1、1.深入淺出數(shù)據(jù)分析這書挺簡單的，基本的內(nèi)容都涉及了，說得也比較清楚，最后談到了R是大加分。難易程度：非常易。啤酒與尿布通過案例來說事情，而且是最經(jīng)典的例子。難易程度：非常易。數(shù)據(jù)之美一本介紹性的書籍，每章都解決一個(gè)具體的問題，甚至還有代碼，對(duì)理解數(shù)據(jù)分析的 應(yīng)用領(lǐng)域和做法非常有幫助。難易程度：易。集體智慧編程學(xué)習(xí)數(shù)據(jù)分析、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)人員應(yīng)該仔細(xì)閱讀的第一本書。作者通過實(shí)際例子介紹了機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中的算法，淺顯易懂，還有可執(zhí)行的Python代碼。難易程度：中。Machine Learning in Action用人話把復(fù)雜難懂的機(jī)器學(xué)習(xí)算法解釋清楚了，其中有零星的數(shù)學(xué)公式，但是是以

2、解釋清楚為目的的。而且有Python代碼，大贊！目前中科院的王斌老師（微博：王斌ICTIR）已經(jīng)翻譯這本書了機(jī)器學(xué)習(xí)實(shí)戰(zhàn)（豆瓣）。這本書本身質(zhì)量就很高，王老師的翻譯質(zhì)量也很高。難易程度：中。推薦系統(tǒng)實(shí)踐這本書不用說了，研究推薦系統(tǒng)必須要讀的書，而且是第一本要讀的書。難易程度：中上。數(shù)據(jù)挖掘?qū)д撟罱鼛啄陻?shù)據(jù)挖掘教材中比較好的一本書，被美國諸多大學(xué)的數(shù)據(jù)挖掘課作為教材， 沒有推薦Jiawei Han老師的那本書，因?yàn)閭€(gè)人覺得那本書對(duì)于初學(xué)者來說不太容易 讀懂。難易程度：中上。The Elements of Statistical Learning這本書有對(duì)應(yīng)的中文版：統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ)（豆瓣）。書中配有

3、R包，非常贊！可以參照 著代碼學(xué)習(xí)算法。難易程度：難。統(tǒng)計(jì)學(xué)習(xí)方法李航老師的扛鼎之作，強(qiáng)烈推薦。難易程度：難。Pattern Recognition And Machine Learning經(jīng)典中的經(jīng)典。Machine Learning去年出版的新書，作者Kevin Murrphg教授是機(jī)器學(xué)習(xí)領(lǐng)域中年少有為的代表。這書是他的集大成之作，寫完之后，就去Google 了，產(chǎn)學(xué)研結(jié)合，沒有比這個(gè)更好的 了。Bayesian Reasoning and Machine Learning看名字就知道了，徹徹底底的Bayesian學(xué)派的書，里面的內(nèi)容非常多，有一張圖將 機(jī)器學(xué)習(xí)中設(shè)計(jì)算法的關(guān)系總結(jié)了一下

4、，很棒。Machine Learning for Hackers也是通過實(shí)例講解機(jī)器學(xué)習(xí)算法，用R實(shí)現(xiàn)的，可以一邊學(xué)習(xí)機(jī)器學(xué)習(xí)一邊學(xué)習(xí)R。Probabilistic Graphical Models鴻篇巨制，這書誰要是讀完了告訴我一聲。Convex Optimization凸優(yōu)化中最好的教材，沒有之一了。課程也非常棒，Stephen老師拿著紙一步一步 推到，圖一點(diǎn)一點(diǎn)畫，太棒了。Graphical Models, Exponential Families, and Variational Inference這個(gè)是Jordan老爺子和他的得意門徒Martin J Wainwright在Foundationof Machine Learning Research上的創(chuàng)刊號(hào)，可以免費(fèi)下載，比較難懂，但是一旦讀通了，graphical model的相關(guān)內(nèi)容就可以踏平了。17.Introduction to Semi-Supervised Learning半監(jiān)督學(xué)習(xí)必讀必看的書。18