学习机器学习应该看哪些书籍？ 第1页

这篇文章首发自我的公众号【是不是很酷】中：

同时，这篇文章的内容已经放在 github 上做长期的资源更新维护。欢迎大家提 issue 推荐更多相关资源，也欢迎来 star 啊！：）

在这篇文章中，我将结合大量的书籍或者公开课信息（以斯坦福大学的公开课为主），聊一聊：如果系统地学习人工智能，都需要接触什么课程。

为了让内容整体更有体系，我将所有的内容分成四个阶段。每个阶段可以简单理解成对应大学的一个学年。也就是如果大家假想自己现在高中毕业的话，根据这篇文章提供的“学习地图”，使用四年的时间，就可以在人工智能的深度和广度上都有相当地理解和掌握了。

对，你没有看错，是四年的时间。相当于读一个本科的时间。

所以，这不是一份广告。因为所有培训广告只会告诉你四个月就够；但所有人都明白四个月是不够的。如果四个月就可以掌握人工智能，人工智能也太简单了，它也就不值钱了。

对于这份学习路径，大家也可以划分为两部分。前两年是第一部分；后两年是第二部分。

对于计算机科班的同学来说，可以直接学习后两年的内容，切入人工智能领域；

而如果把前两年的内容切实学扎实了，再辅以其他专业课学习，基本可以轻松转向计算机科学的任何方向。

当然，由于每个人基础不同，所以对于这份比较全面的学习路径，有些同学可能已经掌握了相当的内容，那么就可以跳过一些内容，加快速度了。

以下为正文：

第一年：语言基础 + 数学

首先，人工智能作为计算机科学的一个分支，是需要编程的。想要编程，大家必须学习计算机语言基础。

1. Python

对于计算机语言的选择，毋庸置疑，人工智能方向毋庸置疑是需要学习 Python 语言的。关于 Python 语言语法基础的学习，我就不具体推荐资源了。网上收费的免费的各种资源太多了。但如果一定要推荐的话，仅凭个人偏好，入门推荐这本书：

这本书有中文版。但我目测还是第一版：

相较而言，国外最新版已经是第二版了。国外亚马逊链接：https://www.amazon.com/Python-Crash-Course-2nd-Edition/dp/1593279280/ref=sr_1_1?crid=2UQKDUERI787R&dchild=1&keywords=python+crash+course&qid=1592815039&sprefix=python+crash%2Caps%2C201&sr=8-1

另外，在掌握了 Python 基础语法以后，对于 Python 的应用，有一本经典的书籍，近乎是必看的。我在我的公众号《开源分享第三期》中分享过，就是这本：

Orelly 的另一本 Python 书也值得推荐：Introducing Python。我的读者在我的公众号下留言：这本书进度更快，并且覆盖decorator(装饰器)、property等python中等水平特性。

这本书已经引入到国内：

4. 微积分

除了语言基础，另外一个学习人工智能需要打好的基础，就是数学。

整体，人工智能需要学习的数学基础，和一般工科需要学习的数学没有什么太大的区别：微积分，线性代数和概率论。（还有一些高级的数学内容，后续会提及）

对于微积分，最流行的课本应该就是《托马斯微积分》。

对于线性代数，市面上的好教材太多。我在我的公众号文章《学习乘法不能帮助我们理解质能方程》和《开源分享第九期》两篇文章中，总共分享了三个线性代数课本。

一本叫《Introduction to Linear Algebra》，最新版是第五版。

2020 年更新的视频内容在这里：

另一本叫《Linear Algebra and Its Applications》，最新版是第五版。有中文版，叫《线性代数及其应用》。听名字，这本书似乎更强调应用，但其实 Gilbert 老爷子的书也有专门一章讲应用。

这本书的中文版如下：

第二年：计算机基础

如果想成为一名人工智能工程师，计算机领域的基础必须打好。但与此同时，我认为专注于人工智能方向，一些特别低层的内容，比如组成原理，或者数字逻辑，甚至是编译原理等等，并不需要专门学习。所以下面的推荐，并不包含这些内容。

下面是我认为人工智能方向应该重视的计算机基础知识，应该在第二年掌握。

1. 算法和数据结构

算法和数据结构的重要性不想多说了。就算你不理解他们实际上有什么用，只要明白，想当工程师，面试必考算法和数据结构就好了。

当然，如果你认真学习这篇文章推荐的后续课程内容，近乎一定会体会到算法和数据结构的巨大意义。

关于资源，推荐两个，都是书籍。

首先，就是大名鼎鼎的《算法4》。

中文版购买链接如下：

中文版叫《操作系统导论》：

关于操作系统，进一步引申至计算机原理层面，比如组成原理等相关内容，虽然上面我说，个人认为专门学习人工智能并不需要专门掌握，但是如果感兴趣的同学，还是有一门很经典的书推荐一读的，就是大名鼎鼎的 CSAPP：Computer Systems: A Programmer's Perspective。

这本书国内已经引进：

当然了，关于数据库，如果追求的并不仅仅是使用 SQL 的话，我推荐学习斯坦福大学的课程 CS145：Data Management and Data Systems。

传送门：

这门课程有一个后续课程，即斯坦福大学的课程 CS245：Principles of Data-Intensive Systems。

传送门：

如果想接触数据库的实践，强烈推荐斯坦福大学的 CS346: Database System Implementation。翻译过来就是数据库系统实现。这门课程带你从底层实现一个数据库！

传送门：

同时，中国大学MOOC平台的两门课程，也值得推荐。分别是 数据库系统（上）：模型与语言 和 数据库系统（下）：管理与技术。

传送门：

4. 并行计算基础

我上学的年代，并行计算还不是计算机专业必学的内容。但现在，并行计算已经无处不在了。时代发展太快了，计算机专业的同学已经必学并行计算了。

关于在线课程，我推荐斯坦福大学的课程 CS149：PARALLEL COMPUTING

传送门：

分布式系统相关的书籍，有一本非常著名。也有中文版，叫《数据密集型应用系统设计》

5. 人工智能基础

作为一个人工智能专业的学习路径，终于出现人工智能啦！

在这里，我首先推荐大家整体性地了解人工智能这个领域。

什么叫整体地了解？因为现在说到人工智能，很多同学就会直接想到机器学习或者深度学习。但其实，机器学习和深度学习只是人工智能的一个子领域而已。

与此同时，有很多同学都问过我，想了解诸如 A* 算法，遗传算法，模拟退火，蚁群算法等等这类的算法，应该看什么？其实，这类算法都是人工智能算法，只不过在现阶段，相比机器学习的算法，这些算法的成绩不够“耀眼”。

但是，如果深入了解人工智能，我认为这些算法也是需要学习的。要知道，神经网络其实在十几年前，也是人工智能领域不够“耀眼”的思想之一，静静地躺在角落里，直到最近有了巨大的突破，风靡于世。谁知道再过十年，哪种思想会突然有所突破，爆发起来呢？

关于整体性地了解人工智能，最经典的教材，就是这本了：

或者，EdX 上有一门课程，我学过，是以这本书为纲的，我觉得挺不错的。可以免费试听。

传送门：

第三年：机器学习

现在，是时候深入学习当下人工智能领域最主流的方法：机器学习和深度学习了。

1. 机器学习 + 深度学习

机器学习领域最著名的课程，就是斯坦福大学的 CS229 了。Andrew Ng 在 Coursera 上大名鼎鼎的《机器学习》课程，就是这门 CS 229 的简化。

斯坦福大学的 CS 229，比 Coursera 上的课程更加深入，内容也更丰富。不过现在，已经不是 Andrew Ng 讲了。

传送门：

当然，说到了 Andrew Ng，就要说说他在 Coursera 上的一系列课程，在这个阶段都可以看一看。

最著名的当属 Machine Learning。这名课程的 logo 使用的这个小机器人，都快成机器学习领域的吉祥物了。

传送门：

Andrew Ng 后来创办了 deeplearning.ai 后，在 Coursera 上开设了一个深度学习的系列课程，也值得学习。 （虽然使用的 tf 版本有点儿老。）

传送门：

对于书籍，我推荐《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems》

这本书国内有引进，但是国内引进的是第一版，现在国外最新版本已经是第二版了。

4. 概率图模型

概率图模型也是深入理解很多人工智能方法的利器，在图像识别，自然语言处理领域都有非常多的应用。我研究生时期的毕业课题，是做虚拟动作识别，也需要使用概率图模型。

关于概率图模型，斯坦福大学有一门非常经典的课程 CS 228: Probabilistic Graphical Models

传送门：

在 Coursera 上也有一个概率图模型的系列课程，是斯坦福的这门课程的简化版本。

传送门：

5. 数据挖掘

数据挖掘主要是对大规模数据进行处理的。在数据的聚类分析，大规模的监督学习，包括推荐系统等领域，都有广泛应用。

对于数据挖掘，推荐斯坦福大学的 CS246: Mining Massive Data Sets。

传送门：

第四年：专有领域学习

机器学习方法是领域相关的。在不同的领域，有很多专有的方法，包括专门的研究对象，需要进一步学习。

学到这里，相信大家已经有了相当的基础，可以挑选自己喜欢的方向，去做专门的学习了。

1. 卷积神经网络和计算机视觉

计算机视觉近乎是现在人工智能被应用最广泛的领域了，从人脸识别到 OCR，从无人驾驶到各种工业机器人的智能系统。

对于人工智能在视觉领域的应用，最著名的课程，应该就是华人科学家李飞飞在斯坦福大学的课程了。CS231n Convolutional Neural Networks for Visual Recognition。

传送门：

2. 自然语言处理

当下人工智能另外一个应用非常广泛的应用领域，就是自然语言处理了。

这方面的经典课程，我推荐斯坦福大学的 CS224n: Natural Language Processing with Deep Learning。

传送门：http://web.stanford.edu/class/cs224n/

3. 机器学习在金融领域的应用

人工智能在金融领域的应用也是一个重要的趋势。但是通常，在计算机专业中，不是被特别强调。毕竟大多数计算机专业的学生还是要去 IT 大厂，而不是华尔街。

但是因为有很多同学对人工智能在金融领域的应用感兴趣，在这里也提一句。我在我的《开源分享第一期》，就分享了一本书，是公认的机器学习在金融领域应用的宝典。感兴趣的同学可以参考：

据我所知，这本书暂时还没有中文版。

4. 机器学习在生物医学医药领域的应用

同样，机器学习在医学医药领域也有了越来越多的应用。只不过通常计算机专业的同学不很了解这方面。而是相反的，很多医学医药领域的人，会来学习人工智能的知识，进而应用在自己的领域，这种情况更多一些。

关于生物医学医药领域，整体我还是很看好的。虽然不知道爆炸的时间是什么时候，但我相信有着光明的未来。

而且，这个领域和计算机专业有着越来越多的交集，我之前在公众号还写过一篇文章：《算法不好的工程师不是优秀的生物学家》。

在这方面，Andrew Ng 的 deeplearning.ai 在 Coursera 上也开设了一个系列课程，叫 Ai for Medicine，感兴趣的同学可以去了解一下。

传送门：

5. Kaggle

当然了，学习到这里，大家已经可以（其实早就可以了）去参加 Kaggle 的竞赛了。在 Kaggle 上，会有大量真实的数据供大家实验，让大家尝试解决“真实的问题”。虽然在这类平台上竞技，其实和解决真实的问题还是有差距，但也比使用虚拟的数据，或者仅仅是学习原理，强太多。

同时，Kaggle 也绝不仅仅只是一个竞赛平台，更是一个非常好的学习平台，或者说是机器学习相关的垂直交流平台。Kaggle 上大部分任务都有相当多的公开的 notebook，供大家交流学习。仔细研究的话，相信每个人都能从中受到很多启发。

当然了，如果此时，大家有机会，能到真正的业界去参与真实的项目，那就更赞了。

好啦。如果你真的想认真学习人工智能，相信这篇文章，为你提供了一个很好的路线。

所有的资源都在这里了，就差投入时间精力好好学习了：）

大家加油！

P.S.

这篇文章的内容已经放在 github 上做长期的资源更新维护。欢迎大家提 issue 推荐更多相关资源，也欢迎来点赞啊！：）

更多有意思的技术文章，大家可以关注我的公众号：【是不是很酷】：）