我们想要的是一台能从经验中学习的机器
——艾伦·图灵
毫无疑问，机器学习已成为当今最受欢迎的主题之一。根据一项研究，机器学习工程师被评为 2019年 美国最佳工作之一。
展望这一趋势，我们整理了一些最佳（免费）机器学习书籍的清单，这些书籍将证明对有志于在该领域发展职业的每个人都有帮助。
1. ISLR
机器学习理论的最佳入门书。甚至付费书籍也不比它好。很好地介绍了数学知识，并在 R 中有练习材料。
2. 神经网络与深度学习
这本免费的在线书是其中最好的和最快的关于深度学习的介绍。阅读只需几天，即可为您提供有关深度学习的所有基础知识。
3. 模式识别与机器学习
它是最著名的理论性机器学习书籍之一，因此无需撰写过多的介绍。
4. 深度学习/花书
这本书是《深度学习》的圣经，是对深度学习算法和方法的介绍，对初学者和从业者都非常有用。
5. 了解机器学习：从理论到算法
关于机器学习理论的文章确实很棒。
6. 成功的七个步骤：实践中的机器学习
进入该领域的非技术产品经理和非机器学习软件工程师都不应错过本教程。写得很好（略旧，不涉及深度学习，但可以用于所有实际目的）。
7. 机器学习规则：机器学习工程的最佳实践
想知道 Google 如何看待其机器学习产品吗？这是一个非常好的机器学习产品管理教程。
8. 面向工程师的机器学习简介
涵盖几乎所有机器学习技术的独白。易于理解数学（对于害怕数学符号表示难以理解的人）。
9. 无需深度学习的机器学习简介
涵盖几乎所有机器学习技术的独白。易于理解数学（对于害怕数学符号表示难以理解的人）。
10. 机器学习入门笔记
面向绝对初学者的机器学习指南。
11. 机器学习基础
关于机器学习数学概念的详细论述。
12. 变量和特征选择简介
特征工程和变量选择可能是传统机器学习算法中最重要的人工输入。（在深度学习方法中不那么重要，但是深度学习并不能解决所有问题）。本教程介绍了不同的要素工程方法。
13. AutoML– Frank Hutter，Lars Kotthoff，Joaquin Vanschoren
在完成功能工程后，近来的传统机器学习实际上已经减少到运行 AutoML 模型（h2o，auto sklearn或tpot，这是ParallelDots的最爱）。（实际上，也有几种方法可以进行自动化的非特定于域的自动要素工程）。本书介绍了AutoML中使用的方法。
14. 用Pytorch进行深度学习
一本免费的书，可帮助您使用 PyTorch 学习深度学习。PyTorch 是ParallelDots 上我们最喜欢的深度学习库，我们建议所有人进行深度学习的应用研究/开发。
15. 深度学习
另一本有关深度学习的详细书，该书使用亚马逊的 MXNet 库教授深度学习。
16. Kerasbook Github 笔记本
Francois Chollet 是 Keras 库的负责人。他撰写的《用Python进行深度学习》一书在Keras教授《深度学习》，获得了很好的评价。这本书 不是 免费提供的，但是它的所有代码都可以在 Github 上以笔记本的形式获得（用深度学习示例构成一本书），并且是很好的资源。几年前我在学习 Keras 时就读了它，这是非常好的资源。
17. 基于模型的机器学习
贝叶斯机器学习的绝佳资源。使用 Microsoft 的 Infer.Net 库进行教学，因此您可能必须安装 IronPython 才能阅读/实现本书的示例。
18. 机器学习的贝叶斯模型
另一本书详细介绍了机器学习中的各种贝叶斯方法。
19. 爱森斯坦自然语言处理笔记
自然语言处理是机器学习中最流行的用途。GATech课程中的这些注释很好地概述了如何使用机器学习来解释人类语言。
20. 强化学习– Sutton和Barto
强化学习的圣经。这是进入强化学习领域的任何人都必须阅读的。
21. 机器学习的高斯过程
使用贝叶斯优化和高斯过程进行机器学习。借助基于变分推理的库（例如Edward / GpyTorch / BOTorch等），此方法正在卷土重来。
22. 机器学习访谈机器学习系统设计Chip Huyen
要参加机器学习工作的面试吗？这些问题可能有助于在回答机器学习系统问题时找出策略。
23. 机器学习的算法方面
本书涉及机器学习的各个部分，其中涉及计算算法和数值方法，以解决诸如分解模型，字典学习和高斯模型之类的问题。
24. 机器学习的因果关系
随着因果关系进入数据科学领域，机器学习也摆脱了讨论。尽管没有详细的资料可解决，但是这里是一个简短的教程，试图解释机器学习因果关系的关键概念。
原文：24 Best (and Free) Books To Understand Machine Learning
时间：2020/03/12