玩转人工智能中的机器学习之著名教材_机器学习教材

关于机器学习的教材非常多，下面分别推荐一些入门、提高、进阶方面的教材供读者参考。机器学习方面的教材更新非常快，读者也可以自己搜索，选择适合自己的教材。

机器学习方面常用的入门教材有如下几本，如书籍 20所示。

书籍 20 机器学习入门教材推荐：(a) 机器学习方法 (李航); (b) 机器学习 (周志华); (c) The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Trevor Hastie 等); (d) Machine Learning (Tom M. Mitchell)

李航博士编著的《机器学习方法》[65]是一本机器学习方面非常适合入门的教材。该书之前的版本称为《统计学习方法》，加入深度学习的内容后书名修改为《机器学习方法》。该书真正做到了深入浅出，架构清晰、易于阅读，适合快速入门。该书主要分为有监督学习、无监督学习和深度学习三大部分，分别介绍了有监督学习、无监督学习和深度学习的主要方法，理论推导详细，例子丰富，将抽象的理论与实际应用做到了很好的结合。

南京大学周志华教授编写的《机器学习》[66]作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 全书大致分为3个部分：第1 部分介绍机器学习的基础知识；第2 部分讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。书中除第1章外，每章都给出了十道习题。有的习题是帮助读者巩固本章学习，有的是为了引导读者扩展相关知识。

Trevor Hastie 等人编著的《The Elements of Statistical Learning : Data Mining, Inference, and Prediction》[67]是一本在国外广泛被采用的机器学习教材，该教材覆盖知识面广，理论推导严谨而详细，是一本非常适合入门的教材。该书有对应的中文版本《统计学习要素》，由复旦大学张军平教授翻译。

卡内基梅隆大学教授Tom M. Mitchell 编写的《Machine Learning》[68]展示了机器学习中核心的算法和理论，并阐明了算法的执行过程。该教材综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。

机器学习方面常用的提高教材如书籍 21所示，下面逐一加以介绍。

书籍 21 机器学习提高教材推荐: (a) Pattern Recognition and Machine Learning (Christopher Bishop); (b) Foundation of Machine Learning (Mehryar Mohri 等); (c) Probabilistic Machine Learning: An Introduction (Kevin P. Murphy); (d) Understanding Machine Learning: From Theory to Algorithms (Shai Shalev-Shwartz 等)

Christopher Bishop 编著的《Pattern Recognition and Machine Learning》[69]是从事机器学习的研究者必读的经典教材之一。该书将机器学习的常见方法都统一在贝叶斯框架之下，给出了非常详细的数学推导。全书架构清晰，语言流畅，一气呵成，读起来赏心悦目。建议将来打算从事AI基础理论研究的读者在阅读此书时，做一做书上的习题，这样对于提高自己的理论推导水平非常有帮助。

Mehryar Mohri 等人编著的《Foundation of Machine Learning》[70]试图为机器学习构建一套理论基础，该书注重机器学习中的理论推导和框架的建立，适合从事AI基础理论研究的人阅读。

Kevin P. Murphy编著的《Probabilistic Machine Learning: An Introduction》[71]从概率的视角来建立机器学习的理论框架。全书理论深厚，推导详尽，既介绍了机器学习的理论基础，又介绍了深度神经网络、非参数模型等较前沿的理论，适合有较好的数学基础的人阅读，是一本提高机器学习水平的优秀教材。该作者在早期还编写过另外一本非常著名的教材《Machine Learning: A Probabilistic Perspective》，该教材的内容较之更加基础，有兴趣的读者也可以进行学习。此外该作者还著有另外一本介绍概率机器学习高级主题的书籍《Probabilistic Machine Learning: Advanced Topics》。上述三本教材被称为Kevin P. Murphy的“概率机器学习三部曲”，均属于高质量的机器学习教材。

Shai Shalev-Shwartz 等人编写的《Understanding Machine Learning: From Theory to Algorithms》[72]是一本基础理论与算法应用相结合的教材。全书主要分为：理论基础、算法、其它学习模型、高阶理论四部分。全书理论推导严谨，算法步骤清晰，是一本非常著名的教材。

下面介绍几本机器学习方面常用的进阶教材，如书籍 22所示。

书籍 22 机器学习进阶教材推荐: (a) Deep learning (Ian Goodfellow 等); (b) 迁移学习 (杨强 等); (c) 联邦学习 (杨强 等); (d) 集成学习: 基础与算法 (周志华); (e) Reinforcement Learning: An Introduction (Richard S. Sutton 等); (f) Semi-Supervised and Unsupervised Machine Learning (Amparo Albalate 等); (g) Interpretable Machine Learning: A Guide for Making Black Box Models Expainable (Christoph Molnar); (h) Causality: Models, Reasoning, and Inference (Judea Pearl)

《Deep learning》[73]是深度学习领域非常著名的教材，由三位全球知名的专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville共同撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

《迁移学习》[74]是香港科技大学教授杨强等人编写的一本著名教材，全书共分为两个主要部分。第1部分呈现了迁移学习的理论基础；第2部分呈现了迁移学习的应用。

《联邦学习》[75]是杨强教授的另外一本名著。该教材主要解决如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型。该书描述了联邦学习（亦称联邦机器学习）如何将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，以解决分散数据的使用问题。同时，该书介绍了不同种类的面向隐私保护的机器学习解决方案以及技术背景，并描述了一些典型实际问题的解决案例。最后，该书进一步论述了联邦学习将成为下一代机器学习的基础，用以满足技术和社会需求并促进面向安全的人工智能的开发和应用。

南京大学周志华教授编著的《集成学习：基础与算法》[76]共分为三部分：第1部分主要介绍集成学习的背景知识；第2部分主要介绍集成学习方法的核心知识，包括Boosting、Bagging、Random Forests 等经典算法，平均、投票和Stacking 等模型和方法、相关理论分析工作，以及多样性度量和增强方面的进展；第3部分介绍集成学习方法的进阶议题，包括集成修剪、聚类集成和集成学习方法在半监督学习、主动学习、代价敏感学习、类别不平衡学习及提升可理解性方面的进展。此外，该书还在每章的“拓展阅读”部分提供了相关的进阶内容。

Richard S. Sutton等人编著的《Reinforcement Learning: An Introduction》[77]是关于强化学习思想的深度解剖之作，被业内公认为是一本强化学习基础理论的经典著作。它从强化学习的基本思想出发，深入浅出又严谨细致地介绍了马尔可夫决策过程、蒙特卡洛方法、时序差分方法、同轨离轨策略等强化学习的基本概念和方法，并以大量的实例帮助读者理解强化学习的问题建模过程以及核心的算法细节。

Amparo Albalate等人编写的《Semi-Supervised and Unsupervised Machine Learning》[78]是一本关于机器学习中半监督和无监督学习方法的书籍，全书共分为两个主要部分：第一部分主要介绍半监督分类算法及其应用，包括近年来关于分类器集成的研究。第二部分讨论了无监督数据挖掘和知识发现，特别是文本挖掘。

Christoph Molnar编著的《Interpretable Machine Learning: A Guide for Making Black Box Models Expainable》[79]致力于使机器学习中的模型和决策具有可解释性。在探索了可解释性的概念之后，该教材呈现了简单的可解释模型，如决策树、决策规则和线性回归。接下来该教材主要致力于黑箱模型的可解释性。该教材是关于可解释的机器学习领域的一本代表性著作。

《Causality: Models, Reasoning, and Inference》[80]是图灵奖得主Judea Pearl的代表作之一。该书提供了现代因果分析的全面阐述。它展示了因果关系是如何从一个模糊的概念发展成为一个数学理论，在统计学、人工智能、经济学、哲学、认知科学以及健康和社会科学等领域都有着重要的应用。该书提出并统一了因果关系中概率的、可操作的、反事实的和结构性的方法，并设计了简单的数学工具来研究因果关系和统计关联之间的关系。

关于人工智能中机器学习的更多介绍，可以购买《人工智能怎么学》进一步阅读。

图书购买方式

京东：https://item.jd.com/13395339.html

当当：http://product.dangdang.com/29469230.html

天猫：https://detail.tmall.com/item_o.htm?id=687374654836

为了让图书惠及更多的读者，为更多想学习人工智能的人提供帮助，经过向出版社申请，对图书《人工智能怎么学》的部分内容进行改编和连载。图书《人工智能怎么学》的全部内容包含了初级入门、中阶提高以及高级进阶三个级别的内容。连载的内容主要是初级入门级别，适合想对人工智能进行快速和高效入门的读者，对于已有一定的人工智能学习基础，希望进一步进阶或提高的读者，则需要购买图书《人工智能怎么学》，学习中阶提高以及高级进阶的内容。此外，对于学习人工智能感兴趣的读者，也可以加入知识星球《人工智能怎么学》，知识星球是一个构建学习社群的平台，通过加入《人工智能怎么学》的社群，你将获得更多的学习资料和课程信息。

与作者互动和了解更多信息

想跟作者一起学习人工智能和互动，你可以加入如下社群：

知识星球：https://t.zsxq.com/0aLkVg0os

QQ群：600587177

想了解更多关于人工智能学习及实践的内容，请关注如下媒体：

官方网站：https://bigdatamininglab.github.io

官方微信公众号：人工智能怎么学(可扫描下方二维码或者微信搜索“人工智能怎么学”添加关注)

CSDN：https://blog.csdn.net/audyxiao001

参考文献

1. 张文俊. 数学欣赏[M]. 北京: 科学出版社, 2011.

2. 李文林. 数学史概论 第4版[M]. 北京: 高等教育出版社, 2021.

3. 方开泰. 漫漫修远攻算路：方开泰自述[M]. 长沙: 湖南教育出版社, 2016.

4. 徐品方. 数学王子——高斯[M]. 哈尔滨: 哈尔滨工业大学出版社, 2018.

5. 同济大学数学系. 高等数学（第7版）[M]. 北京: 高等教育出版社, 2014.

6. 李忠，周建莹. 高等数学（第2版）[M]. 北京: 北京大学出版社, 2009.

7. Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.

8. Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition)[M]. Cengage Learning, 2018.

9. 华东师范大学数学科学学院. 数学分析（第5版）[M]. 北京: 高等教育出版社, 2019.

10. 常庚哲, 史济怀. 数学分析教程（第3版）[M]. 合肥: 中国科学技术大学出版社, 2012.

11. Walter Rudin. Principles of Mathematical Analysis (ThirdEdition) [M]. McGraw-Hill Education, 1976.

12. Vladimir A. Zoric. Mathematical Analysis (Second Edition)[M]. Springer, 2016.

13. Elias M. Stein, and RamiShakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.

14. Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.

15. Elias M. Stein, and Rami Shakarchi. Fourier Analysis: AnIntroduction [M]. PrincetonUniversity Press,2003.

16. Elias M. Stein, and Rami Shakarchi. Functional Analysis:Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.

17. 丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.

18. 居于马. 线性代数（第2版）[M]. 北京: 清华大学出版社, 2002.

19. 李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.

20. 李炯生. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2010.

21. 龚昇. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2005.

22. 任广千, 谢聪, 胡翠芳. 线性代数的几何意义[M]. 西安: 西安电子科技大学出版社, 2015.

23. Kuldeep Singh. Linear Algebra: Step by Step [M]. OxfordUniversity Press,2014.

24. Gilbert Strang. Introduction to Linear Algebra (FifthEdition) [M]. Wellesley-Cambridge Press, 2016.

25. David C. Lay et al. Linear Algebra and Its Application (FifthEdition) [M]. Pearson,, 2016.

26. Sheldon Axler. Linear Algebra Done Right (Third Edition) [M].Springer, 2015.

27. Gerald Farin, and Dianne Hansford. Practical Linear Algebra:A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.

28. Gilbert Strang. Linear Algebra and Learning from Data [M].Wellesley-Cambridge Press, 2019.

29. 徐仲. 矩阵论简明教程（第3版）[M]. 北京: 科学出版社, 2014.

30. 张贤达. 矩阵分析与应用（第2版）[M]. 北京: 清华大学出版社, 2013.

31. Gene H. Golub, and Charles F. Van Loan. Matrix Computation(Fourth Edition) [M]. The Johns Hopkins University Press, 2013.

32. Roger A. Horn, and Charles R. Johnson. Matrix Analysis(Second Edition) [M]. Cambridge University Press, 2013.

33. 盛骤, 谢式千, 潘承毅. 概率论与数理统计（第4版）[M]. 北京: 高等教育出版社, 2008.

34. 陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2017.

35. Jay L. Devore. Probability and Statistics for Engineering andthe Sciences (Ninth Edition) [M]. Cengage Learning, 2016.

36. Morris H. DeGroot, and Mark J. Schervish . Probabilityand Statistics (Forth Edition) [M]. Pearson, 2012.

37. 高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.

38. 王静龙. 多元统计分析[M]. 科学出版社, 2008.

39. T. W. Anderson. An Introduction to Multivariate StatisticalAnalysis (Third Edition) [M]. John Wiley & Sons, 2003.

40. Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (SixthEdition) [M]. Pearson, 2007.

41. 程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.

42. 严加安. 测度论讲义（第2版）[M]. 北京: 科学出版社, 2004.

43. Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theoryand Probability Theory (Third Edition) [M]. Springer, 2006.

44. Paul R. Halmos. Measure Theory [M]. Springer Science+Business Media, 1974.

45. 胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.

46. 郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.

47. Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced andMultivariate Statistical Methods: Practical Application and Interpretation(Sixth Edition) [M]. Routledge, 2017.

48. Eugene Demidenko. Advanced Statistics with Applications in R[M]. John Wiley & Sons, 2020.

49. 何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.

50. 张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.

51. Sheldon M. Ross. Introduction to Probability Models (TwelfthEdition) [M]. Academic Press, 2019.

52. Robert G. Gallager. Stochastic Processes: Theory forApplications [M]. John Wiley & Sons, 2013.

53. David Forsyth. Probability and Statistics for ComputerScience (Twelfth Edition) [M]. Springer, 2018.

54. Luc Devroye et al. A Probabilistic Theory of PatternRecognition [M]. Springer, 1997.

55. 《运筹学》教材编写组. 运筹学（第4版）[M]. 北京: 清华大学出版社, 2013.

56. 胡运权, 郭耀煌. 运筹学教程（第5版）[M]. 北京: 清华大学出版社, 2018.

57. Frederick S. Hillier, and Gerald J. Lieberman. Introductionto Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.

58. Hamdy A. Taha. Operation Research：An Introduction(Tenth Edition) [M]. Pearson, 2017.

59. 陈宝林. 最优化理论与算法（第2版）[M]. 北京: 清华大学出版社, 2018.

60. 高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.

61. Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction toOptimization (Fourth Edition) [M]. John Wiley & Sons, 2013.

62. Jorge Nocedal, and Stephen J. Wright. Numerical Optimization(Second Edition) [M]. Springer, 2006.

63. Stephen Boyd, and Lieven Vandenberghe. Convex Optimization[M]. Cambridge University Press, 2004.

64. Yuni Nesterov. Lectures on Convex Optimization (SecondEdition) [M]. Springer, 2018.

65. 李航. 机器学习方法[M]. 北京: 清华大学出版社, 2022.

66. 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

67. Yuni Nesterov. The Elements of Statistical Learning: DataMining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.

68. Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education,1997.

69. Christopher Bishop. Pattern Recognition and Machine Learning[M]. Springer, 2006.

70. Mehryar Mohri et al. Foundation of Machine Learning (SecondEdition) [M]. The MIT Press, 2018.

71. Kevin P. Murphy. Probabilistic Machine Learning: AnIntroduction [M]. The MIT Press, 2022.

72. Shai Shalev-Shwartz, and Shai Ben-David. UnderstandingMachine Learning: From Theory to Algorithms [M]. Cambridge University Press,2014.

73. Ian Goodfellow etal. Deep Learning [M]. The MIT Press, 2016.

74. 杨强, 张宇, 戴文渊, 潘嘉林 . 迁移学习[M]. 北京: 机械工业出版社, 2020.

75. 杨强, 刘洋，程勇 等. 联邦学习[M]. 北京: 中国工信出版集团, 电子工业出版社, 2020.

76. 周志华. 集成学习：基础与算法（第2版）[M]. 李楠, 译. 北京: 清华大学出版社, 2019.

77. Richard S. Sutton, and Andrew G. Barto. ReinforcementLearning: An Introduction [M]. The MIT Press, 2018.

78. Amparo Albalate, and Wolfgang Minker. Semi-Supervised andUnsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.

79. Christoph Molnar. Interpretable Machine Learning: A Guide forMaking Black Box Models Expainable [M]. lulu.com, 2020.

80. Judea Pearl. Causality: Models, Reasoning, and Inference(Second Edition) [M]. Cambridge University Press, 2009.

注：本文版权归作者个人所有，如需转载请联系作者，未经授权不得转载。