原文：5 free e-books for machine learning mastery?
作者：Serdar Yegulalp?翻譯：賴信濤?責(zé)編：仲培藝
計算機中有一些領(lǐng)域非常令人著迷，或令人畏懼，機器學(xué)習(xí)就是這樣。精通機器學(xué)習(xí)并非一朝之事，至少，你需要花一些時間掌握必備的數(shù)學(xué)知識。
也就是說，如果你數(shù)學(xué)很好，那么就會更加理解機器學(xué)習(xí)框架背后的原理，使用起來也會得心應(yīng)手。
下面介紹5本高質(zhì)量的、免費閱讀的電子書，主要是對機器學(xué)習(xí)的介紹和解釋。其中有一些有代碼示例，但是一般都是專注于公式和理論的，這些原理可以應(yīng)用到各種語言、框架和問題。
A Course in Machine Learning
要點：為初學(xué)者準(zhǔn)備的初涉機器學(xué)習(xí)的高質(zhì)量文檔。此書仍在撰寫中——有一些章節(jié)依然標(biāo)記著TODO——但是其高可讀性完全可以彌補這部分不足。
目標(biāo)讀者：任何掌握微積分、概率論和線性代數(shù)的人都可以閱讀此書，不需要有任何編程語言專長。
代碼內(nèi)容：有一些偽代碼，不過此書大部分用來展示的東西還是原理和公式。
The Elements of Statistical Learning
要點：超過500頁的文本，據(jù)作者稱，具體陳述了如何“從數(shù)據(jù)中學(xué)習(xí)”，對機器學(xué)習(xí)崗位需求的急劇升高顯示了這個領(lǐng)域的熱門程度。此書自2001年已經(jīng)出版過兩個版本并印刷了10次，此書還有一大好處：跨度很大，不局限于一個領(lǐng)域。
目標(biāo)讀者：統(tǒng)計學(xué)和數(shù)學(xué)基礎(chǔ)較好的、不需要將自己的數(shù)學(xué)形式轉(zhuǎn)換成代碼的人。
代碼內(nèi)容：沒有。這并不是一本軟件開發(fā)的書，而是關(guān)于機器學(xué)習(xí)的理論基礎(chǔ)。
Bayesian Reasoning and Machine Learning
要點內(nèi)容：?Bayesian（貝葉斯）方法是所有有關(guān)模式識別和垃圾過濾的基礎(chǔ)，所以逐漸形成了一個特殊的領(lǐng)域。此書涵蓋Bayesian統(tǒng)計的各個主要方面，闡述了它是如何應(yīng)用的。
目標(biāo)讀者：任何有微積分、概率論和線性代數(shù)基礎(chǔ)的人。
代碼內(nèi)容：很多！每一個章節(jié)都有偽代碼和工具的鏈接，以及一些demo。而且，代碼并不是Python或R語言的，而是商業(yè)MATLAB環(huán)境，GNU Octave也可以作為一個開源的替代品。
Gaussian Processes for Machine Learning
重點內(nèi)容：高斯處理也是貝葉斯方法的一部分。本書集中討論如何在一般機器學(xué)習(xí)方法中使用高斯原理，例如分類、回歸和模型訓(xùn)練等。
目標(biāo)讀者：大致和Bayesian Reasoning and Machine Learning差不多。
代碼內(nèi)容：書中使用的代碼大多是偽代碼，但是和ayesian Reasoning and Machine Learning一樣，有些MATLAB/Octave代碼。
Machine Learning
重點內(nèi)容：一個論文集，包括很多不同方面、內(nèi)容深奧的機器學(xué)習(xí)知識。其中一些比較抽象，另一些專注于特定的問題，比如“模擬對話的機器學(xué)習(xí)方法”等。
目標(biāo)讀者：想要在這方面深入學(xué)習(xí)的人。
代碼內(nèi)容：有一些公式，沒有代碼。
