下面推荐一部分是我看过多次或者早有耳闻的，有的书还翻来覆去看了好多遍，熟读的话相信对于机器学习算法理解和提高编程能力会有帮助。

---

1.自撰二文《速通机器学习》 《速通深度学习数学基础》

本书从传统的机器学习，如线性回归、逻辑回归、朴素贝叶斯、支持向量机、集成学习，到前沿的深度学习和神经网络，如DNN、CNN、BERT、ResNet等，对人工智能技术进行零基础讲解，内容涵盖数学原理、公式推导、图表展示、企业应用案例。

面向初，中级读者，能帮助读者迅速掌握机器学习技术的相关概念及原理。内容结合本人多年的科研工作经验，理论和实践并重，对科研、学习、面试等均有帮助。

不同于侧重理论的机器学习读物，本书作者摒弃了复杂烦琐的数学公式和理论推导，转而采用对各类知识点给出应用实例和绘制图表等方式进行讲解。同时，书中蕴含了作者对机器学习理论及各类模型的内在关系的理解与思考，并通过细致的对比和说明，透彻地讲述了不同概念之间的传承与发展，使读者可以快速领略机器学习的精髓并掌握一定的自学能力。

（这里就不上链接了；感兴趣的同学可以后台私信我要电子版；我的主页里面也一直在更新）

---

2.《机器学习》-周志华

该书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。全书共16章，大致分为3个部分：第1部分（第1～3章）介绍机器学习的基础知识；第2部分（第4～10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3部分（第11～16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。

（经典入门教材必学，西瓜书）

3.《Hands On Machine Learning with Scikit Learn and TensorFlow》

作者Aurelien Geron通过使用具体示例、最小化理论和两个可用于生产的Python框架-Sci kit-Learn和Tensor Flow帮助您直观地了解构建智能系统的概念和工具。您将学习一系列的技术，从简单的线性回归开始，到深入的神经网络。每一章都有练习帮助你应用所学的知识，你所需要的只是编程经验就可以开始了。探索机器学习领域，特别是神经领域Net sUse Scikit-Learn跟踪一个示例机器学习项目端到端探索几种训练模型，包括支持向量机、决策树、随机森林和集成方法用于构建和训练神经网络的TensorFlow库深入神经网络体系结构，包括卷积网络、递归网络和深度强化学习了解用于训练和缩放深度神经网的技术

（原理易懂，贴近实操，内容全面）

4.《统计学习方法》-李航

全面系统地介绍了统计学习的主要方法，共分两篇。第一篇系统介绍监督学习的各种重要方法，包括决策树、感知机、支持向量机、最大熵模型与逻辑斯谛回归、推进法、多类分类法、EM算法、隐马尔科夫模型和条件随机场等；第二篇介绍无监督学习，包括聚类、奇异值、主成分分析、潜在语义分析等。两篇中，除概论和总结外，每章介绍一或二种方法。

(推荐指数五颗星。机器学习原理的解释、公式的推导非常非常详尽)

5.《机器学习实战》-Peter Harrington

介绍并实现机器学习的主流算法面向日常任务的高效实战内容

　　《机器学习实战》没有从理论角度来揭示机器学习算法背后的数学原理，而是通过“原理简述+问题实例+实际代码+运行效果”来介绍每一个算法。学习计算机的人都知道，计算机是一门实践学科，没有真正实现运行，很难真正理解算法的精髓。这本书的好处就是边学边用，非常适合于急需迈进机器学习领域的人员学习。实际上，即使对于那些对机器学习有所了解的人来说，通过代码实现也能进一步加深对机器学习算法的理解。

　　《机器学习实战》的代码采用Python语言编写。Python代码简单优雅、易于上手，科学计算软件包众多，已经成为不少大学和研究机构进行计算机教学和科学计算的语言。相信Python编写的机器学习代码也能让读者尽快领略到这门学科的精妙之处。

（概念、原理、公式推导，记得跟着敲代码）

---

6，蜥蜴书第三版（记住一定要买/看最新版）

基于新版Python3.10，讲述传统有监督/无监督统计学习数据特征工程/模型算法/数据可视化+各大主流深度学习任务，对应模型的网络搭建/数据预处理/训练+强化学习入门+工业模型大规模训练和部署，700多页量大管饱，本书以实践为主（毕竟书名叫Hands-On），书中的数学理论推导十分照顾新手，先通过案例让新手理解过程，再做推导（尤其是在关于统计学习的部分），符合新手的学习曲线。唯一美中不足的是：书中的深度学习框架是Keras和TensorFlow，适合应用端部署而非学术研究，

最后，如果是奔着就业去的话；企业在招聘人才的时候，相比于理论能力，更看重实践能力，如果没有机器学习实战的同学，可以有以下几条渠道刷经验：

（1）加入开源项目（github上找），争取成为contributer

（2）参加国内外机器学习竞赛，拿名次，国内有天池、国外有kaggle

多看多记多练；看书的同时记得多刷刷视频；本人除了书籍以外也出过机器学习的视频教程，想学习的可以后台留言或者评论区留言我看到会分享。