畢曉普，模式識別和機器學習。沒有影印，但是可以在網上下載。經典中的經典。模式分類和這本書是兩本必讀的書。《模式識別與機器學習》很新(2007)，很容易用簡單的術語解釋。
推薦兩本有趣的書，
壹個是讓我們變聰明的簡單啟發法。
另壹個是有限理性:適應性工具箱。
-
& lt轉載自CSDN >
機器學習和人工智能學習資源指導
我經常在TopLanguage討論組上推薦壹些書籍，也經常請裏面的牛人搜集壹些相關資料。人工智能、機器學習、自然語言處理、知識發現(尤其是數據挖掘)和信息檢索無疑是CS領域中最有趣的分支(它們之間也有著密切的聯系)。在這裏，壹些與機器學習和人工智能相關的最新學習資源被歸入壹個類別:
首先，維基百科有兩個很棒的條目。我也是維基百科的重度用戶。在學習壹個東西的時候，我經常發現它是從維基百科開始，經過幾次谷歌，然後在壹本或幾本書裏結束。
第壹個是《人工智能的歷史》，我在討論組寫道:
而我今天看到的這篇文章，是我在維基百科上看到的最好的。這篇名為《人工智能的歷史》的文章，沿著AI的發展時間線，穿插了無數牛人的故事，壹波三折，可謂“事實比想象更令人驚訝”。人工智能始於哲學思辨，經歷了壹個沒有心理學(尤其是認知神經科學)幫助的階段。它只是通過歸納、內省和數學工具探索了人類思維的外在表現。最激動人心的是希爾伯特·西蒙(決策理論之父，諾獎得主，跨學科天才)寫的壹臺自動證明機，證明了羅素的數學原理中的20多個定理。其中壹個定理比原書中的更優雅。Simon的程序使用了啟發式搜索，因為公理系統中的證明可以簡化為從條件到結論的樹搜索(但由於組合的爆炸，必須使用啟發式剪枝)。後來西蒙寫了GPS(通用問題求解器)，據說可以解決壹些形式化很好的問題，比如河內塔。但歸根結底，西蒙的研究只觸及了人類思維的壹個非常小的方面——形式邏輯，甚至更狹義(即不包括演繹推理、轉化推理(俗稱分析思維)。還有很多奧秘，比如常識，視覺，尤其是最復雜的語言和壹致性。另壹個有趣的事情是，有些人認為AI問題必須有壹個物理體來支撐。壹個能感受到世界本身物理規律的身體，是壹個強大的信息來源。基於這個信息來源，人類可以與時俱進地總結出所謂的常識性知識(這就是所謂的具身心智理論。)，否則像某些兄弟那樣直接用手建立壹個常識性的知識庫就顯得愚蠢和幼稚了。它是人們根據感知系統從自然中獲取知識的動態自動更新系統，人工構建公共知識庫與舊的專家系統無異。當然，以上只是總結了壹小部分我個人覺得有趣或者新奇的東西，每個人看到有趣的東西是不壹樣的。例如，它相當詳細地介紹了神經網絡理論的興衰。所以我強烈建議妳再看看自己，別忘了其他地方的鏈接。
順便說壹下，許由會找時間翻譯這篇文章，這篇文章很長。看不懂E的就等著看翻譯吧:)
二是“人工智能”。當然還有機器學習等等。從這些條目中，我們可以找到許多非常有用和可靠的深入參考資料。
然後有壹些書
書籍:
1.編程集體智能，近幾年很好的入門書，培養興趣是最重要的部分。乍壹看，很容易嚇跑壹本偉大的書:P
2.Peter Norvig的《人工智能，現代方法2》(無可爭議的領域經典)。
3.統計學習的要素是數學的，可以作為參考。
4.《統計自然語言處理基礎》是自然語言處理領域公認的經典。
5.中國科學家寫的壹本書《數據挖掘，概念和技術》很簡單。
6.管理千兆字節，壹本信息檢索的好書。
7.信息論:影響與學習算法，壹本參考書，比較深入。
相關數學基礎(參考書，不適合通讀):
1.線性代數:這本參考書沒有列出來，但是有很多。
2.矩陣數學:矩陣分析，羅傑·霍恩。矩陣分析領域無可爭議的經典。
3.概率論與統計:概率論及其應用。這也是壹本很棒的書，但是數學太強了，不適合機器學習。所以杜雷在討論組中推薦了所有的統計數據，並說
在機器學習方向，統計學也很重要。推薦All of statistics，這是CMU的壹本非常簡明的教材，重點是概念，簡化計算，簡化概念和與機器學習無關的統計內容，可以說是壹本很好的快速入門教材。
4.最優化方法:《非線性規劃參考書》，第2版)。凸優化是壹本關於凸優化的參考書。另外，維基百科上有壹些書可以參考優化方法詞條。要深入理解機器學習方法的技術細節，很多時候(比如SVM)需要優化方法作為鋪墊。
王寧推薦了幾本書:
《機器學習，湯姆·林可唯》，1997。
舊書，牛逼的人。現在看來內容不算太深，很多章節感覺有點遠，但是很適合初學者(當然不可能“新”到連算法和概率都知道)。比如決策樹部分很精彩，這幾年也沒什麽大的進展，所以還不算過時。另外，這本書是對1997年之前幾十年機器學習工作的壹個很好的總結，參考文獻列表極具價值。國內有翻譯和影印。不知道是不是絕版了。
《現代信息檢索》，李嘉圖·巴埃薩-耶茨等。1999
舊書，牛逼的人。看起來像是第壹本完整的關於IR的書。可惜IR這幾年進步很快，這本書有點過時了。翻翻看看供參考就好。此外，裏卡多現在是歐洲和拉丁美洲雅虎研究的負責人。
《模式分類(第二版)》，理查德·杜達，彼得·哈特，大衛·g·斯多克
也是01歲左右的大男人，有復印件，有顏色。我還沒看完，但是如果想深入學習ML和IR，前三章(導論、貝葉斯學習、線性分類器)是必須的。
還有壹些經典我只見過壹次，沒有資格評價。另外還有兩本小冊子，是文集，但是講了很多前沿和細節，比如怎麽壓縮索引。可惜我忘了我的名字，我把它放在盒子的底部。下次搬家前恐怕就難見天日了。
(呵呵，我想起壹本書:挖掘Web——從超文本數據中發現知識)。
說壹本名著:《數據挖掘:實用機器學習工具和技術》。Weka的作者寫的。可惜內容壹般。理論部分太單薄，實踐部分也很脫離實際。有很多DM入門書籍，不要看這本。如果妳想了解Weka，只需閱讀文檔。第二版已經出版了，沒看過，也不知道。
在信息檢索方面，杜雷再次建議:
信息檢索書籍現在建議看斯坦福的《信息檢索導論》，剛剛正式出版，內容當然是最新的。另外，情報檢索第壹牛克羅夫特大師也在寫教材，應該很快就要出版了。據說這是壹本非常實用的書。
對信息檢索感興趣的學生強烈推薦翟程響博士在北京大學的暑期班課程。這裏有完整的幻燈片和閱讀資料:/~ course/cs 410/schedule . html。
Maximzhao推薦了壹本關於機器學習的書:
加壹本書:Bishop，模式識別，機器學習。不是影印的，但是可以在網上下載。經典中的經典。模式分類和這本書是兩本必讀的書。《模式識別與機器學習》很新(2007)，很容易用簡單的術語解釋。
最後推薦兩本比較有意思的人工智能方面的書(尤其是決策和判斷)。
壹個是讓我們變聰明的簡單啟發法。
另壹個是有限理性:適應性工具箱。
與計算機科學采用的統計機器學習方法不同，這兩本書更側重於人類實際采用的認知方式。以下是我在討論組寫的簡介:
這兩本書是由德國ABC研究小組(壹個由計算機科學家、認知科學家、神經科學家、經濟學家、數學家和統計學家組成的跨學科研究小組)集體撰寫的，它們引起了該領域的廣泛關註，尤其是前壹本，後壹本是對希爾伯特·西蒙(決策科學之父、諾獎得主)提出的人類理性模型的擴展研究，可以說是將什麽是真正的人類智能的問題擺到了桌面上。其核心思想是，我們的大腦不能進行大量的統計計算和使用fancy的數學方法來解釋和預測世界，而是通過簡單而魯棒的啟發式來面對不確定的世界(例如第壹本書中提到的兩個後來著名的啟發式:認知啟發式和取其精華)。當然，這兩本書並不排斥統計學方法。數據量大的時候統計優勢就出來了，數據量小的時候統計方法就變得很糟糕。人類簡單的啟發式規則充分利用了生態環境中的規律性，並且都實現了較低的計算復雜度和魯棒性。
關於第二本書的介紹:
誰是希爾伯特·西蒙？
2.什麽是有限理性？
3.這本書是關於什麽的？
我壹直覺得人類的決策和判斷是壹個很迷人的問題。這本書可以簡單地看作是壹個更全面和理論版本的決定和判斷。本文從理論上系統地介紹了人類決策判斷過程中的各種啟發式算法及其優缺點(為什麽它們是信息不充分情況下的快速魯棒的優化方法的近似，為什麽它們在某些情況下會帶來不良後果等等。，比如學過機器學習的人都知道，樸素貝葉斯方法在很多情況下往往並不比貝葉斯網絡差，而且速度更快；例如，多項式插值的維數越高，越容易過擬合，而基於低階多項式的分段樣條插值已被證明是壹種非常穩健的方案。
這裏有壹個書裏提到的例子，很有意思:兩個團隊被派去設計壹個機器人，可以接住球場上扔過來的棒球。第壹組做了詳細的數學分析，建立了壹個相當復雜的拋物線近似模型(因為空氣阻力等原因不是嚴格的拋物線)，用來計算球的落點，以便正確接球。很明顯，這個方案要花很多錢，實際操作也需要時間。眾所周知，生物神經網絡中的生物電流傳輸只有每秒100米以內，所以計算復雜度對於生物來說是壹個寶貴的資源，所以這個方案雖然可行，但是還不夠好。第二組采訪真實的運動員，聽他們總結如何接球的感受。然後他們做了這樣壹個機器人:機器人在扔球初期什麽都不做，壹直等到靠近，眼睛壹直盯著球，保證了機器人的運行路線壹定會和球的軌跡相交；在整個過程中，這個機器人只做非常粗略的軌跡估計。是不是接球的時候眼睛壹直盯著球，然後根據視線角度調整跑動方向？其實人類就是這麽做的。這就是啟發式的力量。
相對於偏向心理學和科普的《決策與判斷》，這本書理論性更強，有很多經典參考，而且和人工智能、機器學習有交叉。裏面也有很多數學的內容。這本書由十幾章組成，每壹章都是由不同的作者寫的。類似於論文，嚴謹無廢話，就像解題心理學壹樣。更適合極客閱讀。
另外，受不了理論的技術細節的人，也建議看《決策與判斷》之類的書(還有《不要做壹個正常的傻瓜》之類的傻瓜科普書)，對自己的人生決策大有裨益。在人類的決策和判斷中使用了許多啟發式方法。可惜很多都是建立在幾十萬年前的社會環境中，不適合現代社會。所以了解這些思維上的短板和盲點，對成為壹個好的決策者大有裨益，本身也是壹個非常有趣的領域。
(完)