在书海的包围中，我们通常会迷失方向，不知道接下来要读哪本书。

下面是一名机器学习工程师Strikingloo推荐的一个非常简短的清单，只有3本机器学习书籍，虽少却精。

每一本都在他的职业生涯中的不同阶段帮助了他，下面就来看一下他的推荐吧。

一

Data Science from Scratch: First Principles with Python by Joel Grus



这是此清单中最具引导性的一本。在阅读本书之前，我对数据科学几乎一无所知。

我确实拥有强大的概率和统计背景，并且了解足够的Python知识。但是，我忽视了它的实用性。

这本书为我做了很多事情。它：

• 向我展示了如何高效优雅地处理Python中的数据，并遵循Python的良好实践；


• 教我如何从头开始实现最简单的机器学习算法；


• 告诉我数据科学家的日常工作可能是什么样子；


• 教我如何将结果清楚地传达给他人。

如果你是数据科学社区的新手，我极力推荐它。它将为你提供你需要的大多数主题的清晰概述，以便使你开始数据科学家之路。

它还将展示Python最常用的库，以及许多惯用代码。

二

An Introduction to Statistical Learning: with Applications in R by Gareth James



这本书是迄今为止我发现的最全面的机器学习书。我从中学到了很多，像k -均值聚类这样的无监督学习算法，以及增强树这样的有监督学习算法。

如果你已经在这个领域工作，那么第一章可能会有点过于基础（至少对我来说）。但它还总结了许多你以前没有学过的东西。

后面的章节是真正宝贵的地方。它对随机森林，增强树和支持向量机的解释非常到位。

以下是你可以从统计学习简介中学到的一些主题：

• 回归和监督学习算法：从线性回归和SVM到基于树的方法；


• 无监督学习技术：尤其是聚类，包括K-Means算法；


• 采样方法和其他通用机器学习核心概念；


• 度量标准的含义和优缺点，如准确性、查全率、精确度等。

我认为今年到目前为止，这本书是我读过的最好的书，它让我成为了一个知识更加全面的数据科学家。它也是一本非常好的参考书，可以放在书架上。

三

Deep Learning by Ian Goodfellow,Yoshua Bengio,Aaron Courville



这本书的范围非常具体：人工神经网络或深度学习。

然而，第一章概述了深度学习的前身，它与众不同的原因，以及对深度学习如何运作的解释，这些都非常精彩。

它甚至可以在学习深度学习之前解释你需要知道的所有内容，有一整章专门介绍线性代数、概率和信息论，以及数值计算方法。

接下来的章节，只要你需要深入了解特定的神经网络架构，就可以作为一个很棒的参考。

它们包括对卷积神经网络和递归神经网络的深入解释，以及许多正则化或优化方法。

第三部分也是最后一部分，围绕尖端技术介绍了生成模型，自动编码器和许多其他有趣的算法。它们可能会给你带来很大的助力。

本书的作者现在是机器学习的名人。其中一人甚至最近获得了图灵奖，所以也许跟他们学习这门课程再好不过了。