要成为一名有效的机器学习科学家，需要获得许多知识和经验。要开始使用机器学习和AI，学习一些在线课程和入门书籍可能就足够了。但是，为了变得更好，你将需要学习的可能更多。
有关AI最新技术的大多数信息都包含在顶级会议（例如ICML，NeurIPS或ICLR）以及arXiv上发表的论文中。这些论文中的大多数都需要在各自领域中有深入的知识，并且通常需要相当深的数学理解才能阅读它们。而且，整个领域都以惊人的速度不断发展。因此，不仅必须能够阅读这些论文，而且还必须快速阅读它们并提取最重要的文章，以便能够确定其中包含的信息和知识对你是否有用。
在这篇文章中，我收集了10本书，我会推荐给任何想对最新技术以及数学和编程经验有更多了解的人。通常，这些书与任何想在该领域工作的人有关。
人工智能的数学基础
统计学习导论
作者：Trevor Hastie
毫无疑问，对于任何数据科学家来说，良好的统计学基础都至关重要。本书对统计学习中最重要的概念进行了全面而扎实的解释。同时，并不需要成为数学专家即可掌握这些概念。作者涵盖了有监督的学习和无监督的学习，包括SVM，神经网络和决策树，随机森林，LASSO回归等等。对我而言，这是任何标准ML算法的首选参考。
线性代数应该这样学
作者: Sheldon Axler
本书是一本有关线性代数的书，它确实深入探讨了线性代数的数学基础。它假定读者已经理解了基本概念，而是以更理论性的方式介绍了该主题。为了理解深度学习领域的大多数论文，虽然绝对不必对线性代数有足够的了解，但我发现它通常不仅对学者有帮助，而且对实际研究都非常有帮助。
概率论教程
作者：：Achim Klenke
这是全面而严格的关于概率论的书。当我说严谨的时候，我是说真的：它的意思是给已经对概率论有一定经验的人们。在所有有关概率的数学课程中，它都打开了有关测度理论的章节。但是，仅涵盖最相关的量度理论概念。之后，本书深入探讨独立性，条件概率，mar，马尔可夫链，随机过程和随机积分的概念。因为这是一本主要供数学家使用的书，所以所有内容都得到了正确证明（尽管还保留了一些证明作为练习！），因此您必须花些时间来了解这些定理。但是，该书还提供了许多示例和数据，以使您更好地理解。我将它推荐给想要从数学角度理解概率的任何人。
人工智能一种现代的方法（第3版）
作者：Stuart Russell和Peter Norvig
它非常清楚简洁，可以很好地概述该领域，几乎不需要数学背景。本书还涵盖了许多内容：它从谈论智能代理，搜索算法和约束满足开始，接着是对逻辑的易于阅读的介绍，并以学习，概率推理，NLP和机器人技术。这最后几章只是在第三本书中才添加到书中，我觉得其中包含的信息与其余内容并没有真正协调。但是，我可以全心全意地将本书的其余部分推荐给任何想扩展AI视野的人。
深度学习
作者：Ian Goodfellow
到目前为止，这本书已成为深度学习的标准书，涵盖了基础知识的主题，例如线性代数和概率与前馈网络的介绍，以及更高级的主题，例如CNN，RNN，正则化和自动编码器。还包括图形模型和蒙特卡洛方法的概述。
如果你刚刚完成了一些基础机器学习课程，并且想要对深度学习有更深入的介绍，那么我推荐这本书。
机器学习：概率视角
作者：Kevin P. Murphy
如果你进行了一些的机器学习课程，那么可能已向你推荐过了这本书。这本书阅读有难度，它涵盖了优化，概率，支持向量机，高斯模型，贝叶斯和贝叶斯统计，线性和逻辑回归，图形模型，期望最大化，高斯过程，变分和蒙特卡洛（Monte Carlo）推理，聚类和深度学习都在一本书中。本书的主题以及标题中出现“概率”的原因是作者倾向于贝叶斯方法。如果你认为线性回归很容易，请阅读有关贝叶斯线性回归的章节。这本书为读者提供了过去几十年来针对该主题所做的所有研究的参考。
神经网络与深度学习
作者：Charu Aggarwal
这是一本相对较新的有关深度学习的书。我挑选它只是为了找出其中是否包含我尚未在其他地方阅读过的任何信息，因为我已经读过该作者的另一本书（《机器学习文本》）。前几章特别令我耳目一新，使我重新思考了ML的整个领域。在这些章节中，Aggarwal博士建立了SVM，回归，SVD和其他经典ML算法之间的联系，并解释说这些实际上只是神经网络的特殊情况。很有意思！本书的其余部分专门介绍了神经网络的基础，详细解释了反向传播，正则化，CNN，RNN和自动编码器，同时还简要介绍了诸如注意机制之类的最新技术。
强化学习
作者：Richard S. Sutton
我认为，从事ML的每个人至少应该知道什么是强化学习，因为目前看来，这是我们向通用AI迈进的最大希望。关于这本书的最好的事情是它的简洁和清晰。在阅读本书时，我从未感到作者遗漏了一些可以帮助我更好地理解该主题的东西。尽管它在某些部分确实变得很数学，但是涉及更多的内容总是标有此类内容，并且可以根据需要跳过它（尽管我建议继续学习）
统计中的因果推论
作者：朱迪亚·珀尔（Judea Pearl）
虽然由于本书涉及的主题有限，将本书包括在我的清单中可能会使我感到奇怪，但我觉得它在这里值得一提，主要是因为因果推理迅速成为AI的主要话题，并且Judea Pearl是AI的主要研究者和发明者因果推理理论（包括他的许多其他成就）。在这本书中，您将发现什么是因果推论，当然您还将学到所有因果关系与相关性。它是因果关系领域的简介，因此为读者提供了概念，而不是详尽的细节。它还包含许多示例和发人深省的问题，以激发人们对这个主题进行更深入的思考。对反事实的讨论对我来说尤其有趣和令人耳目一新。
流畅的Python
作者：Luciano Ramalho
恕我直言，每个深度学习科学家或数据科学家都需要能够编写清晰简洁的Python代码。尽管设计大型代码体系结构通常不是我们工作的主要部分，但编写易于理解的算法却是。这本书确实可以帮助您发展Python技能。在阅读本书时，我发现了很多我以前不知道的Python功能。我几乎每天都会使用的一种是元类的概念。此外，我在其他任何地方都没有找到关于Python数据模型的清晰描述。如果你希望你的同事和GitHub关注者对你编写的精美代码感到敬畏，请选择本书！
结论
有太多的资源可用于学习AI和机器学习，因此比以往任何时候都更容易获得有关该主题的深入知识。我提供的这些只是这一领域内容质量较高的一部分书籍推荐。也希望这份清单能为你提供一定的帮助和指导，并让你对人工智能领域有进一步的了解。
感谢阅读！感谢关注！
