[雪峰磁針石部落格]2018最佳機器學習工具書及下載(持續更新)
Solutions Review審查了許多機器學習書籍，根據相關性，流行度，評分，釋出日期以及增加業務價值的能力，精心挑選了頂級機器學習書籍。 列出的每本書至少有15個亞馬遜使用者評論，評分為4.0或更高。
您將在下面找到該領域公認的領導者，專家和技術專業人員的圖書庫。 從資料科學到神經網路，這些出版物甚至可以提供最終端的資料和分析專業人員。
本文會持續更新，有些書籍可能因為版權原因不會對外發布，但是都在討論qq群144081101 591302926 567351477留有備份。個人建議優先考慮github星級1000以上的書。
Deep Learning with Python François Chollet - 2018.pdf
- 原始碼 github星級 5000左右
- 頁數：386
Deep Learning with Python使用Python語言和強大的Keras庫引入深度學習。 本書由Keras作者，Google AI研究員FrançoisChollet撰寫，通過直觀的解釋和實際例子幫助您的理解，涉及計算機視覺，自然語言處理和生成模型。
Hands-On Machine Learning with Scikit-Learn and TensorFlow - 2017.pdf
通過使用具體的例子，最小的理論和兩個可用於生產的Python框架 - scikit-learn和TensorFlow，作者AurélienGéron幫助您直觀地理解構建智慧系統的概念和工具。 您將學習一系列技術，從簡單的線性迴歸開始，逐步深入到神經網路。 通過每一章的練習來幫助您應用所學的知識，有程式設計經驗就能上手。
- 原始碼地址 github星級 10000左右
- 頁數： 564
Machine Learning For Absolute Beginners, 2nd Edition-Oliver Theobald(2017).pdf
Machine Learning for Absolute Beginners Second Edition為完全初學者編寫和設計的。簡單的英語解釋，無需編碼經驗。 在引入核心演算法的地方，添加了清晰的解釋和視覺化示例，以便在家中輕鬆實現。新版本包含了第一版中未涉及的許多主題，包括交叉驗證，資料清理和集合建模。
- 原始碼地址：後期找到補上github星級
- 頁數： 128
深度學習(deep learning) - 2017.pdf
提供了數學和概念背景，涵蓋了線性代數，概率論和資訊理論，數值計算和機器學習中的相關概念。 它描述了工業從業者使用的深度學習技術，包括深度前饋網路，正則化，優化演算法，卷積網路，序列建模和實用方法; 分析了自然語言處理，語音識別，計算機視覺和線上推薦系統等應用。
- 原始碼地址：暫無 github星級 20000左右
- 頁數： 738 中文書 本書沒有英文電子版本，但是有中文的
Python機器學習基礎教程
Introduction to Machine Learning with Python - 2017.pdf
如果您使用Python，即使是初學者，本書也將用務實的方法教您構建自己的機器學習解決方案。 您將學習使用Python和scikit-learn庫建立成功的機器學習。 作者AndreasMüller和Sarah Guido專注於使用機器學習演算法的應用，而不是背後的數學。 熟悉NumPy和matplotlib庫將幫助您從本書中獲得更多資訊。
- 原始碼 github星級 3000左右
- 頁數： 392 另有中文電子版本 因為版權已經在CSDN等網站下架，可以在qq群144081101等找到。
使用TensorFlow進行機器學習
Machine Learning with TensorFlow - 2017.pdf
使用TensorFlow進行機器學習為讀者提供了機器學習概念的堅實基礎，以及使用Python編寫TensorFlow的實踐經驗。 您將通過使用經典預測，分類和聚類演算法來學習基礎知識。 然後，您將進入金錢章節：探索深度學習概念，如自動編碼器，迴圈神經網路和強化學習。 摘要本書，您將準備好使用TensorFlow進行自己的機器學習和深度學習應用。“
- 原始碼 github星級 4000左右
- 頁數： 244
Deep Learning with Keras - 2017.pdf
本書首先介紹了監督學習演算法，如簡單線性迴歸，經典多層感知器和更復雜的深度卷積網路。您還將探索影象處理，識別手寫數字影象，將影象分類為不同類別，以及使用相關影象註釋進行高階物件識別。還提供了用於面部檢測的突出點的識別的示例。接下來，您將瞭解Recurrent Networks，它針對處理序列資料（如文字，音訊或時間序列）進行了優化。接下來，您將學習無監督學習演算法，如自動編碼器和非常流行的生成對抗網路（GAN）。您還將探索神經網路的非傳統用途的樣式轉移。
最後，您將瞭解強化學習及其在人工智慧遊戲中的應用，這是神經網路研究和應用的另一個流行方向。
- 原始碼 github星級 500左右
- 頁數： 310
Machine Learning: The Ultimite Beginners Guide For Neural Networks, Algorithms, Random Forests and Decision Trees Made Simple
當今世界機器學習的用途是巨大的，並且不斷擴大。 該技術有望徹底改變人們每天與機器互動的方式。 瞭解這些程式和流程的功能如何幫助您瞭解這項新技術。 如果您不熟悉機器學習，您會驚訝地發現除了語音識別等廣為人知的方面之外，還可以使用多種方式。 這本書可以成為你邁向更大世界的第一步。
Advances in Financial Machine Learning - 2018.pdf
讀者將學習如何以適合ML演算法的方式構建大資料; 如何利用ML演算法對該資料進行研究; 如何使用超級計算方法; 如何測試發現問題，同時避免誤報。 本書解決了從業者每天面臨的現實問題，並通過程式碼和示例支援使用數學解釋科學合理的解決方案。 讀者可以在特定環境中測試建議的解決方案。
- 頁數： 393
TensorFlow學習指南:深度學習系統構建詳解
本書主要介紹如何使用 TensorFlow 框架進行深度學習系統的構建。從基礎知識入手，將使用TensorFlow 的各種方式貫穿於整本書的講解之中，並結合實際的深度學習任務展示終深度學習系統的效果。本書涉及卷積神經網路、迴圈神經網路等核心的技術，並介紹了用於影象資料和文字序列資料的模型。在後半部分，本書介紹了更加高階的使用 TensorFlow 的技巧，並給出了分散式深度學習系統在TensorFlow 下的構建過程以及如何將訓練後的模型匯出和部署的方法。通過學習本書，你將能夠使用 TensorFlow 完成從簡單到高階應用系統構建的技術。 本書適合計算機相關專業的學生、軟體工程師、深度學習開發者、架構師、CTO 等技術人員閱讀
- 原始碼 github星級 200左右
- 頁數：242
Learning TensorFlow - 2017.pdf
The Elements of Statistical Learning 2nd - 2015.pdf
本書在共同的概念框架中描述了醫學，生物學，金融學和市場營銷等各個領域的重要思想。 重點是概念而不是數學。 通過自由使用彩色圖形給出了許多例子。 新版本新增圖形模型，隨機森林，集合方法，套索的最小角度迴歸和路徑演算法，非負矩陣因子分解和譜聚類等。
- 頁數：758
Python Machine Learning(2nd) - 2017.pdf
本書提供了建立和促進機器學習所需的實用知識和技術， 深度學習和現代資料分析。
- 原始碼 github星級 200左右
- 頁數：850
Fundamentals of Machine Learning for Predictive Data Analytics - 2015.pdf
這本入門教材提供了對預測資料分析中最重要的機器學習方法的詳細和集中處理，涵蓋了理論概念和實際應用。 本書通過作者多年的機器學習教學和預測資料分析專案的研究，適合電腦科學，工程，數學或統計學的本科生使用; 應用於預測資料分析的學科研究生; 並作為專業人士的參考。
- 頁數：599
Make Your Own Neural Network - 2016.pdf
Make Your Own Neural Network - 2016.pdf
本書首先從簡單的思路著手，詳細介紹了理解神經網路如何工作所必須的基礎知識。第一部分介紹基本的思路，包括神經網路底層的數學知識，第2部分是實踐，介紹了學習Python程式設計的流行和輕鬆的方法，從而逐漸使用該語言構建神經網路，以能夠識別人類手寫的字母，特別是讓其像專家所開發的網路那樣地工作。第3部分是擴充套件，介紹如何將神經網路的效能提升到工業應用的層級，甚至讓其在Raspberry Pi上工作。
- 原始碼 github星級 900左右
- 頁數：222
###OReilly Thoughtful Machine Learning with Python A Test-Driven Approach - 2017.pdf
通過教您如何使用測試驅動的方法對機器學習演算法進行編碼，這本實用的書籍可以幫助您獲得在商業環境中有效使用機器學習所需的信心。 您將學習如何使用各種測試在粒度級別剖析演算法，並發現用於測試機器學習程式碼的框架。 作者提供了真實的示例來演示有效使用機器學習程式碼的結果。基於sklearn。
- 原始碼 github星級 200多
- 頁數：216
Python機器學習實踐-測試驅動的開發方法 - 2018.pdf
深度學習基礎
《深度學習基礎(影印版)(英文)》內容簡介：Google、微軟和Facebook等公司正在積極發展內部的深度學習團隊。對於我們而言，深度學習仍然是一門非常複雜和難以掌握的課題。如果你熟悉Python，並且具有微積分背景，以及對於機器學習的基本理解，《深度學習基礎(影印版)(英文)》將幫助你開啟深度學習之旅
Fundamentals of Deep Learning - 2017.pdf
- 原始碼 github星級 500左右
- 頁數：298
TensorFlow for Deep Learning - 2018.pdf
通過TensorFlow學習如何解決具有挑戰性的機器學習問題，TensorFlow是Google革命性的深度學習新軟體庫。 如果你有基本線性代數和微積分的背景知識，這本實用的書介紹瞭如何設計能夠檢測影象中的物件，理解文字，分析視訊和預測潛在藥物特性的系統的機器學習基礎知識。
TensorFlow for Deep Learning通過實際示例教授概念，並幫助您從頭開始構建深度學習基礎知識。 它非常適合具有設計軟體系統經驗的開發人員，對熟悉指令碼的科學家和其他專業人員非常有用，但不一定非常適合設計學習演算法。
- 原始碼 github星級 200左右
- 頁數：301
Deep Learning for Beginners Concepts, Techniques and Tools - 2017.pdf
Neural Networks and Deep Learning.pdf
一本通俗解釋深度學習的書，簡單地說，你的奶奶都可以在本書的幫助下理解深度學習！
神經網路和深度學習：讓你逐步瞭解神經網路和深度學習的基礎知識，對於那些想要了解這個主題但不一定想深入瞭解所有數學背景的人來說，這本書是一本很棒的書。
因此，在簡要介紹機器學習之後，你將學習有監督學習和無監督的學習，然後研究諸如神經元、啟用函式和不同型別的網路體系結構等。
最後，你將學習深度學習的實際工作原理，深度神經網路的主要型別（包括卷積神經網路），如何給神經網路提供記憶，還討論了可用的各種框架和庫。
Python機器學習經典例項
Python Machine Learning Cookbook(2016).pdf
在如今這個處處以資料驅動的世界中，機器學習正變得越來越大眾化。它已經被廣泛地應用於不同領域，如搜尋引擎、機器人、無人駕駛汽車等。本書首先通過實用的案例介紹機器學習的基礎知識，然後介紹一些稍微複雜的機器學習演算法，例如支援向量機、極-端隨機森林、隱馬爾可夫模型、條件隨機場、深度神經網路，等等。 本書是為想用機器學習演算法開發應用程式的Python 程式設計師準備的。它適合Python 初學者閱讀，不過熟悉Python 程式設計方法對體驗示例程式碼大有裨益
- 原始碼 github星級 200左右
- 頁數：295
| Python Machine Learning(2nd) - 2017.pdf
- 原始碼 github星級 100多
- 頁數：850
參考資料
- 討論qq群144081101 591302926 567351477 釘釘免費群21745728
- 本文相關書籍下載 Top 25 Best Machine Learning Books You Should Read