助你精通机器学习的5本免费电子书

原文：5 free e-books for machine learning mastery
作者：Serdar Yegulalp 翻译：赖信涛责编：仲培艺

计算机中有一些领域非常令人着迷，或令人畏惧，机器学习就是这样。精通机器学习并非一朝之事，至少，你需要花一些时间掌握必备的数学知识。

也就是说，如果你数学很好，那么就会更加理解机器学习框架背后的原理，使用起来也会得心应手。

下面介绍5本高质量的、免费阅读的电子书，主要是对机器学习的介绍和解释。其中有一些有代码示例，但是一般都是专注于公式和理论的，这些原理可以应用到各种语言、框架和问题。

要点：为初学者准备的初涉机器学习的高质量文档。此书仍在撰写中——有一些章节依然标记着TODO——但是其高可读性完全可以弥补这部分不足。

目标读者：任何掌握微积分、概率论和线性代数的人都可以阅读此书，不需要有任何编程语言专长。

代码内容：有一些伪代码，不过此书大部分用来展示的东西还是原理和公式。

要点：超过500页的文本，据作者称，具体陈述了如何“从数据中学习”，对机器学习岗位需求的急剧升高显示了这个领域的热门程度。此书自2001年已经出版过两个版本并印刷了10次，此书还有一大好处：跨度很大，不局限于一个领域。

目标读者：统计学和数学基础较好的、不需要将自己的数学形式转换成代码的人。

代码内容：没有。这并不是一本软件开发的书，而是关于机器学习的理论基础。

要点内容： Bayesian（贝叶斯）方法是所有有关模式识别和垃圾过滤的基础，所以逐渐形成了一个特殊的领域。此书涵盖Bayesian统计的各个主要方面，阐述了它是如何应用的。

目标读者：任何有微积分、概率论和线性代数基础的人。

代码内容：很多！每一个章节都有伪代码和工具的链接，以及一些demo。而且，代码并不是Python或R语言的，而是商业MATLAB环境，GNU Octave也可以作为一个开源的替代品。

重点内容：高斯处理也是贝叶斯方法的一部分。本书集中讨论如何在一般机器学习方法中使用高斯原理，例如分类、回归和模型训练等。

目标读者：大致和Bayesian Reasoning and Machine Learning差不多。

代码内容：书中使用的代码大多是伪代码，但是和ayesian Reasoning and Machine Learning一样，有些MATLAB/Octave代码。

重点内容：一个论文集，包括很多不同方面、内容深奥的机器学习知识。其中一些比较抽象，另一些专注于特定的问题，比如“模拟对话的机器学习方法”等。

目标读者：想要在这方面深入学习的人。

代码内容：有一些公式，没有代码。