工學(xué)博士、副教授撰寫的人工智能稀有書籍清單，并附有 PDF 版本的鏈接。

機器學(xué)習(xí)

在機器學(xué)習(xí)方面，我首先要推薦的兩本書是李航博士的《統(tǒng)計學(xué)習(xí)方法》和周志華教授的《機器學(xué)習(xí)》。

《統(tǒng)計學(xué)習(xí)方法》采用“一般-具體-一般”的結(jié)構(gòu)，在梳理統(tǒng)計學(xué)習(xí)的基本概念后，系統(tǒng)全面地介紹了統(tǒng)計學(xué)習(xí)中的10種主要方法，最后對這些算法進行了總結(jié)和比較。本書以數(shù)學(xué)公式為主，在介紹每種方法時，都給出了詳細的數(shù)學(xué)推導(dǎo)，幾乎沒有廢話，因此對讀者的數(shù)學(xué)功底要求也很高。

相比之下，《機器學(xué)習(xí)》涵蓋的范圍更廣，入門性更強，有助于了解機器學(xué)習(xí)的全貌。書中幾乎涵蓋了機器學(xué)習(xí)中所有算法類別的基本思想、適用范圍、優(yōu)缺點、主要實現(xiàn)方法等，并穿插了大量通俗易懂的實例。

如果說《統(tǒng)計學(xué)習(xí)方法》勝在深度，那么《機器學(xué)習(xí)》勝在廣度。鑒于它的廣度，你可以在《機器學(xué)習(xí)》提供的豐富參考資料的基礎(chǔ)上繼續(xù)深入挖掘。

讀完以上兩本書，可以再讀一些經(jīng)典著作。第一本經(jīng)典著作是 Tom Mitchell 的《Machine Learning》，中譯本名為《機器學(xué)習(xí)》。這本書寫于 1997 年，雖然難以涵蓋機器學(xué)習(xí)的最新進展，但對基礎(chǔ)理論和核心算法的討論還是精辟的，畢竟經(jīng)典理論經(jīng)得起時間的考驗。這本書的重點也是廣度，沒有涉及很多復(fù)雜的數(shù)學(xué)推導(dǎo)，是一本理想的入門書。作者曾在主頁上表示，這本書將出新版本，并增加了一些章節(jié)，或許在未來兩年內(nèi)，我們就能期待新版本的面世。

另一本經(jīng)典書籍是 Trevor Hastie 等人撰寫的 Elements of Statistical Learning，2016 年出版了第二版。這本書沒有中文翻譯版，只有影印本。專家寫的書不會用大量復(fù)雜的數(shù)學(xué)公式嚇唬人（專門講算法推導(dǎo)的書除外），這本書也不例外。它更強調(diào)各種學(xué)習(xí)方法的內(nèi)涵和外延。相比于具體的推導(dǎo)，從方法的起源和發(fā)展來理解其應(yīng)用場景和發(fā)展方向或許更為重要。

最后一本登上舞臺的書是 Christopher Bishop 的《模式識別與機器學(xué)習(xí)》。這本書出版于 2007 年，至今沒有中文譯本。或許是因為翻譯這樣一本氣勢磅礴的書需要無數(shù)個深夜。這本書的特點是將機器學(xué)習(xí)視為一個整體，無論是基于頻率的方法還是貝葉斯方法，無論是回歸模型還是分類模型，都只是問題的不同方面。作者可以開拓出一個上帝視角，將各種機器學(xué)習(xí)納入一張巨網(wǎng)。可惜的是，大多數(shù)讀者跟不上他的高深思維（包括我自己）。

最后推薦的一本書是 David JC MacKay 的 Information Theory, Inference and Learning Algorithms，出版于 2003 年，中譯本名為《信息論、推理與學(xué)習(xí)算法》。這本書的作者是一位多才多藝的科學(xué)家。這本書并不是一本機器學(xué)習(xí)的專著，而是將多個相關(guān)學(xué)科合二為一，內(nèi)容相當(dāng)廣泛。相比于那些正面寫著一張臉的教科書，閱讀這本書感覺就像在和作者聊天，他會在談話中拋出各種問題讓你思考。話題的廣泛性讓這本書的閱讀體驗并不輕松，但可以作為一種拓展視野的方式。