习：

主要包括聚类，主成分分析（PCA），特征向量分解（SVD）等。

3. 概率方法：

贝叶斯模型，EM算法，隐马尔科夫模型（HMM），条件随机场（CRF），蒙特卡洛方法等。

一、机器学习数学基础

这部分书单不需要太多，主要是预备知识，如果能够系统的进行计算机类数学知识体系的学习更好，如果条件不具备，就可以先了解相关数学内容。

1. 概率论与数理统计（第五版）

大学经典教程，纯数学角度学习。

2. 机器学习数学基础

有针对性的关于机器学习相关的数学知识，更贴近实用。

二、机器学习

有了一定的预备数学知识以后，就可以开始正式学习机器学习，市面上机器学习的书籍很多很多，经典也不少，这里就按照不同体系大致介绍下几种系列：

（一）国外经典教材系列

1. 机器学习导论（原书第3版）

2. 深入理解机器学习：从原理到算法

3. 统计学习导论 基于R应用

还是那套教材系列，还是国外大牛执笔，不容错过。

（二）国内大神书籍

国内机器学习领域经典的组合，李航的《统计学习方法》和周志华的“西瓜书”《机器学习》，人手一本。

4. 统计学习方法（第2版）

6. 机器学习 [Machine Learning]（西瓜书）

然后是对西瓜书的延伸，从公式详解到代码实现，不可多得的辅助材料。

7. 机器学习公式详解（南瓜书）

8. 机器学习 公式推导与代码实现

对西瓜书的模型采用Python的学习框架进行了算法实现，非常值得拥有。

（三）机器学习进阶

9. 机器学习精讲：基础、算法及应用（原书第2版）

10. 机器学习：贝叶斯和优化方法（原书第2版）

三、机器学习数学理论及原理

以上书籍足够用，如果想要进一步了解加上理论，可以选择下面系列，都是国外经典学者专家的论著。

1. 机器学习的数学理论

2. 机器学习基础

3. 机器学习及其应用

4. 机器学习算法

5. 对抗机器学习：机器学习系统中的攻击和防御

这本还涉及到了机器学习的安全问题，很有用。

好了，机器学习就介绍到这里，接下来的重磅深度学习，以及延伸出的强化学习，联邦学习等知识书单，下一篇再专门梳理。

更多最新原创书单，欢迎关注IT博士的微信公众号：IT博士技术人生