2019年，这20本机器学习和数据科学书籍一定不要错过（下）

Think Stats是对Python程序员的概率和统计的介绍。

Think Stats强调可用于探索真实数据集和回答有趣问题的简单技术。该书使用美国国立卫生研究院的数据进行了案例研究。鼓励读者使用真实数据集处理项目。

贝叶斯方式是一种自然的推理方法。该书从计算/理解第一，数学第二的观点介绍了贝叶斯方法和概率编程。对于数学背景较少，而只是对贝叶斯方法的实践感兴趣的人来说，本书应该足够有趣。本书选用PyMC作为概率编程的语言

机器学习是计算机科学发展最快的领域之一，具有广泛的应用前景。本教材的目的是从理论的角度介绍机器学习及其提供的算法范例。本书提供了机器学习基础知识的理论解释以及将这些原理转化为实际算法的数学推导。在介绍了基础知识之后，本书涵盖了以前教科书未解决的各种中心主题。这些包括讨论学习的计算复杂性以及凸性和稳定性的概念; 重要的算法范例包括随机梯度下降，神经网络和结构化输出学习; 和新兴的理论概念，如PAC-Bayes方法和压缩边界。

在线阅读地址：https://www.kdnuggets.com/2017/04/10-free-must-read-books-machine-learning-data-science.html

本书在一个统一的概念框架中阐述了统计学习的重要思想。虽然这种方法是统计学的，但重点是概念而不是数学。它应该是统计学家和任何对科学或工业数据挖掘感兴趣的人的宝贵资源。该书的覆盖范围很广，从监督学习（预测）到无监督学习。主题包括神经网络，支持向量机，分类树和集成学习等。

本书介绍了统计学习方法。它针对的是高年级本科生、硕士生、博士生和非数学科学的学生。该书还包含许多R语言实现的实验，详细解释了如何在现实环境中实现各种方法，并且应该是实践数据科学家的宝贵资源。

虽然计算机科学的传统领域仍然非常重要，但未来越来越多的研究人员将参与使用计算机来理解和从应用程序中产生的大量数据中提取可用信息，而不仅仅是如何解决特定的有明确定义的问题。考虑到这一点，我们写了这本书，以涵盖在未来40年可能有用的理论，正如对自动机理论，算法和相关主题的理解在过去40年中为学生提供了优势。

这个指南遵循边做边学的方法，它鼓励你完成练习并试验其中提供的Python代码，而不是被动地阅读该书。希望你将积极参与尝试数据挖掘技术。教科书是由一系列相互依赖的小步骤组成，直到你完成本书时，你已经为理解数据挖掘技术奠定了基础。

在线阅读地址：http://guidetodatamining.com/

该书基于斯坦福计算机科学课程CS246：挖掘海量数据集（和CS345A：数据挖掘）。

这本书与课程一样，是为本科计算机科学设计的，没有先修条件。为了支持更深入的探索，大多数章节都补充了进一步的阅读参考。

深度学习教科书旨在帮助学生和从业者进入机器学习领域，特别是深度学习。该书的在线版本现已完成，并将在线免费提供。

在线阅读地址：http://www.deeplearningbook.org/

人工智能，机器学习和深度学习正在改变众多行业。但是建立一个机器学习系统需要你做出实际的决定：

• 你应该收集更多的培训数据吗？

• 你应该使用端到端的深度学习吗？

• 你如何处理与您的测试集不匹配的训练集？

• 还有很多......

从历史上看，学习如何制定这些“战略”决策的唯一方法是在研究生课程或公司中进行多年的学徒培训。这本书可以帮助你快速掌握这项技能，这样你就可以更好地建立人工智能系统。

在线阅读地址：http://www.mlyearning.org/