人工智慧入門書單推薦,學習AI的請收藏好(附PDF下載)
09-03
人工智慧入門書單推薦,學習AI的請收藏好(附PDF下載)
另一本經典著作是 Trevor Hastie 等人所著的 Elements of Statistical Learning,於 2016 年出版了第二版。這本書沒有中譯,只有影印本。高手的書都不會用大量複雜的數學公式來嚇唬人(專於演算法推導的書除外),這一本也不例外。它強調的是各種學習方法的內涵和外延,相比於具體的推演,通過方法的來龍去脈來理解其應用場景和發展方向恐怕更加重要。Learning OpenCV的作者是Gary Bradski和Adrian Kaehler,兩位都是OpenCV庫的發起人。其中,Bradski是斯坦福大學人工智慧實驗室的顧問教授;Kaehler在2014-2016年間做過Magic Leap副總裁。
Natural Language Processing with Python的作者是Steven Bird、Ewan Klein和Edward Loper,三人分別是墨爾本大學軟體工程系副教授、愛丁堡大學語言技術教授和賓夕法尼亞大學博士。本書基於自然語言工具包NLTK庫,不要求讀者有Python編程的經驗。內容按照難易程度順序編排,先介紹了語言處理的基礎,講述如何使用小的Python程序分析感興趣的文本信息;接著討論了結構化程序設計,以鞏固前面幾章中介紹的編程要點;然後介紹了語言處理的基本原理,包括標註、分類和信息提取等;進而再介紹了句子解析、句法結構識別和句意表達方法和如何有效管理語言數據。後記部分簡要討論了NLP領域的過去和未來。綜合評價,本書是自然語言處理領域的一本實用入門指南。
數學篇>>>>1、線性代數推薦兩本國外的教材。其一是 Gilbert Strang 所著的 Introduction to Linear Algebra,英文版在 2016 年出到第五版,暫無中譯本。這本通過直觀形象的概念性解釋闡述抽象的基本概念,同時輔以大量線性代數在各領域內的實際應用,對學習者非常友好。作者在麻省理工學院的 OCW 上開設了相應的視頻課程,還配有習題解答、模擬試題等一系列電子資源。其二是 David C Lay 所著的 Linear Algebra and its Applications,英文版在 2015 年同樣出到第五版,中譯本名為《線性代數及其應用》,對應原書第四版。這本書通過向量和線性方程組這些基本概念深入淺出地介紹線代中的基本概念,著重公式背後的代數意義和幾何意義,同樣配有大量應用實例,對理解基本概念幫助很大。
>>>>2、概率論基礎讀物可以選擇 Sheldon M Ross 所著的 A First Course in Probability,英文版在 2013 年出到第九版(18 年馬上要出第十版),中譯本名為《概率論基礎教程》,對應原書第九版,也有英文影印本。這本書拋開測度,從中心極限定理的角度討論概率問題,對概念的解釋更加通俗,書中還包含海量緊密聯繫生活的應用實例與例題習題。
另一本艱深的讀物是 Edwin Thompson Jaynes 所著的 Probability Theory: The Logic of Science,本書暫無中譯本,影印本名為《概率論沉思錄》也已絕版。這本書是作者的遺著,花費半個世紀的時間完成,從名字就可以看出是一部神書。作者從邏輯的角度探討了基於頻率的概率,貝葉斯概率和統計推斷,將概率論這門偏經驗的學科納入數理邏輯的框架之下。如果讀這本書,千萬要做好燒腦的準備。>>>>3、數理統計基礎讀物可以選擇陳希孺院士所著的《數理統計學教程》。關於統計學是不是科學的問題依然莫衷一是,但它在機器學習中的重要作用毋庸置疑。陳老的書重在論述統計的概念和思想,力圖傳授利用統計觀點去觀察和分析事物的能力,這是非常難能可貴的。
>>>>5、資訊理論推薦 Thomas Cover 和 Jay A Thomas 合著的 Elements of Information Theory,2006 年出到第二版,中譯本為《資訊理論基礎》。這本書兼顧廣度和深度,雖然不是大部頭卻乾貨滿滿,講清了資訊理論中各個基本概念的物理內涵,但要順暢閱讀需要一定的數學基礎。另外,本書偏重於資訊理論在通信中的應用。如果你對 AI 感興趣,或考慮轉型 AI 領域。這個專欄,正是你需要的。專欄共有四大章節,18講:
推薦閱讀:
來自專欄 FMI飛馬網5 人贊了文章
人工智慧書單推薦,隨文附送 PDF ,在公眾號菜單欄回複數字「26」查看獲取方式~機器學習篇在機器學習上,首先要推薦的是兩部國內作者的著作:李航博士所著的《統計學習方法》和周志華教授的《機器學習》。
《統計學習方法》採用「總 - 分 - 總」的結構,在梳理了統計學習的基本概念後,系統而全面地介紹了統計學習中的 10 種主要方法,最後對這些演算法做了總結與比較。這本書以數學公式為主,介紹每種方法時都給出了詳盡的數學推導,幾乎不含任何廢話,因而對讀者的數學背景也提出了較高的要求。相比之下,《機器學習》覆蓋的範圍更廣,具有更強的導論性質,有助於了解機器學習的全景。書中涵蓋了機器學習中幾乎所有演算法類別的基本思想、適用範圍、優缺點與主要實現方式,並穿插了大量通俗易懂的實例。如果說《統計學習方法》勝在深度,那麼《機器學習》就勝在廣度。在具備廣度的前提下,可以根據《機器學習》中提供的豐富參考文獻繼續深挖。讀完以上兩本書,就可以閱讀一些經典著作了。經典著作首推 Tom Mitchell 所著的 Machine Learning,中譯本名為《機器學習》。本書成書於 1997 年,雖然難以覆蓋機器學習中的最新進展,但對於基本理論和核心演算法的論述依然鞭辟入裡,畢竟經典理論經得起時間的考驗。這本書的側重點也在於廣度,並不涉及大量複雜的數學推導,是比較理想的入門書籍。作者曾在自己的主頁上說本書要出新版,並補充了一些章節的內容,也許近兩年可以期待新版本的出現。本書適合對計算機視覺和圖像處理有基本了解的人群,通過本書能更好地了解OpenCV如何讓編程任務更容易。
兩位作者將眾所周知的演算法編碼成可調用的函數庫,可以用來完成更複雜的任務。當然,這也作為一本用戶手冊,目錄結構清晰,遇到問題時可進行查閱。這本書的中譯本叫《學習OpenCV》,連封面都沒怎麼改……壓軸登場的非 Christopher Bishop 所著的 Pattern Recognition and Machine Learning 莫屬了。本書出版於 2007 年,沒有中譯本,也許原因在於將這樣一本煌煌巨著翻譯出來不知要花費多少挑燈夜戰的夜晚。這本書的特點在於將機器學習看成一個整體,不管於基於頻率的方法還是貝葉斯方法,不管是回歸模型還是分類模型,都只是一個問題的不同側面。作者能夠開啟上帝視角,將機器學習的林林總總都納入一張巨網之中,遺憾的是,大多數讀者跟不上他高屋建瓴的思路(也包括我自己)。 David J C MacKay 所著的 Information Theory, Inference and Learning Algorithms,成書於 2003 年,中譯本名為《資訊理論,推理與學習演算法》。本書作者是一位全才型的科學家,這本書也並非機器學習的專著,而是將多個相關學科熔於一爐,內容涉獵相當廣泛。相比於前面板著臉的教科書,閱讀本書的感覺就像在和作者聊天,他會在談笑間拋出各種各樣的問題讓你思考。廣泛的主題使本書的閱讀體驗並不輕鬆,但可以作為擴展視野的一個調節。進階閱讀可以選擇 Roger Casella 所著的 Statistical Inference,由於作者已於 2012 年辭世,2001 年的第二版便成為絕唱。中譯本名為《統計推斷》,亦有影印本。本書包含部分概率論的內容,循循善誘地介紹了統計推斷、參數估計、方差回歸等統計學中的基本問題。
>>>>4、最優化理論可以參考 Stephen Boyd 所著的 Convex Optimization,中譯本名為《凸優化》。這本書雖然塊頭嚇人,但可讀性並不差,主要針對實際應用而非理論證明,很多機器學習中廣泛使用的方法都能在這裡找到源頭。- 章節一:人工智慧、機器學習和深度學習
- 章節二:行業分析和入行途徑
- 章節三:崗位解析與學習之路
- 章節四:突破自我,叩響人工智慧行業之門
推薦閱讀:
※Ian Goodfellow暢談,離散的失敗與連續的失敗
※如何使用DeepFake實現視頻換臉
※人工智慧:夠聰明之前,還需善約束
※老公,你知道蒜蓉西蘭花怎麼做嗎?
※人工智慧的泡沫和機會