機器學習和數(shù)據(jù)科學離不開數(shù)學，本文從數(shù)學基礎的角度入手，推薦了數(shù)據(jù)科學和機器學習方面的七本參考書以及兩本補充讀物。相信對打好數(shù)學基礎的相關人士會有所幫助。

大多數(shù)人學習數(shù)據(jù)科學的人都會把重點放在編程上，實際上編程能力確實是機器學習和數(shù)據(jù)科學領域的重要技能。但是，要真正精通數(shù)據(jù)科學和機器學習，必然不能忽視的數(shù)據(jù)科學背后的數(shù)學基礎。

出于這個目的，本文介紹了七本在注重打好數(shù)據(jù)科學的數(shù)學基礎上的技術讀物。當然，涉及到數(shù)學，往往閱讀體驗可能不會很舒服，但要搞好機器學習，數(shù)學基礎是必須要打牢的，所以努力讀書吧！

先說一說為什么在數(shù)據(jù)科學學習時打好數(shù)學基礎。

以下是我總結的幾個原因：

AI領域無時無刻不在迅速變化。Hinton認為，我們也許應該重新思考反向傳播。掌握牢固的數(shù)學知識有助于更好地理解AI的演變。一個數(shù)學基礎深厚的人，對AI的理解和認識與其他僅從表面認識AI的人有很大的區(qū)別。此外，掌握數(shù)學知識還能更好地了解AI技術帶來知識產(chǎn)權的潛力。最后，了解數(shù)據(jù)科學背后的數(shù)學知識，也可以讓人更容易獲得AI和數(shù)據(jù)科學的高端職位。

此外，作者推薦這幾本書，還有兩點個人原因：

1.作者在牛津大學教授物聯(lián)網(wǎng)數(shù)據(jù)科學的課程，也包括一些AI技術應用方面的教學事務，在教學過程中涉及到數(shù)學基礎知識和課程。

2.其次，作者在寫一本書來簡述人工智能，從數(shù)學的角度入手，目標讀者是14到18歲的少年。要深入了解數(shù)學科學和人工智能數(shù)學的數(shù)學基礎，你需要了解四個方面知識：線性代數(shù)，概率論，多元微積分和優(yōu)化。目前在高中階段至少會教授這些課程的一部分內(nèi)容。因此，我試圖將高中數(shù)學與人工智能和數(shù)據(jù)科學聯(lián)系起來，重點是數(shù)學建模。

下面進入正題：

（1） The Nature Of Statistical Learning Theory《統(tǒng)計學習理論的本質(zhì)》

作者：VladimirVapnik

PDF資源：

https://statisticalsupportandresearch.files.wordpress.com/2017/05/vladimir-vapnik-the-nature-of-statistical-learning-springer-2010.pdf

如果說要列一份關于數(shù)學的書單，這本書是繞不過去的。本書單中排名第一的就是俄羅斯著名數(shù)學家VladimirVapnik的《統(tǒng)計學習理論的本質(zhì)》。在這份清單中的所有書籍中，Vapnik這本是最不好找的。VladimirVapnik是支持向量機（SVM）的創(chuàng)始人。他的維基百科頁面中提供了更多關于他研究成果的介紹。

（2）Pattern Classification（2007-12-24）《模式分類》

作者：RichardODuda

PDF資源：

https://cds.cern.ch/record/683166/files/0471056693_TOC.pdf

就像Vapnik的著作一樣，Duda的著作時另一個時代的另一部經(jīng)典。本書初版于1973年，在二十多年后的2000年才推出第二版，此后一直未再版。時隔近二十年，本書仍然是一個重要資源。本書采用模式識別方法，并涵蓋了廣泛的算法。

（3）

MachineLearning:AnAlgorithmicPerspective,SecondEdition(Chapman&Hall/CrcMachineLearning&PatternRecognition)

《機器學習：算法視角》

PDF資源：

https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/Machine%20Learning_%20An%20Algorithmic%20Perspective%20%282nd%20ed.%29%20%5BMarsland%202014-10-08%5D.pdf

這本書現(xiàn)在已經(jīng)出版了第二版。此書第一版是我讀過的最早的書關于機器學習和算法的著作之一，第二版增加了更多Python代碼。與前兩本書一樣，本書也非常強調(diào)算法。

（4）

TheElementsofStatisticalLearning:DataMining,Inference,andPrediction,SecondEdition

《統(tǒng)計學習基礎：數(shù)據(jù)挖掘、推理和預測》（第二版）

作者：TrevorHastie，RobertTibshirani，JeromeFriedman

PDF資源：https://web.stanford.edu/~hastie/Papers/ESLII.pdf

另一本經(jīng)典之作，可以作為參考書。

（5）Pattern Recognition and Machine Learning (Information Science and Statistics)

《模式識別與機器學習（信息科學與統(tǒng)計）》

作者：ChristopherM.Bishop

PDF資源：http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf

ChristopherM.Bishop的模式識別和機器學習（信息科學和統(tǒng)計學）也是一本深入而精心設計的參考書。

（6）

MachineLearning:TheArtandScienceofAlgorithmsthatMakeSenseofData

作者：PeterFlach

PDF資源：http://www.cs.put.poznan.pl/tpawlak/files/ZMIO/W02.pdf

我喜歡PeterFlach的書，盡管亞馬遜網(wǎng)站上的一些評論說這書寫得太羅嗦，而且代碼量顯得不足。我特別喜歡這本書中的算法分組（邏輯模型，線性模型，概率模型）章節(jié)以及這些主題的整體講述方式。

最后，是我最推薦的一本書:

（7）Deep Learning《深度學習》

作者：Goodfellow、Bengio、Corville

相關資源：https://www.deeplearningbook.org/

如果你在找一本值得逐頁讀完的書，就是它了！這本書既詳細，又有現(xiàn)代感，書中內(nèi)容幾乎涵蓋了你能想到的關于深度學習的一切知識。

補充兩本書：

A First Course in Machine Learning, Second Edition (Machine Learning & Pattern Recognition) by Simon Rogers, Mark Girolami

作者：SimonRogers，MarkGirolami

我覺得這本書并不太適合初學者，但它仍然是一本好書（特別是第二版）

MachineLearning:AProbabilisticPerspective

作者：KevinMurphy

這本書中評價也很高，但我個人沒有讀過（因此沒有收集）。

寫在最后：

除了最后一本《深度學習》之外，我建議其他書不必逐頁閱讀，而是將其作為參考書，根據(jù)需要按相應主題閱讀相應的書籍。這些書教會了我時刻保持謙遜。無論我們現(xiàn)在知道了多少，掌握了多少知識，都總能在閱讀過程中發(fā)現(xiàn)，這個領域原來是如此的龐大和復雜。

這些書已經(jīng)超越了時間。VladimirVapnik現(xiàn)年已經(jīng)81歲。Duda的著作初版于1973年。我預計50年以后，這個行業(yè)里的人們?nèi)匀粫喿x這些著作。就像與那些經(jīng)歷了時間考驗的老朋友們重逢一樣。多年之后，也許你會發(fā)現(xiàn)，在眼花繚亂的技術、模型和框架背后，數(shù)學是永恒的。