【IT168 资讯】你是否有这样的困惑?对机器学习职业感兴趣但是不知道从哪里开始?

　　以下是精心策划的5本免费电子书清单，能帮助您更好地了解机器学习的各个方面以及在该领域的职业生涯所需的技能。

　　当然，没有什么可以取代严格的正规教育，但是并非所有的机器学习职位都需要博士学位。

　　以下几本免费电子书都适用于入门级的理解，但也包括各种不同的概念和材料。

　　1. 《机器学习简介》( Introduction to Machine Learning)

　　这本书是斯坦福大学的Nils J. Nilsson在20世纪90年代中期将一些笔记集成的。这本书虽然时间比较久，但是基础知识是不会变化太大的。当然，正如尼尔森自己所说的那样，机器学习已经取得了许多重要的进步，但是这本书的内容涵盖了大部分仍然被认为重要的基本材料。与过去几十年的进步没有太大的变化。另外，这本书中有很多关于统计学习、学习理论、分类和各种算法的信息，可以满足你的不同需求。

　　2. 《理解机器学习：从理论到算法》(Understanding Machine Learning: From Theory to Algorithms)

　　这本书由Shai Shalev-Shwartz和Shai Ben-David编写。这本书比以前的书更新、篇幅更长，也更先进。这本书深入研究了更多算法及其描述，并为其实用性提供了桥梁。对理论的关注应该是新手需要关注的地方，这对于真正了解机器学习算法的动力具有重要意义。高级理论部分涵盖了一些可能超出新手理解范围的概念，可以选择性阅读。

　　3. 《贝叶斯推理和机器学习》(Bayesian Reasoning and Machine Learning)

　　就我所知，这篇介绍贝叶斯机器学习的文章是这个主题中最著名的文章之一，而且正好有一个免费的在线版本。明尼苏达大学的阿林达姆·班纳吉在亚马逊的一篇评论中写道:

　　贝叶斯机器学习这本书涵盖了广泛的概率机器学习的知识，包括离散图形模型、马尔可夫决策过程、潜在变量模型、高斯过程、随机和确定性推理等，是优秀的高等本科或研究生入门课程的图形模型。本书在阐述时使用了大量的图表和例子，并配有丰富的软件工具箱。需要注意的是，这个工具箱是在MATLAB中应用的，MATLAB一般来说不是默认的机器学习实现语言。然而，工具箱并不是这本书唯一的优点。这为那些对概率机器学习感兴趣的人提供了一个很好的起点。

　　4. 《深度学习》( Deep Learning)

　　这是由Goodfellow、Bengio和Courville撰写的深度学习书籍，该书在其官方网站上提供免费的最终草稿。

　　以下关于目标受众的内容摘录来自本书的网站：

　　《深度学习》旨在帮助学生和实践者进入机器学习领域，特别是深度学习领域。该书的网络版现已完成，并将继续在网上免费提供。印刷版将很快上市销售。这些目标受众之一是正在学习机器学习的大学生(本科生或研究生)，包括那些即将开始深度学习和职业生涯的人。另一个目标受众是没有机器学习或统计学背景但需要获取此背景的软件工程师，可以令他们在产品或平台上使用深度学习。

　　5. 《强化学习：简介》(Reinforcement Learning: An Introduction)

　　如今，强化学习吸引着太多的人来研究。由于最近备受瞩目的AlphaGo，大家大多认为其潜力在自动驾驶汽车和类似的系统方面。的确，这些都是本书第二稿正在撰写的原因。你可以感觉到这本书在强化学习领域的重要性，因为它被简单地称为"萨顿和巴托"。大卫·谭(David Tan)在亚马逊上发表的这篇评论很好地总结了这本书，并消除了人们对"这本书对我来说太复杂了吗?"的恐惧:这本书开始用例子和直观的介绍来定义强化学习。接下来的3章主要介绍了强化学习的3种基本方法:动态规划法、蒙特卡罗法和时间差分法。随后的章节建立在这些方法的基础上，以推广到整个解决方案和算法的应用。这本书对于一般计算机专业的学生来说可读性很强。可能唯一困难的是第8章，因为它涉及到一些神经网络的概念。

　　希望你能从免费的电子书中学到更多关于机器学习的知识。