機器學習熱度增長，對機器學習從業者的指導和機器學習日常開發中的細節，在日常開發中需要解決實際問題時就拿過來翻一翻。在構建真實的機器學習系統時的參考。例如，假設你有一個JSON文件，其中包含1000個具有缺失值的分類特征和數值型特征，並且目標向量的分類不均衡，你想得到一個可解釋的模型。提供的解決方案可以幫助解決如下問題：加載JSON文件;特征的標准化;對特征字典編碼;填充缺失的分類值;使用主成分進行特征降維;使用隨機搜索選擇最佳模型;訓練隨機森林分類器;選擇隨機森林中的重要特征。
深度神經網絡是（非常）簡化的大腦皮層的模型，由一堆人工神經元層組成，在強大的計算能力和大量數據的幫助下，深度學習是可能的，而且還具有令人難以置信的成就，這是其他機器學習（ML）技術無法企及的，這種熱情很快擴展到了機器學習的許多其他領域。Scikit-Learn非常易於使用，它有效地實現了許多機器學習算法，因此成為學習機器學習的重要切入點。TensorElow是用於分布式數值計算的更復雜的庫。通過將計算分布在數百個GPU（圖形處理單元）服務器上，它可以有效地訓練和運行大型神經網絡。Keras是高層深度學習API，使訓練和運行神經網絡變得非常簡單。它可以在TensorElow、Theano或微軟Cognitive Toolkit（以前稱為CNTK）之上運行。TensorFlow附帶了該API自己的實現，稱為tf.keras，支持某些高級TensorFlow功能（例如有效加載數據的能力）。
《機器學習實戰：基於Scikit-Learn、Keras和TensorFlow第2版》中文PDF+英文PDF+源代碼
《機器學習實戰：基於Scikit-Learn、Keras和TensorFlow第2版》中文PDF，1052頁，有詳細書簽目錄，文字可以復制；
《機器學習實戰：基於Scikit-Learn、Keras和TensorFlow第2版》英文PDF，1096頁，有詳細書簽目錄，文字可以復制；配套源代碼；奧雷利安著，宋能輝譯
下載: https://pan.baidu.com/s/11qSa3bIrehR3h3gZRT2J3Q
提取碼: 794q
現有的機器學習系統類型繁多，根據以下標准將它們進行大的分類：
·是否在人類監督下訓練（有監督學習、無監督學習、半監督學習和強化學習）。
·是否可以動態地進行增量學習（在線學習和批量學習）。
·是簡單地將新的數據點和已知的數據點進行匹配，還是像科學家那樣，對訓練數據進行模式檢測然后建立一個預測模型（基於實例的學習和基於模型的學習）。
這些標准之間互相並不排斥，你可以以你喜歡的方式將其任意組合。例如，現在最先進的垃圾郵件過濾器可能是使用深度神經網絡模型對垃圾郵件和常規郵件進行訓練，完成動態學習。這使其成為一個在線的、基於模型的有監督學習系統。
我們要知道什么是機器學習，它試圖解決什么問題，以及其系統的主要類別和基本概念，典型機器學習項目中的步驟，通過將數據與模型進行擬合來學習，·優化成本函數，處理、清潔和准備數據，選擇和工程化特征，選擇模型並使用交叉驗證調整超參數，機器學習的挑戰，特別是欠擬合和過擬合（偏差/方差的權衡），最常見的學習算法：線性和多項式回歸、邏輯回歸、k-近鄰算法、支持向量機、決策樹、隨機森林和集成方法，降低訓練數據的維度，
其他無監督學習技術，包括聚類、密度估計和異常檢測。什么是神經網絡以及它們的作用，使用TensorElow和Keras構建和訓練神經網絡，最重要的神經網絡架構，包括用於表格數據的前饋神經網絡、用於計算機視覺的卷積網絡、用於序列處理的遞歸網絡和長短期記憶（LSTM）網絡、用於自然語言處理的編碼器/解碼器和Transformer、自動編碼器和用於生成學習的生成式對抗網絡（GAN），訓練深度神經網絡的技術，如何使用強化學習構建可以通過反復試錯學習好的策略的代理程序（例如游戲中的機器人），有效地加載和預處理大量數據，大規模訓練和部署TensorElow模型。
胡歡武《機器學習基礎從入門到求職》PDF
《機器學習基礎從入門到求職》PDF，385頁，有書簽目錄，文字可以復制，胡歡武著。
下載: https://pan.baidu.com/s/1bGd-9DqL4OZEk1e2yKGeuQ
提取碼: mzs4
機器學習算法相關的崗位待遇比一般的開發崗位要好一些，但要求也變得更多。從目前的行情來看，站在公司招聘的角度，是一個既要、又要、還要的過程，即:既要掌握比較扎實的機器學習理論基礎，又要有實踐經驗、懂業務場景，還要能編碼、會計算機算法題。
理論基礎就是我們一直所說的機器學習算法理論，業務能力是指相關的項目或者工作經驗，工程實踐能力就是動手寫代碼的能力。對於一個想求職機器學習相關崗位的應屆生，或者是想將機器學習應用到自己專業領域的人士，再或者是一個有一定編程經驗想要轉算法崗位的人來說，機器學習理論可能都是第一攔路虎。本書希望可以幫助讀者用最短的時間、最少的精力，攻克這最難的一關。
《Python機器學習手冊從數據預處理到深度學習》采用基於任務的方式來介紹如何在機器學習中使用Python。有近200個獨立的解決 方案，針對的都是數據科學家或機器學習工程師在構建模型時可能遇到的常見任務，涵蓋從簡 單的矩陣和向量運算到特征工程以及神經網絡的構建。作為參考，在機器學習的日常開發中遇到問題時，隨時借鑒代碼，快速解決問題。
《Python機器學習手冊從數據預處理到深度學習》中文PDF+英文PDF+mobi+epub
《Python機器學習手冊從數據預處理到深度學習》中文PDF，557頁，有書簽目錄，文字可以復制，[美]克里斯阿爾本Chris Albon著；英文PDF，366頁，文字可以復制。
下載: https://pan.baidu.com/s/1pS4FiALR6xR4CNQbawxXow
提取碼: pqs5
一個模型只有當其預測結果准確時才有實用價值，所以訓練模型的目的並不僅僅是創建一個模型（這很簡單），更要創建一個准確的模型（這很難）。因此，在開始學習各種模型算法之前，需要先了解如何評估生成的模型。
評估有監督學習模型的方法非常直觀：首先訓練一個模型，然后計算一些性能指標（准確率、均方誤差等）來評估它的預測效果。然而這種方法從根本上說是有缺陷的。如果使用同一份數據來訓練和評估模型，那么得到的結果可能並不是我們想要的。評估模型的目的並不是要評估其在訓練集數據上的表現，而是要評估它在從未見過的數據上（如新客戶、新犯罪、新圖像）的表現。因此，評估方法應該幫助我們評估模型在新數據上做預測時的准確性。
用通俗的語言講解涵蓋算法模型的機器學習，主要內容包括機器學習通用概念、三個基本科學計算工具、有監督學習、聚類模型、降維模型、隱馬爾可夫模型、貝葉斯網絡、自然語言處理、深度學習、強化學習、模型遷移等。在深入淺出地解析模型與算法之后，介紹使用Python相關工具進行開發的方法、解析經典案例，能理解、能設計、能編碼、能調試，沒有基礎的在學習后也能夠上手設計與開發機器學習產品。
推薦學習《從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰》，場景式機器學習實踐，理論方面從人工智能與機器學習的基本要素講起，逐步展開有監督學習、無監督學習、強化學習這三大類模型的應用場景與算法原理；實踐方面通過金融預測、醫療診斷概率模型、月球登陸器、圖像識別、寫詩機器人、中國象棋博弈等案例，將機器學習應用在各行各業里，其中后三個案例使用了深度學習技術。
《從機器學習到深度學習：基於scikit-learn與TensorFlow的高效開發實戰》PDF，369頁，有目錄，文字可復制；配有源代碼。
下載: https://pan.baidu.com/s/1LS77COnA2ZexybiuMH7xMA
提取碼: st6n
感覺深度學習中應用RNN實現一個寫詩機器人，挺有意思，基於LSTM講解開發步驟：網絡架構、數據加載、搭建TensorFlow Graph 、解析LSTM RNN 、LSTM中的參數、用sequence_loss計算RNN損失值、學習速度可調優化器、訓練、 寫唐詩、用唐詩語料訓練語言模型、作詩，實戰性很強。
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。
神經網絡是計算智能和機器學習的重要分支，在諸多領域都取得了很大的成功。《神經網絡與機器學習》結合近年來神經網絡和機器學習的最新進展，從理論和實際應用出發，全面、系統地介紹了神經網絡的基本模型、方法和技術，並將神經網絡和機器學習有機地結合在一起。注重對數學分析方法和理論的探討，也非常關注神經網絡在模式識別、信號處理以及控制系統等實際工程問題的應用。舉重若輕地對神經網絡的基本模型和主要學習理論進行了深入探討和分析，通過大量的試驗報告、例題和習題來幫助更好地學習神經網絡。
《神經網絡與機器學習（第3版）》中文PDF，598頁，帶目錄；英文PDF，937頁，帶目錄。
下載: https://pan.baidu.com/s/1s3M9o5kV-sckvOOHcQ_HCg
提取碼: qe6r
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度等多門學科，專門研究計算機怎樣模擬或實現人類的學習行為。機器學習是人工智能的核心，是使計算機具有智能的根本途徑。通過對機器學習的背景知識、算法流程、相關工具、實踐案例以及知識圖譜等內容的講解，全面介紹了機器學習的理論基礎和實踐應用。涉及機器學習領域的多個典型算法，並詳細給出了機器學習的算法流程。不僅可以了解機器學習的理論基礎，也可以參照一些典型的應用案例拓展自己的專業技能。
《機器學習實踐應用》高清PDF，279頁，帶目錄和書簽，彩色配圖；配套源代碼。
下載: https://pan.baidu.com/s/1sdvcQHO5f20E6wGX4aNl_A
提取碼: 2258
《圖解機器學習》用豐富的圖示，從最小二乘法出發，對基於最小二乘法實現的各種機器學習算法進行了詳細的介紹。介紹了機器學習領域的概況；介紹了各種有監督的回歸算法和分類算法；介紹了各種無監督學習算法；分介紹了機器學習領域中的新興算法。大部分算法都有相應的MATLAB程序源代碼，可以用來進行簡單的測試。
《白話大數據與機器學習》PDF，345頁，帶目錄和書簽.
《圖解機器學習》PDF，242頁，帶目錄和書簽.
下載: https://pan.baidu.com/s/1tWv89Hi2z1ICX33zIeOsrA
提取碼: hd5s
《機器學習基礎教程》中文PDF，202頁，帶目錄和書簽；英文PDF，428頁。
下載: https://pan.baidu.com/s/1LnxmItiXnBX8dlF6G-3pEQ
提取碼: g26c
《機器學習基礎教程》包含了數學和統計學的核心技術，用於幫助理解一些常用的機器學習算法。展示的算法涵蓋了機器學習的各個重要領域：分類、聚類和投影。對一小部分算法進行了詳細描述和推導，而不是簡單地將大量算法羅列出來。通過大量的MATLAB/Octave腳本將算法和概念由抽象的等式轉化為解決實際問題的工具，利用它們可以重新繪制書中的插圖，並研究如何改變模型說明和參數取值。
《神經網絡設計第2版》中文PDF+英文PDF+代碼
《神經網絡設計第2版》中文PDF，438頁，有詳細書簽目錄，文字可以復制；英文PDF，1012頁；配套源代碼，馬丁T. 哈根著;章毅等譯.
下載: https://pan.baidu.com/s/1TNQy6TRiiDoZWgPlHV5N_A
提取碼: 83hp
《神經網絡設計書第2版》主要討論網絡結構、學習規則、訓練技巧和工程應用，緊緊圍繞“設計”這一視角組織材料和展開講解，強調基本原理和訓練方法，概念清晰，數學論述嚴謹，包含豐富的實例和練習，並配有課件和MATLAB演示程序。
內容簡介明了，直奔主題。每章都有上章回顧，也有這章總結，十分利於初次學習和看完后總結。保留了適量的數學推導，對人的理解恰到好處。數學推導學要用到微積分和線性代數，沒有其他的額外知識，例子很好，並且結合了MATLAB。每一個知識點都會舉一個例子，並且會詳細認真的推導，對知識點的理解有極大的幫助。是MATLAB神經網絡工具箱的作者，因此結合了MATLAB編程，方便學生上手實驗。
劉忠雨《深入淺出圖神經網絡GNN原理解析》PDF+源代碼
《深入淺出圖神經網絡GNN原理解析》PDF，285頁，有詳細書簽目錄，文字可以復制；配套源代碼，劉忠雨等著
下載: https://pan.baidu.com/s/1lVYEIwR4sCE6Zhp_k5w25g
提取碼: kjra
激活函數是神經網絡中一個十分重要的概念，它的非線性使得神經網絡幾乎可以任意逼近任何非線性函數。如果不使用激活函數，無論神經網絡有多少層，其每一層的輸出都是上一層輸入的線性組合，這樣構成的神經網絡仍然是一個線性模型，表達能力有限。激活函數的選擇可以多種多樣，一個基本的要求是它們是連續可導的，可以允許在少數點上不可導。常用的激活函數包括S型激活函數和ReLU及其變種等。
圖神經網絡技術的出現有其必然性和重要性。在深度神經網絡技術興起的前幾年，圖像、語義、文本等形式的數據都能在深度學習中被很好地應用，並獲得了十分好的效果。這促使大量的相關應用進入了實用階段，如人臉識別、語助手、機器翻譯等。盡管如此，深度學習一直無法很好地對另一類形式的數據—圖數據（或稱網絡數據）進行有效地適配。作為一類主要用來描述關系的通用數據表示方法，圖數據在產業界有着更加廣泛的應用場景，在諸如社交網絡、電子購物、物聯網、生物制葯等場景中，都可以找到圖數據的影子。將深度學習技術的成功經驗遷移到圖數據的學習中來，是一種十分自然且必要的需求。
《深度學習推薦系統》PDF+王喆
《深度學習推薦系統》PDF，帶目錄，304頁，文字可復制，王喆編著
下載: https://pan.baidu.com/s/1aUbP6Ukun0_yCYDwEjIrbw
提取碼: jvjd
深度學習推薦系統從深度學習推薦模型、Embedding技術、推薦系統工程實現、模型評估體系、業界前沿實踐等幾個方面介紹了這場技術革命中的主流技術要點。
與傳統機器學習不同的是，深度學習將復雜的、需要專業化建模與優化能力、專業化分布式計算編程能力才能搞定的工業級機器學習算法研發閉環打破，提供了如下搭積木式的算法研發新范式:
( 1 )大量優秀且開源的深度學習訓練框架提供了封裝好的基礎模塊，新模型算法的設計變成了工具化組裝。
( 2 )深度模型的優化可以采用一系列標准的優化器輕松完成，無須人工進行梯度的求導及優化算法的設計，且大部分優化器已經嵌入在深度學習框架中，元須編程開發。
( 3 )算法工程師或科學家可以將主要研發精力集中到對領域問題的理解和模型設計，通過類似土木工程師繪圖的方式搭建深度模型架構圖，接下來的工作交給軟件工程師，通過對深度學習框架計算效率和性能的優化，即可完成模型的訓練。換句話說，模型的設計和實現是解耦的。
《線性代數及其應用第5版》中文PDF+習題解答手冊+英文PDF
《線性代數及其應用第5版》中文PDF，567頁，帶詳細目錄，文字可復制，David C Lay著，劉深泉譯；配套第5版習題解答手冊，454頁；第5版英文PDF，713頁。
下載: https://pan.baidu.com/s/1PlzFkJtQLvru29o51g3VBQ
提取碼: 3ky7
給出新的線性代數基本介紹和一些有趣應用，目的是幫助掌握線性代數的基本概念及應用技巧，為后續課程的學習和工作實踐奠定基礎。主要內容包括線性方程組、矩陣代數、行列式、向量空間、特征值與特征向量、正交性和小二乘法、對稱矩陣和二次型、向量空間的幾何學等，包含大量的練習題、習題、例題等，便於參考。給我的感受是內容既有深度，又有廣度，講得清晰易懂，又能聯系實際應用，很好的入門和復習書，圖片形象展示了數學工具也有物理意義，數形結合妙哉，而且還與計算機巧妙的結合起來。一本讓我覺得“哇，數學這么神奇”的書，粗淺地過了一遍，很適合入門，很適合工科。
線性代數是一種語言，必須用學習外語的方法每天學習這種語言，理解每一節的內容並不容易，講得清晰易懂，又能聯系實際應用，有大量的應用實例，內容結構安排的很好，前幾章就引入子空間，向量，線性變換的概念，還介紹了一下線性代數的核心思想和研究內容。