为那些想弄清楚什么以及如何学习的人提供了一系列机器学习书籍。
收藏并与同事分享！
俄语机器学习书籍
1.
“机器学习和预测的数学基础”弗拉基米尔·维尤金（Vladimir Vyugin）。
那呢首先，使用专家策略学习机器学习，预测性游戏和预测的统计理论的基础。 该书的作者，物理和数学科学博士Vladimir Vyugin完美地解释了它们的基础。 该手册是为学生和研究生设计的，以易于访问的形式列出了进一步学习机器学习所必需的数学基础。
2.
“最高算法” Pedro Domingos。
那呢这本书将使那些什至不了解数学和统计学的人受益，这本书将使您理解什么是机器学习算法以及它们在生活中的应用。 佩德罗·多明戈斯（Pedro Domingos）教授谈论了五个主要的机器学习学校，以及它们如何利用科学知识各个领域（神经生物学，物理学，统计学，生物学）的思想来帮助人们解决复杂的问题并使用算法简化例程。
3. Henrik Brink，Joseph Richards，Mark Feverolf的
“机器学习” 。
那呢这本2017年版的书可在机器学习中获得-适用于尚未听说过这些技术的人士。 没有关于如何使用一种或另一种算法的详尽的统计信息，数学或深入而详尽的解释。 作者轻松地解释了什么是机器学习以及如何将其应用到日常生活中。 本书中的示例以Python编程语言给出，该语言也用于该领域。
4.
“使用Python进行大型机器学习。” Bastian Chardin，Luca Massaron，Alberto Bosketti。
那呢对于初学者来说，这是一本关于编程和大数据分析之旅的又一本好书。 作者声称，借助它，读者将学习如何独立构建机器学习模型和部署大规模预测应用程序。 这本书讲述了可伸缩家族中包含哪些算法，它们是什么以及如何在其帮助下处理大型文件。 您还将学习什么是MapReduce计算范式以及如何在Python的Hadoop和Spark平台上使用机器算法。
5. Sebastian Raska撰写的
“ Python和机器学习” 。
那呢一本适合初学者学习Python和机器学习的书。 该出版物包含详细的手册，甚至在安装专业应用程序Jupyter Notebook等细微差别上也是如此。
本书涵盖了机器学习的基础知识，最强大的Python库用于数据分析的功能，并回答了为什么该语言是数据科学的领导者之一的问题。
6.
“生物特征问题中人
脸图像的处理和识别方法” Georgy Kukharev，Ekaterina Kamenskaya，Yuri Matveev，Nadezhda Shchegoleva
那呢尽管这本书是面向初学者的，并介绍了人工智能的基本原理，尤其是面部识别技术，但仍需要完整的背景知识以充分理解术语并让自己沉浸在阅读中。 它解决了诸如面部表情分析方法，从真实场景中获取源数据，识别系统的结构等生物识别问题。 专论中的示例以机器学习语言MATLAB给出。 如果您不具备技术背景知识，但仍然想阅读这本书-可能是Google所不熟悉的术语，那么阅读时就不会感到任何不适。
7.
“机器学习。 科学和构建从数据中提取知识的算法的艺术” Peter Flach。
那呢此彩色插图也供初学者使用，并解决了广泛的机器学习问题。 当读者进入该主题时，作者揭示了越来越多的细节，但是本书并不太难理解：解释了所有新术语，并以一种初学者无法理解的语言描述了统计和逻辑模型。
8.“加强学习”，Richard S. Sutton，Andrew G. Barto。
那呢强化学习是人工智能的领域之一。 简而言之，以其最一般的形式可以说明其本质：机器学习在环境中行动，获得直观的体验，然后观察其结果。 该书全面概述了强化学习的概念-从该领域的基本思想到现代成就。
机器学习英语书籍
所有书籍都是为没有人工智能技术经验或具有较小技术背景的专家的初学者设计的。 大多数对象的目的是介绍基本原理，概念，思想和一些机器学习算法。
9. David Barber撰写的
“贝叶斯推理和机器学习” 。
那呢大卫·巴伯（David Barber）的书是为学生和毕业生编写的，他们对代数和数学分析的了解最少，也就是说，这对于开始学习机器学习非常有用。 顾名思义，它围绕贝叶斯统计推断。 这本书使您能够开发分析技能，并找到解决机器学习算法问题的新方法。 每章均附有示例，实践和理论任务。
10.
“机器学习入门” Nils J. Nilsson
那呢
这本书不是教科书，不是实践问题或理论研究的集合。 这是从理论到机器学习实践的“桥梁”。 在它的帮助下，读者可以准备进一步学习机器学习和数据科学主题。
11.
“统计学习的要素。 数据挖掘，推理和预测» Trevor Hastie，Robert Tibshirani，Jerome Friedman。
那呢本教程从概念上描述了数据科学的思想，即没有复杂的数学公式和概念。 它包含许多说明性示例，可以进一步揭示所写内容的实质。 这本书的范围很广：从控制学习（预测）到没有老师的学习。 涵盖的主题包括神经网络，支持向量法，分类树和增强。 该书的作者是教学教授，教科书和数据挖掘工具的创建者。
12.
机器学习，神经和统计分类 D. Michie，DJ Spiegelhalter，CC Taylor。
那呢该出版物概述了分类问题的主要现代方法：机器学习，统计和神经网络。 作者比较了各种指标方法的有效性，并得出结论，每种方法都更适合解决商业和工业问题。
13.
“创建您自己的神经网络” Tariq Rashid。
那呢这本书的优点是对读者的背景数学知识的要求低。 即使脑海中有一门学校课程，您也可以阅读，理解，掌握基本概念并学习如何使用Python编写自己的图像识别算法。 神经网络设备核心的所有数学思想都带有大量插图和示例中的调味料，从而简化了感知。
14.
“人工智能：一种现代方法”， Stuart Russell，Peter Norvig。
那呢一年级学生的教科书。 在许多大学教学计划中，它经常被用作数据科学的入门。 如果您对设计专门用于创建人工智能的神经网络感兴趣，我们建议将其作为该主题的第一本书。
15.
“从数据中学习” ，Yaser S. Abu-Mostafa，Malik Magdon-Ismail，Hsuan-Tien Lin。
那呢这本书的副标题为“短期课程”，向读者简要介绍了机器学习的基础知识。 如果您只是开始研究数据科学世界中正在发生的事情，并在Internet上阅读了几篇文章，那么这是更深入了解该主题的理想选择。