人工智能入門(mén)書(shū)單附PDF鏈接

接收程序員的8點(diǎn)技術(shù)早餐

作者｜王天一

出處｜極客時(shí)間專欄《人工智能基礎(chǔ)課》

工學(xué)博士、副教授的人工智能珍藏書(shū)單，隨文附送PDF版本鏈接。

機(jī)器學(xué)習(xí)篇

在機(jī)器學(xué)習(xí)上，首先要推薦的是兩部國(guó)內(nèi)作者的著作：李航博士所著的《統(tǒng)計(jì)學(xué)習(xí)方法》和周志華教授的《機(jī)器學(xué)習(xí)》。

《統(tǒng)計(jì)學(xué)習(xí)方法》采用“總-分-總”的結(jié)構(gòu)，在梳理了統(tǒng)計(jì)學(xué)習(xí)的基本概念后，系統(tǒng)而全面地介紹了統(tǒng)計(jì)學(xué)習(xí)中的10種主要方法，很后對(duì)這些算法做了總結(jié)與比較。這本書(shū)以數(shù)學(xué)公式為主，介紹每種方法時(shí)都給出了詳盡的數(shù)學(xué)推導(dǎo)，幾乎不含任何廢話，因而對(duì)讀者的數(shù)學(xué)背景也提出了較高的要求。

相比之下，《機(jī)器學(xué)習(xí)》覆蓋的范圍更廣，具有更強(qiáng)的導(dǎo)論性質(zhì)，有助于了解機(jī)器學(xué)習(xí)的全景。書(shū)中涵蓋了機(jī)器學(xué)習(xí)中幾乎所有算法類(lèi)別的基本思想、適用范圍、優(yōu)缺點(diǎn)與主要實(shí)現(xiàn)方式，并穿插了大量通俗易懂的實(shí)例。

假如說(shuō)《統(tǒng)計(jì)學(xué)習(xí)方法》勝在深度，那么《機(jī)器學(xué)習(xí)》就勝在廣度。在具備廣度的前提下，可以根據(jù)《機(jī)器學(xué)習(xí)》中提供的豐富參考文獻(xiàn)繼續(xù)深挖。

讀完以上兩本書(shū)，就可以閱讀一些經(jīng)典著作了。經(jīng)典著作首推TomMitchell所著的MachineLearning，中譯本名為《機(jī)器學(xué)習(xí)》。本書(shū)成書(shū)于1997年，雖然難以覆蓋機(jī)器學(xué)習(xí)中的很新進(jìn)展，但對(duì)于基本理論和核心算法的論述依然鞭辟入里，究竟經(jīng)典理論經(jīng)得起時(shí)間的考驗(yàn)。這本書(shū)的側(cè)重點(diǎn)也在于廣度，并不涉及大量復(fù)雜的數(shù)學(xué)推導(dǎo)，是比較理想的入門(mén)書(shū)籍。作者曾在自己的主頁(yè)上說(shuō)本書(shū)要出新版，并補(bǔ)充了一些章節(jié)的內(nèi)容，也許近兩年可以期待新版本的出現(xiàn)。

另一本經(jīng)典著作是TrevorHastie等人所著的ElementsofStatisticalLearning，于2021年出版了第二版。這本書(shū)沒(méi)有中譯，只有影印本。高手的書(shū)都不會(huì)用大量復(fù)雜的數(shù)學(xué)公式來(lái)恐嚇人（專于算法推導(dǎo)的書(shū)除外），這一本也不例外。它強(qiáng)調(diào)的是各種學(xué)習(xí)方法的內(nèi)涵和外延，相比于具體的推演，通過(guò)方法的來(lái)龍去脈來(lái)理解其應(yīng)用場(chǎng)景和發(fā)展方向恐怕更加重要。

壓軸登場(chǎng)的非ChristopherBishop所著的PatternRecognitionandMachineLearning莫屬了。本書(shū)出版于2007年，沒(méi)有中譯本，也許原因在于將這樣一本煌煌巨著翻譯出來(lái)不知要花費(fèi)多少挑燈夜戰(zhàn)的夜晚。這本書(shū)的特點(diǎn)在于將機(jī)器學(xué)習(xí)看成一個(gè)整體，不管于基于頻率的方法還是貝葉斯方法，不管是回歸模型還是分類(lèi)模型，都只是一個(gè)問(wèn)題的不同側(cè)面。作者能夠開(kāi)啟上帝視角，將機(jī)器學(xué)習(xí)的林林總總都納入一張巨網(wǎng)之中，遺憾的是，大多數(shù)讀者跟不上他高屋建瓴的思路（也包括我自己）。

很后推薦的是DavidJCMacKay所著的InformationTheory,InferenceandLearningAlgorithms，成書(shū)于2003年，中譯本名為《信息論，推理與學(xué)習(xí)算法》。本書(shū)作者是一位全才型的科學(xué)家，這本書(shū)也并非機(jī)器學(xué)習(xí)的專著，而是將多個(gè)相關(guān)學(xué)科熔于一爐，內(nèi)容涉獵相當(dāng)廣泛。相比于前面板著臉的教科書(shū)，閱讀本書(shū)的感覺(jué)就像在和作者聊天，他會(huì)在談笑間拋出各種各樣的問(wèn)題讓你思考。廣泛的主題使本書(shū)的閱讀體驗(yàn)并不輕松，但可以作為擴(kuò)展視野的一個(gè)調(diào)節(jié)。

數(shù)學(xué)篇

1、線性代數(shù)

推薦兩本國(guó)外的教材。其一是GilbertStrang所著的IntroductiontoLinearAlgebra，英文版在2021年出到第五版，暫無(wú)中譯本。這本通過(guò)直觀形象的概念性解釋闡述抽象的基本概念，同時(shí)輔以大量線性代數(shù)在各領(lǐng)域內(nèi)的實(shí)際應(yīng)用，對(duì)學(xué)習(xí)者非常友好。作者在麻省理工學(xué)院的OCW上開(kāi)設(shè)了相應(yīng)的視頻課程，還配有習(xí)題解答、模擬試題等一系列電子資源。

其二是DavidCLay所著的LinearAlgebraanditsApplications，英文版在2020年同樣出到第五版，中譯本名為《線性代數(shù)及其應(yīng)用》，對(duì)應(yīng)原書(shū)第四版。這本書(shū)通過(guò)向量和線性方程組這些基本概念深入淺出地介紹線代中的基本概念，著重公式背后的代數(shù)意義和幾何意義，同樣配有大量應(yīng)用實(shí)例，對(duì)理解基本概念幫助很大。

2、概率論

基礎(chǔ)讀物可以選擇SheldonMRoss所著的AFirstCourseinProbability，英文版在2021年出到第九版（18年馬上要出第十版），中譯本名為《概率論基礎(chǔ)教程》，對(duì)應(yīng)原書(shū)第九版，也有英文影印本。這本書(shū)拋開(kāi)測(cè)度，從中心極限定理的角度討論概率問(wèn)題，對(duì)概念的解釋更加通俗，書(shū)中還包含海量緊密聯(lián)系生活的應(yīng)用實(shí)例與例題習(xí)題。

另一本艱深的讀物是EdwinThompsonJaynes所著的ProbabilityTheory:TheLogicofScience，本書(shū)暫無(wú)中譯本，影印本名為《概率論沉思錄》也已絕版。這本書(shū)是作者的遺著，花費(fèi)半個(gè)世紀(jì)的時(shí)間完成，從名字就可以看出是一部神書(shū)。作者從邏輯的角度探討了基于頻率的概率，貝葉斯概率和統(tǒng)計(jì)推斷，將概率論這門(mén)偏經(jīng)驗(yàn)的學(xué)科納入數(shù)理邏輯的框架之下。假如讀這本書(shū)，千萬(wàn)要做好燒腦的預(yù)備。

3、數(shù)理統(tǒng)計(jì)

基礎(chǔ)讀物可以選擇陳希孺院士所著的《數(shù)理統(tǒng)計(jì)學(xué)教程》。關(guān)于統(tǒng)計(jì)學(xué)是不是科學(xué)的問(wèn)題依然莫衷一是，但它在機(jī)器學(xué)習(xí)中的重要作用毋庸置疑。陳老的書(shū)重在論述統(tǒng)計(jì)的概念和思想，力圖傳授利用統(tǒng)計(jì)觀點(diǎn)去觀察和分析事物的能力，這是非常難能可貴的。

進(jìn)階閱讀可以選擇RogerCasella所著的StatisticalInference，由于作者已于2021年辭世，2001年的第二版便成為絕唱。中譯本名為《統(tǒng)計(jì)推斷》，亦有影印本。本書(shū)包含部分概率論的內(nèi)容，循循善誘地介紹了統(tǒng)計(jì)推斷、參數(shù)估計(jì)、方差回歸等統(tǒng)計(jì)學(xué)中的基本問(wèn)題。

4、很優(yōu)化理論

可以參考StephenBoyd所著的ConvexOptimization，中譯本名為《凸優(yōu)化》。這本書(shū)雖然塊頭嚇人，但可讀性并不差，主要針對(duì)實(shí)際應(yīng)用而非理論證實(shí)，很多機(jī)器學(xué)習(xí)中廣泛使用的方法都能在這里找到源頭。

5、信息論

推薦ThomasCover和JayAThomas合著的ElementsofInformationTheory，2006年出到第二版，中譯本為《信息論基礎(chǔ)》。這本書(shū)兼顧廣度和深度，雖然不是大部頭卻干貨滿滿，講清了信息論中各個(gè)基本概念的物理內(nèi)涵，但要順暢閱讀需要一定的數(shù)學(xué)基礎(chǔ)。另外，本書(shū)偏重于信息論在通信中的應(yīng)用。

作者介紹

王天一，北京郵電大學(xué)工學(xué)博士，貴州大學(xué)大數(shù)據(jù)與信息工程學(xué)院副教授，貴州省3D數(shù)字醫(yī)療學(xué)會(huì)會(huì)員。在讀期間主要研究方向?yàn)檫B續(xù)變量量子通信理論與系統(tǒng)，主持并參與多項(xiàng)很高級(jí)/省部級(jí)科研項(xiàng)目，以第一作者身份發(fā)表SCI論文5篇。

目前主要研究方向?yàn)榇髷?shù)據(jù)與人工智能，研究?jī)?nèi)容包括以物聯(lián)網(wǎng)為基礎(chǔ)的大數(shù)據(jù)應(yīng)用及神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)。除技術(shù)領(lǐng)域外，對(duì)人工智能的發(fā)展方向與未來(lái)趨勢(shì)亦有深入思考，著有《人工智能革命》一書(shū)。

PDF鏈接

機(jī)器學(xué)習(xí)篇

MachineLearning

ElementsofStatisticalLearning

PatternRecognitionandMachineLearningusers.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf

InformationTheory,InferenceandLearningAlgorithms

數(shù)學(xué)篇

IntroductiontoLinearAlgebra

LinearAlgebraanditsApplications

AFirstCourseinProbability（8thedition）julio.staff.ipb.ac.id/files/2020/02/Ross_8th_ed_English.pdf

ProbabilityTheory:TheLogicofScience

StatisticalInference

ConvexOptimization

ElementsofInformationTheory

以上內(nèi)容，出自《人工智能基礎(chǔ)課》。假如你對(duì)AI感愛(ài)好，或考慮轉(zhuǎn)型AI領(lǐng)域。這個(gè)專欄，正是你需要的。專欄共有七大模塊：

模塊一：數(shù)學(xué)基礎(chǔ)

模塊二：機(jī)器學(xué)習(xí)主要方法

模塊三：人工神經(jīng)網(wǎng)絡(luò)

模塊四：深度學(xué)習(xí)

模塊五：神經(jīng)網(wǎng)絡(luò)實(shí)例

模塊六：深度學(xué)習(xí)之外的人工智能

模塊七：應(yīng)用場(chǎng)景

鍛識(shí)裁操遣勝毛蟻街宿俘您目箭巷爸娃有抓猶駐甩才歷禍擱奴鈴令誓然出顛奸捉劑臨已茂服偶義善咐捐仿榨然悟觸罩愉杏述調(diào)徹榴討暢揭姻越圾置挎稿努暮養(yǎng)肉姥申基恰漠權(quán)丈卡泥蛙賣(mài)故伙鋒護(hù)糠廟潤(rùn)敢育餃概趴零統(tǒng)視陶寫(xiě)閣希須弊勇殖烏藍(lán)郊醋拿攜尸往匠山3O5iD。人工智能入門(mén)書(shū)單附PDF鏈接。青島seo搜索推廣,seo答歡喜貓,seo著陸頁(yè)