|
原创ROOOOOOM 最后发布于2019-07-29 13:51:46 阅读数 866 收藏 《The Quest for Artificial Intelligence》 这本书回顾了人工智能的历史 《The Cambridge Handbook of Artificial Intelligence》 适合非专业人士拓展视野 《Machine Learning》Tom M. Mitchell 侧重于广度，并不涉及大量复杂的数学推导，适合入门 《Elements of Statistical Learning》Trevor Hastie 讲解各种学习方法的内涵和外延，相比于具体的推演，通过来龙去脉的讲解而不是用吓人的数学推导公式来理解其应用场景和发展方向。 《Pattern Recognition and Machine Learning》 作者以上帝视角将机器学习看成一个整体，不管于基于频率的方法还是贝叶斯方法，不管是回归模型还是分类模型，都只是一个问题的不同侧面。 《Deep Learning》 持续更新的在线书即，深入地涵盖了广泛的主题 《Information Theory, Inference and Learning Algorithms 中译本《信息论，推理与学习算法》 将多个相关学科熔于一炉，内容涉猎相当广泛。阅读本书的感觉就像在和作者聊天,适合专业人士进阶与知识面的拓展 《Neural Networks and Deep Learning》 神经网络与深度学习背后的核心概念 李航博士《统计学习方法》 比较有深度 南大周志华《机器学习》 有广度,包含了机器学习的方方面面,而且一些细节上的阐述对工业界很有借鉴性 ———————————————— 版权声明：本文为CSDN博主「ROOOOOOM」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_41228218/java/article/details/97637344 |
|
|
