我雖然很喜歡模式識別和機器學習，但我暫時並不希望在這上面做深入的研究，只想把別人研究好的成熟的理論用在計算機視覺任務上。比如SVM，Adaboost，EM，朴素貝葉斯，K近鄰，決策樹等等。能夠知道每種算法的原理，而並不想深究其實現過程以及理論證明。比如SVM，我想知道的是這種算法如何實現分類，有哪幾種類型，每種適合什么樣的分類任務，對應的參數的意義是什么。這樣我在使用SVM-Light或者libsvm的時候就知道該怎么選用參數，怎么使用學習到的系數。從這個角度看這本書很適合我。當然也適合那些在想在機器學習方面做深入研究的人作為入門教材，我想對原理了解一二之后，閱讀大部頭或者原著肯定會輕松很多。
建議統計學習方法路線，ng課程入門，知道有哪些算法，大致怎么做，然后去kaggle打個入門賽，別做特征工程，把會的算法全用上。然后放下比賽，開始讀《統計學習方法第2版》，同時看機器學習基石或其他比較數學化的進階課程，這一步不需要你敲代碼，你要會的是滾瓜爛熟的推導，做到這一步，再去kaggle參加獎金賽，閱讀kernel，學習state of the art 模型，學習特征工程，再在學習過程中閱讀最新的論文或者經典的論文，不斷迭代這個過程，別淹死在什么機器學習實戰上，有現成的輪子不用，非得費那個勁，除非你科班畢業，代碼能力扎實，不然你能不能從頭實現一遍決策樹對你找不找到工作沒有任何一毛錢關系。筆試不會考你如何實現hmm，只會考數據結構與算法，面試只會讓你推導。
《統計學習方法第2版》PDF，484頁，帶書簽，文字可復制；配套部分源代碼；配套部分課件。
下載: https://pan.baidu.com/s/1Xyo5AwCSKB9FaUxLIm69Cg
提取碼: qpf1
統計學習方法即機器學習方法，是計算機及其應用領域的一門重要學科。《統計學習方法第2版》分為監督學 習和無監督學習兩篇，全面系統地介紹了統計學習的主要方法。包括感知機、k 近鄰法、朴素貝葉斯法、決策樹、邏輯斯諦回歸與最大熵模型、支持向量機、提升方法、EM 算法、隱馬爾可夫模型和條件隨機場，以及聚類方法、奇異值分解、主成分分析、潛在語義分析、概率潛在語義分析、馬爾可夫鏈蒙特卡羅法、潛在狄利克雷分配和 PageRank 算法等。
除有關統計學習、監督學習和無監督學習的概論和總結的四章外，每章介紹一種方法。
敘述力求從具體問題或實例入手， 由淺入深，闡明思路，給出必要的數學推導，便於掌握統計學習方法的實質，學會運用。
介紹了一些相關研究，給出了少量習題， 適用於從事文本數據挖掘、信息檢索及自然語言處理等專業的研發人員參考。
機器學習是近年來漸趨熱門的一個領域，同時Python 語言經過一段時間的發展也已逐漸成為主流的編程語言之一。《Python機器學習實踐指南》結合了機器學習和Python 語言兩個熱門的領域，通過利用兩種核心的機器學習算法來將Python 語言在數據分析方面的優勢發揮到極致。
《Python機器學習實踐指南》中文PDF，268頁，帶目錄，彩色配圖，文字可復制；英文PDF，324頁，帶目錄，彩色配圖，文字可復制；配有源代碼。
下載: https://pan.baidu.com/s/183L7EG0JPf0ky8B8hx1PUA
提取碼: ds6i
共有10 章。第1 章講解了Python 機器學習的生態系統，剩余9 章介紹了眾多與機器學習相關的算法，包括各類分類算法、數據可視化技術、推薦引擎等，主要包括機器學習在公寓、機票、IPO 市場、新聞源、內容推廣、股票市場、圖像、聊天機器人和推薦引擎等方面的應用。
國內有幾本關於強化學習的書，《強化學習精要：核心算法與TensorFlow 實現》介紹了強化學習的基本算法與代碼實現，構建了一個完整的強化學習知識體系，同時介紹了這些算法的具體實現方式。
可以從中學習到基本的馬爾可夫決策過程，到各種復雜的強化學習算法。
《強化學習精要：核心算法與TensorFlow實現》PDF，386頁，帶書簽目錄，文字可以復制；配套源代碼。
下載: https://pan.baidu.com/s/1mXEbu8T9FH5TH6DXNNiC4Q
提取碼: xh14
2016 年是人工智能進入大眾視野的一年，從AlphaGo 到無人駕駛，從量子計算機到馬斯克的太空計划，每一個焦點事件的背后都與人工智能有着很大的聯系。2016 年至今，短短兩年的時間，人工智能在與人類生活息息相關的醫療健康、金融、零售、娛樂等方面，發揮出了巨大的潛能。
《圖解深度學習與神經網絡從張量到TensorFlow實現》PDF，338頁，帶書簽目錄，文字可以復制。配套源代碼。
下載: https://pan.baidu.com/s/12G_ajgS6E5im8HfWjuFmWg 提取碼: 9jux
學習290張圖+110個可執行的TensorFlow示例程序+算法示例；學習神經網絡與深度學習背后的數學原理及上手應用；學習神經網絡、深度學習背后的數學基礎，掌握它們的原理與實現，更深刻地理解開源深度學習框架TensorFlow中的常用函數。
《人工神經網絡理論設計及應用第2版》PDF，256頁，帶書簽，文字可以復制。配套教學課件。
下載: https://pan.baidu.com/s/19w_C7R-A78oy0Ij5Xaa41g
提取碼: rizs
《人工神經網絡理論設計及應用第2版》系統地論述了人工神經網絡的主要理論和設計基礎，給出了大量應用實例，旨在使讀者了解神經網絡的發展背景和研究對象，理解和熟悉其基本原理和主要應用，掌握其結構模型和基本設計方法，為以后的深入研究和應用開發打下基礎。第2版對原書約1/3的內容進行了更新，對保留內容進行了修改。取材注意內容的典型性和先進性，編排注意內容的邏輯性，闡述注重物理概念的清晰性，舉例與思考練習的安排注意了內容的實踐性，常用神經網絡及算法的介紹着重於實用性。
《深度卷積網絡:原理與實踐》 PDF，331頁，帶目錄，文字可復制。配套源代碼。
下載: https://pan.baidu.com/s/1Qz4864r_vjGNSGVx1ynavQ
提取碼: 67xi
《深度卷積網絡:原理與實踐》還是很不錯的。通俗易懂的介紹了卷積網絡，並給出了詳細的證明。寫作比較嚴謹，還給出了詳細的參考文獻供進一步探究。作為一本入門書完全是合格的。
深度卷積網絡DCNN是目前十分流行的深度神經網絡架構，它的構造清晰直觀，效果引人入勝，在圖像、視頻、語音、語言領域都有廣泛應用。《深度卷積網絡:原理與實踐》以AI領域新的技術研究和和實踐為基礎，從技術理論、工作原理、實踐方法、架構技巧、訓練方法、技術前瞻等6個維度對深度卷積網絡進行了系統、深入、詳細地講解。
以實戰為導向，深入分析AlphaGo和GAN的實現過程、技術原理、訓練方法和應用細節，依次揭開神經網絡、卷積網絡和深度卷積網絡的神秘面紗，了解AI的“思考過程”，以及與人類思維的相同和不同之處。