周末充电：5本免费电子书入门机器学习！
点击上方关注，All in AI中国
作者：Kimberly Cook
以下精心策划的5本免费电子书清单可以帮助你更好地了解机器学习的各个方面，以及在该领域的职业生涯所需的技能。
请注意，尽管如今有许多机器学习方面的电子书可以免费在线获得，其中包括许多非常有名的机器学习电子书，但我认为还可以为读者提供一些鲜为人知但有更有意义的选择。对机器学习的职业很感兴趣？却不知道从哪里开始？本文为大家介绍一些关于在Python生态系统中追求机器学习的系列教程。
如果你正在寻找更多内容，可以在这里查看MOOC的概述和在线讲座，这些讲座来自大学讲座，免费提供。
https://www.kdnuggets.com/2016/07/top-machine-learning-moocs-online-lectures.html
当然，没有什么教程可以取代严格的正规教育，但是我们说，无论出于何种原因，这都不是真正的教育。并非所有机器学习职位都需要博士学位，这取决于人们想要学习机器学习的决心和目的，那么我们一起来看看这个励志和鼓舞人心的帖子，其作者是如何从对机器学习知之甚少，发展到一年内在工作中积极有效地利用机器学习技术。
希望研究生在机器学习方案中学到什么？以及从在线教程中获得什么？几百年来，书籍是一个伟大的转折点。当然，如今我们可以即时访问免费提供的数字图书，这是一个非常有吸引力的选择。看看以下免费电子书，所有这些都适合于入门级的理解，但也包括各种不同的概念和材料。
1.机器学习导论《Introduction to Machine Learning》
http://ai.stanford.edu/~nilsson/mlbook.html
这是斯坦福大学的Nils J. Nilsson在20世纪90年代中期整理的笔记。也许你一想到90年代的书籍，是不是感到有些过时或古老，但要记住基本知识是基础，无论它是什么时候写的。
当然，正如Nilsson本人所说，机器学习已经取得了许多重要的进步，但是这些注释涵盖了大部分仍然被认为是很好的基本知识，并且采用直接和集中的方式。与过去几十年的进步没有什么偏移，即使在介绍性文本中，作者也希望更多涵盖相关知识。此外，还有很多关于统计学习、学习理论、分类和各种算法的信息可以激发你的思维。而这本书不到200页，可以快速地阅读。
2.理解机器学习：从理论到算法《Understanding Machine Learning: From Theory to Algorithms》
http://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/copy.html
这本涵盖机器学习的书由Shai Shalev-Shwartz和Shai Ben-David编写。这本书比以前的版本更新、更长、更先进，但它也是合乎逻辑的下一步。这将深入研究更多算法及其描述，并为机器学习提供一个通往实用性的桥梁。对理论的关注应该是新成员的一个线索，它对于真正新手了解什么是机器学习算法的动力具有重要意义。其高级理论部分涵盖了一些概念，这些概念可能超出了新手的范围或能力，但可以选择阅读。
3.贝叶斯推理和机器学习《Bayesian Reasoning and Machine Learning》
http://web4.cs.ucl.ac.uk/staff/D.Barber/pmwiki/pmwiki.php?n=Brml.Online
这篇关于贝叶斯机器学习的介绍性文章是我所知道的关于这个主题的最知名的文章之一，并且正好有一个免费的在线版本。
明尼苏达大学的Arindam Banerjee的亚马逊评论表示，这本书覆盖了广泛的概率机器学习，其中包括离散的图形模型、马尔可夫决策过程、潜在变量模型、高斯过程、随机和确定性推理等。该书非常适合高年级本科生或图形模型或概率机器学习的入门研究生课程。本书的论述使用了大量的图表和示例，并附带了一个广泛的软件工具箱。
应该注意的是，其所引用的工具箱是在MATLAB中实现的，MATLAB不再是默认的机器学习实现语言，至少不是通用性的。然而，其工具箱并不是本书唯一的优点。
这为那些对概率机器学习感兴趣的人提供了一个很好的起点。
4.深度学习《Deep Learning》
http://www.deeplearningbook.org/
这是由Goodfellow、Bengio和Courville撰写的即将出版的深度学习书籍，该书在其官方网站上提供免费的最终草稿。
以下两个摘录来自本书的网站，其中一个提供了其内容的概述，另一个让几乎每个人都对阅读本书感兴趣：这本深度学习教材可以帮助学生和实践者进入机器学习领域，特别是深度学习。该书的在线版本现已发马大哈，并提供在线阅读。印刷版即将上市销售。
其中的目标受众是学习机器学习的大学生（本科生或研究生），包括那些开始从事深度学习和技术生涯的行业人士。其他目标受众是没有机器学习或统计背景但希望快速学习，并开始在其产品或平台中使用深度学习的软件工程师。
你很难找到一个学习所有关于深度学习的知识的更好资源。
5.强化学习：简介《Reinforcement Learning: An Introduction》
https://webdocs.cs.ualberta.ca/~sutton/book/bookdraft2016sep.pdf
这本由萨顿和巴托撰写的权威经典书籍正在改头换面。这是第二稿的链接，目前正在进行中（并且可以免费阅读）。
如今，人们对强化学习具有令人难以置信的研究兴趣，并且有充分的理由。鉴于其最近作为AlphaGo的一部分获得了引人注目的成功，它在自驾车和类似系统中的潜力，以及它与深度学习的结合，人们有理由相信强化学习将在任何领域发挥重要作用。实际上，这些都是本书第二稿正在修订的原因。
你可以理解这本书在强化学习领域的重要性，因为简称为"萨顿和巴托"。 亚马逊公司David Tan的评论很好地总结了这本书（并且消除了 "它太复杂了，我不能理解吗"相关恐惧）：本书以实例和直观的介绍和强化学习的定义为出发点。本文分三章介绍强化学习的三种基本方法：动态规划、蒙特卡罗和时间差分方法。后续章节以这些方法为基础，推广到一整套解决方案和算法。
这本书对计算机专业学生来说非常易读。可能唯一困难的是第8章，它涉及一些神经网络概念。
请记住以上内容与第一版有关。然而，它应该推广到第二版。
