本文目录
机器学习的书籍选择有哪一些呢
推荐的话还是听听业内人士说的建议吧。
现在北京大学的张志华教授曾经在2017年的《中国计算机学会通讯》上发表了《机器学习的发展历程及启示》，这篇文章里就很详细地推荐了机器学习的学习方式——
机器学习集技术、科学与艺术于一体,它有别于传统人工智能,是现代人工智能的核心。它牵涉到统计、优化、矩阵分析、理论计算机、编程、分布式计算等。因此,建议在已有的计算机专业本科生课程的基础上,适当加强概率、统计和矩阵分析等课程,下面是具体课程设置和相关教材的建议 : 1.加强概率与统计的基础课程,建议采用莫里斯·德格鲁特 (Morris H. DeGroot) 和马克·舍维什 (Mark J. Schervish) 合著的第四版《概率论与数理统计》(Probability and Statistics ) 为教材。豆瓣链接——Probability and Statistics
2.在线性代数课程里,加强矩阵分析的内容。教材建议使用吉尔伯特·斯特朗 (Gilbert Strang) 的 《线性代数导论》(Introduction to Linear Algebra )。吉尔伯特·斯特朗在麻省理工学院一直讲述线性代数,他的网上视频课程堪称经典。后续建议开设矩阵计算,采用特雷费森·劳埃德 (Trefethen N. Lloyd) 和戴维·鲍 (David Bau lll) 著作的《数值线性代数》(Numerical Linear Algebra ) 为教科书。 3.开设机器学习课程。机器学习有许多经典的书籍,但大多不太适宜做本科生的教材。最近,麻省理工学院出版的约翰·凯莱赫 (John D. Kelleher) 和布瑞恩·麦克·纳米 (Brian Mac Namee) 等人著作的《机器学习基础之预测数据分析》 (Fundamentals of Machine Learning for Predictive Data Analytics ),或者安得烈·韦伯 (Andrew R. Webb) 和基思·科普塞 (Keith D. Copsey) 合著的第三版《统计模式识别》(Statistical Pattern Recognition ) 比较适合作为本科生的教科书。同时建议课程设置实践环节,让学生尝试将机器学习方法应用到某些特定问题中。
吉尔伯特-斯特朗的介绍
吉尔伯特-斯特朗，1934年11月27日出生，是美国享有盛誉的数学家，在有限元理论、变分法、小波分析及线性代数方面均有所建树。
