7本书带你掌握数据科学中的数学基础(附下载)
作者:Ajit Jaokar
翻译:李海明
本文约1500字,建议阅读6分钟。
想要精通数据科学,学好数学功不可没。
头条后台私信回复“7本书”获取文章内的书籍资源
关键词:书,数据科学,Ian Goodfellow,机器学习,数学, Robert Tibshirani, Vladimir Vapnik
想要精通数据科学,学好数学功不可没。基于这一常识,现推荐7本好书。
很多人在学习数据科学的时候都非常重视编程的学习。然而,如若有意精通数据科学(亦或是机器学习)这一门类,我们绝不能忽视数据科学的数学背景。所以,接下来我会推荐我在学习数据科学的过程中非常享受的7本数学基础方面的书。说“享受“可能不是特别准确,因为要非常非常努力才行!
那么问题来了,为什么你需要去学好数据科学中的数学基础呢?
以下几条原因一直激励着我这样去做:
人工智能技术一直处于高速更迭中。良好的数学基础有助于你理解人工智能技术的进化,同时也能让你更深入地去理解并使用人工智能技术,而不是停留在AI技术的表面。另外,这样做也可以帮助你更好地去看待AI知识产权的问题。最后,职业规划方面,一旦你掌握了数据科学背后的数学基础,便可去从事更高端的AI和数据科学方面的工作。
与这7本书打交道时,我还有另外两个动因:
首先,其内容可以作为我在牛津大学教授互联网数据科学课程的一部分,另外我本人还教授AI应用课程,在这些课程中我都要涉猎一些基础的数学方法。
其次,我还在写一本从数学角度简化AI的书,目的是让14到18岁年龄段的读者也能看懂。理解数据科学和AI中的数学基础,你需要知道4类知识:线性代数,概率论,多变量微积分以及优化。这些知识大多数(至少是一部分)都来自于高中课本,因此我正在尝试通过强调数学建模的意义,将高中数学和AI、数据科学联系起来。也欢迎评论我的方法。
以下是书单以及我对这7本书的评价:
1. 《统计学习理论的本质》Vladimir Vapnik. 【有中、英文版】
没有涵盖这位伟大的俄罗斯数学家Vladimir Vapnik著作的数学推荐书单都是无稽之谈。所以,我把Vladimir Vapnik的《统计学习理论的本质》放在首位。在我的书单中,他的书是最难找到的。我有一本较早前的印度版本。他是支持向量机的发明者,维基百科中涵盖了很多关于他的成就的介绍。
2. 《Richard O Duda教你模式分类》(2007-12-24) Richard O Duda 【有英文版】
与Vapnik博士的书类似,Duda的书是另一个时代的经典力作。这本书最早发行于1973年,后改版了25次(至2000年),是一部有份量的数学学习资源。该书采用了模式识别方法,并提供了广泛的算法覆盖。
3. 《机器学习:从算法出发》第二版 (Chapman & Hall/Crc 机器学习与模式识别) Stephen Marsland 【有英文版】
Stephen Marsland的书已经有了第二版。Stephen Marsland的这本是同类书中我读的最早的一批中的一本(我只有第一版)。两个版本都非常好。我认为该书的第二版会有更多的python代码。就像前两本一样,这本书非常强调算法。
4. 《统计学习基础:数据挖掘,推断与预测》 第二版 Trevor Hastie, Robert Tibshirani, Jerome Friedman 【有英文版】
又是一本经典之作。我有的这本书是彩色打印的,非常精美,可以作为学习的一本参考书。
5. 《模式识别与机器学习》(信息科学与统计学) Christopher M. Bishop 【有英文版】
Christopher M. Bishop的力作《模式识别与机器学习》(信息科学与统计学)是一本深入浅出的学习参考书。
6. 《机器学习:数据门类中算法的科学与艺术》Peter Flach 【有英文版】
虽然这本书在amazon上有评论说多文字而少代码,但我喜欢Peter Flach的书,特别是算法的分组(逻辑模型,线性模型,概率模型)以及其对主题的整体处理风格。
最后,是我最最推荐的一本:
7. 《深度学习》Goodfellow, Bengio and Corville 【有中文 draft版、英文版】
这是一本值得你从一字不落头读到尾的好书。该书既详细又现代,涵盖了你能想到的所有问题。
还有两本也值得阅读:
1. 《机器学习第一课》第二版 (机器学习与模式识别) Simon Rogers,Mark Girolami
这是我看的第一本AI和数据科学的书。他不太适合初学者,但是仍然是一本不错的书(特别是第二版)
2.《机器学习:从概率出发》 Kevin Murphy
这本书评价颇高,但是我自己还没有读过(所以没有列在7本书的范围之内)
如果我错过了一些好书,正好你又有其他推荐,也请让我了解。
总结评论
1. 除了《深度学习》,我不建议大家通读其他书籍。我更倾向于需要学习哪类知识就去读哪本书。我还喜欢不同作者在书中举的不同例子,比如Duda的鱼分类;Hastie的广告数据销售电视与广播;Flach假设空间概念与海洋动物的例子等等。
2. 我发现这些书还赋予了我一点点的谦卑,让我们知道这个世界浩瀚无垠,错综复杂,而我们实在是知之甚少。
3. 这些书也不会过时。Vladimir已经81岁高龄了,Duda的这本书发布于1973年,我希望50年后,整个行业仍然会去读它们。就像老朋友能经得起时间的考验一样,令人欣慰。同时,这也显示出数学方法的长寿与价值。
原文标题:
7 Books to Grasp Mathematical Foundations of Data Science and Machine Learning
原文链接:
https://www.kdnuggets.com/2018/04/7-books-mathematical-foundations-data-science.html
头条后台私信回复“7本书”获取文章内的书籍资源
译者简介
李海明 中国科学院大学在读研究生,铁人三项业余运动员,热爱音乐、艺术、生活。喜欢结交各路神仙~一起坐驰神游,一起南辕北辙