本文始發於個人公衆號：TechFlow，原創不易，求個關注
最近有很多小夥伴私信我，主要圍繞的問題有兩個，一個問題是想要入門機器學習，應該看什麼書比較好？第二個問題是，有沒有一些福利分享？最近剛好在做整理工作，於是抽了一點時間，把之前看過的電子書都整理了一下，從其中選出了幾本我個人覺得質量比較高的推薦給大家。
這幾本書按照豆瓣評分從高到低排序。
第一本 Python深度學習
這本書和其他基本相比起來名氣要小一些，但是在國外這本書很火。它的作者是大名鼎鼎的Chollet，是Keras框架的作者，被譽爲Keras之父，在業內算是頂級的大牛了。這樣的大牛寫的書，質量可想而知。
我讀這本書是在去年，大概連讀帶實踐一共有了一個多月，我記得很清楚，那一個多月我沒碰PS4，可想而知它的魅力。這本書嚴格說起來屬於深度學習的範疇，幾乎沒有傳統機器學習的內容。也因此它更加聚焦，幾乎把深度學習領域常用的算法和模型都介紹了一遍，也附上了詳細的代碼演示。書裏的代碼演示以及選擇的案例都非常精彩，照着敲就可以獲得很愉悅的體驗。並且全書使用Keras框架實現，整體模型的實現非常爽快，沒有冗餘的代碼， 也沒有反人類的設計。在學完深度學習的同時還能做到keras入門，不得不說是買一送一了。
如果非要說缺點的話也是Keras，這個框架相對沒有TensorFlow和Pytorch那麼流行。所以我學完了之後，幾乎沒有再用過Keras，因此稍稍打了點折扣。但現在TensorFlow2.0將Keras嵌入了其中，學習Keras對於學習TensorFlow2.0也有幫助，所以這也不算太大的問題。
豆瓣評分：9.5
推薦指數：✩✩✩✩✩
第二本 Scikit-learn與TensorFlow機器學習實用指南
這是大名鼎鼎OREILLY出版社的書，這個出版社在業內非常有名，出品的幾乎都是精品。和其他的書面面俱到不同，這本書當中涉及到的模型其實不多，我翻了一下目錄，只有LR、SVM、決策樹、隨機森林、DNN、CNN這幾種。實際上機器學習的核心模型，我們日常當中最經常用到的也就是這麼幾種。書中的每一個模型都講解得很深入，不僅有公式、原理還有代碼演示。實際上我之前的文章當中，也借鑑過書中的演示數據。
這本書的另外一個優點是圍繞機器學習這個概念講解得很透徹，其實機器學習並不像大家所想的那樣只是搭建或者是實現一個模型，然後用起來就完事了。在實際的工業場景當中，機器學習的模型只是一個很小的一部分，算法工程師面對的是從數據到應用再到迴流、迭代的一整個鏈路的事情。很少會有書會涉及模型之外的內容，但是實際上這部分內容是非常重要的。這本書在這點上做得很好，如果你是初學者， 你看完之後，一定對機器學習本身會有更深刻的理解。雖然也許會的模型不多，工具庫的使用也不熟練，但是至少在機器學習這個領域內的認知已經合格了。
有優點自然也有缺點，缺點之一是中文版比較少，我只找到了網友翻譯的開源版本。相對來說排版的質量會差一些，一些字句也不如英文版清晰。另外一個問題是深度學習的部分講得比較淺顯，很多模型不夠深入。
豆瓣評分：9.2
推薦指數：✩✩✩✩✩
第三本 統計學習方法
這本書我接觸也比較早了，早在我大三實習的時候就有大牛將它推薦給了我，我第一章都沒有讀完就放在kindle裏喫灰了。之前一段時間又拿出來重新溫習了一遍，完全顛覆了之前的認知，這本書沒有任何問題，就只是我之前太菜了而已。實際上也的確如此，這本書在業內的地位還是很高的，並且內容的質量非常不錯。
這本書從名字上看似乎和機器學習一點關係也沒有，其實不然，雖然說是統計，但是其中講的都是機器學習的方法。大概是因爲年代太久了的關係，在那個年代還沒有機器學習這個熱門詞出現，這些算法還被歸納到統計的範疇當中。這本書一共兩百多頁，講了十幾個模型，平均二十多頁一個模型，而且每個模型講得都很清楚，基本上所有知識點都講到了，質量也很高。也看得出來，這本書的乾貨非常足，而且很精煉。
但是它的缺點也很明顯，整本書讀起來可讀性不行，非常容易勸退。初學者很難一口氣肝完，因爲太像是課堂筆記或者是講課課件了。並且也沒有代碼相關的演示，純粹的理論，讀完了之後想要實踐會有無從下手的感覺。我個人感覺它更適合查漏補缺當做工具書，方便隨時查閱。
豆瓣評分：9.0
推薦指數：✩✩✩
第四本 西瓜書
這是一本明星書，在業內也是大名鼎鼎，南大著名教授周志華寫的，因爲封面上畫滿了西瓜被稱爲西瓜書。他的人工智能實驗室非常出名，有考研或者保研的同學可以考慮一下。之前總有朋友和我開玩笑說因爲周志華，南大的計算機學院已經快變成人工智能學院了。
周教授盛名在外，寫的書質量自然也是不錯的。這本書一共440+頁，囊括了機器學習十幾個算法，不但講解了算法，對於數據的處理、模型的評估方法以及一些常見的指標也都有覆蓋。對於一些術語或者是專業名詞，書籍的頁腳還提供了註解，書中還提供了詳細的插圖和公式推導，和統計學習方法這本書一樣，乾貨很滿。
說完了優點來聊聊缺點，和《統計》這本書一樣，乾貨太滿可能導致不好消化，尤其是初學者。豆瓣上排名第一的評論就指出這本書作爲自學入門的書是不合適的，實際上我也不是靠這本書入門的。有網友說這本書是周教授平時授課內容的一個集合版，所以可能要配合授課效果更好，僅僅憑着自己閱讀理解上會有些困難。另外，本書當中的一些符號和術語的翻譯不夠嚴謹，我一時也想不起來例子了，如果你讀過國外英文的材料再來看這本書一定會有這樣的感覺。
總結一下，這本書是本好書，但是不太適合初學者自學入門。需要在看書的過程當中查閱很多資料進行查漏補缺。
豆瓣評分：8.6
推薦指數：✩✩✩
第五本 機器學習實戰
這本書知名度也不低，我曾經也在知乎上推薦過。關於這本書的質量其實網上存在一定的爭議，我個人讀過兩遍，第一次讀的時候是在幾年前入門的時候。那時候讀的時候驚爲天人，因爲書裏的每一個模型都有詳細的代碼實現，照着敲一遍就可以在本地跑起來。並且對於一些模型的講解也算是細緻，比如SVM，除了嚴謹的公式推導之外，還有SMO算法的實現。從這點上來說對於初學者非常友好。
但是今年我第二次讀到這本書的時候，一些看法發生了改變，最大的感覺就是這本書裏的代碼寫得實在是太爛了。還不是一點半點爛，是非常爛。總有一些莫名其妙的縮寫，一些代碼看起來也不夠精簡，很明顯還有更優雅的寫法，以及面向對象部分幾乎沒有，作者是把它當成面向過程寫的。另外一個很大的問題是，書中的一些內容有些過時了，關於一些模型的講解也不夠深入，比如決策樹，只是淺嘗輒止。關於熱門的sklearn庫的使用也沒有提及，讀者學完了之後還需要自己去找api。
hhhhh說了這麼多，感覺黑比誇多得多。我原本也是不想把這本書放上來的，但是後來看到豆瓣當中關於這本書評論第一條就是：一個合格的讀者，應該明白自己需要什麼。我想了一下，覺得很有道理，對於頭腦清楚，知道自己要什麼的讀者來說，這本書其實還是很不錯的。如果你只是想要速成，走一條捷徑，用兩三天變成一個“會用”機器學習模型的人，那麼它顯然不適合你，如果你想要多深入一點，知道這些模型背後的代碼實現是怎樣的，那麼也許你會看得很開心（忽略代碼質量的話）。
豆瓣評分：8.1
推薦指數：✩✩✩✩
總結
我們做個簡單的總結，上面這五本書，我個人推薦的閱讀順序是scikit-learn和TensorFlow使用指南 -> 機器學習實戰 -> Python深度學習 -> 統計學習方法 -> 西瓜書。當然你也可以反過來讀，從難到易，體會一把從地獄到天堂的感覺【大霧】。
我個人覺得如果你可以把這幾本書啃完，當中的代碼親自動手實驗一次，我覺得入門機器學習對你來說一定不是問題。如果你還有更好的書或者是資料，也可以在後臺或者是留言當中分享給我。
最後，在公衆號後臺回覆機器學習入門，我把這些書的開源資料分享給你。
如果喜歡本文，可以的話，請點個關注，給我一點鼓勵，也方便獲取更多文章。
