机器学习与数据科学领域年度最佳书单(上)
我相信这么优秀的你已经
置顶了我
转自：小象
链接：http://mp.weixin.qq.com/s/Ty_st2DpoPfrWsSRF3vuVw
翻译：陈洁燕, 邹振涛, 黄维中
人工智能和机器学习
方向
最近数据科学、数据思维以及相关学科的书籍的热销反映出读者对这些学科的兴趣呈爆炸式高涨。这个书单2016年在亚马逊上关于人工智能，机器学习和大数据方面最畅销的20本书。
1
深度学习（数据编写和机器学习）
原标题：Deep Learning
作者：Ian Goodfellow, Yoshua Bengio, Aaron Courville
评分：4.8星
由在深度学习领域的三位专家撰写，《深度学习》是这一学科最综合性的一本书。——Elon Musk，大众人工智能联席主席，特斯拉和SpaceX首席执行官。
2
快速掌握亚马逊Echo的终极指南
原标题：Amazon Echo: The Ultimate Guide to Learn Amazon Echo In No Time
作者：Andrew Butler
评分：4.2星
学习如何搭建平台和使用高效的居家管理技能，让亚马逊回音箱更加个性化、可以安全、便捷和智能地使用。这本指南也适合于完全不了解人工智能，但希望快速掌握如何使用亚马逊回音箱的使用者或者人工智能领域的初学者阅读。
3
Godel Escher, Bach：永恒的金箍咒
原标题：Gödel, Escher, Bach: An Eternal Golden Braid
作者：Douglas R.Hofstadter
评分：4.5星
简介：如果生命可以在细胞的化学结构之外的形式产生，如果意识可以在消耗能量的神经系统之外的地方产生，那么很快计算机将拥有人类的智能。本书精彩地探讨意识领域最核心的问题：意义、约简、重归等等。
4
搭建你自己的神经网络
原标题：Make Your Own Neural Network
作者：Tariq Rashid
评分：4.2星
作为深度学习和人工智能领域的关键元素，人们对神经网络的认识已取得了让人振奋的成绩，但对于神经网络真正如何运作人们还是知之甚少。这本指南将给予你一次有趣而且悠闲的旅程，从最基础的知识逐渐深入到整个神经网络是如何运作的。你只需具备中学数学知识和微积分基础知识即可。
5
Python的机器学习
原标题：Python Machine Learning
作者：SebastianRaschka
评分：4.3星
Leverage Python是用来深入学习，数据处理，数据可视化的最强大开源库；学习有效的方法和最好的实例来提高和优化机器学习系统和算法；问-答-由一系列数据集构建的强健统计模型数据的棘手问题。
6
超级智能：方法、危险、策略
标题： Superintelligence: Paths, Dangers, Strategies
作者：NickBostrom
评分：3.9星
读这本书可以学习oracles，genies, 单例化；涉及到方框方法，tripwires和盗梦空间；涉及到人类的宇宙禀赋和微分技术的开发；涉及到间接规范，仪器集合，整个大脑的仿真和技术联结；涉及到马尔萨斯经济学和反乌托邦进化论；人工智能和生物认知提升和集体主义智慧。作者认真地用自己的方式贯穿了一个广阔的令人生畏的复杂智能领域。然而这个著作用简单易懂的方式让人很容易理解。
7
马尔可夫模型：主数据科学和无监督的Python机器学习
原标题：Markov Models: Master Data Science and Unsupervised Machine Learning in Python
作者：LazyProgrammer
评分：4.0星
我们将看到一个有关疾病和健康的模型，并且计算预测你会病多久的方式，如果你病了，我们会讲述如果使用马尔可夫模型来分析人们怎样与你的网络互相影响，并且解决像高跳出率这样会影响搜索引擎优化的问题区域。我们会建立语言模型来定义一个writer并且生成文本——想象一台机器为你做写入的工作。
8
机器学习：新AI：麻省理工学院出版社基本知识丛书
原标题：Machine Learning: The New AI: The MIT Press Essential Knowledge Series
作者：EthemAlpaydi
评分：3.5星
Alpaydin提供一个帐号用来让数字化技术优先于数字处理的主框架传递到移动设备，让今天的机器学习成为热潮。他介绍了机器学习的基础和一些应用；图形识别机器学习算法的作用；受人工大脑启发而出现的人工神经网络；实例之间的联系算法，用这样的应用当作客户的分割和学习建议; 加强关于一个自动代理如何学习实现最大化收益最小化损失的知识。Alpaydin还考虑到关于机器学习的未来方向和“数字化科学”的新领域，并且讨论了对于数据私有化和安全性道德的规范影响。
9
介绍统计学习:应用R
原标题：An Introduction to Statistical Learning: with Applications in R
作者：GarethJames, Daniela Written, Trevor Hastie, Robert Tibshirani
评分：4.8星
介绍统计学习这本书提供了一个关于统计学习领域易于理解的概述，一个理解庞大且复杂数据集必需的工具集，这些数据集是从过去20年里生物学到金融，到市场营销，再到天体物流学的各个领域产生。这本书和相关的应用展示了一些最重要的建模和预测技术。主题包括线性回归，分类，重新取样方法，收缩方法，以树为根基的方法，支持矢量机器，集群，等等。
10
预测数据分析的机器学习基础：算法，实践例子，和实例学习
原标题：Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies
作者：JohnD.Kelleher, Brian Mac Namee, Aoife D’Arcy
评分：4.7星
这本书提供了一个针对最重要的机器学习方法详细有针对性的处理方式，用来预测数据的分析，覆盖了理论的概念和实际的应用例子。技术和数学的材料解释性增强，并且实例学习讲述了这些模型在更广阔商业领域的应用。通过讨论从数据到未来洞察再到决策的轨迹，这本书介绍了机器学习的四种方法：信息化的学习，相似性的学习，概率化的学习和基于误差的学习。
由于篇幅较长，下篇博文给出剩下的十本。