想要入门机器学习，我推荐这几本书（文末福利）

本文始发于个人公众号：TechFlow，原创不易，求个关注

最近有很多小伙伴私信我，主要围绕的问题有两个，一个问题是想要入门机器学习，应该看什么书比较好？第二个问题是，有没有一些福利分享？最近刚好在做整理工作，于是抽了一点时间，把之前看过的电子书都整理了一下，从其中选出了几本我个人觉得质量比较高的推荐给大家。

这几本书按照豆瓣评分从高到低排序。

第一本 Python深度学习

这本书和其他基本相比起来名气要小一些，但是在国外这本书很火。它的作者是大名鼎鼎的Chollet，是Keras框架的作者，被誉为Keras之父，在业内算是*的大牛了。这样的大牛写的书，质量可想而知。

我读这本书是在去年，大概连读带实践一共有了一个多月，我记得很清楚，那一个多月我没碰PS4，可想而知它的魅力。这本书严格说起来属于深度学习的范畴，几乎没有传统机器学习的内容。也因此它更加聚焦，几乎把深度学习领域常用的算法和模型都介绍了一遍，也附上了详细的代码演示。书里的代码演示以及选择的案例都非常精彩，照着敲就可以获得很愉悦的体验。并且全书使用Keras框架实现，整体模型的实现非常爽快，没有冗余的代码， 也没有反人类的设计。在学完深度学习的同时还能做到keras入门，不得不说是买一送一了。

如果非要说缺点的话也是Keras，这个框架相对没有TensorFlow和Pytorch那么流行。所以我学完了之后，几乎没有再用过Keras，因此稍稍打了点折扣。但现在TensorFlow2.0将Keras嵌入了其中，学习Keras对于学习TensorFlow2.0也有帮助，所以这也不算太大的问题。

豆瓣评分：9.5

推荐指数：✩✩✩✩✩

第二本 Scikit-learn与TensorFlow机器学习实用指南

这是大名鼎鼎OREILLY出版社的书，这个出版社在业内非常有名，出品的几乎都是精品。和其他的书面面俱到不同，这本书当中涉及到的模型其实不多，我翻了一下目录，只有LR、SVM、决策树、随机森林、DNN、CNN这几种。实际上机器学习的核心模型，我们日常当中最经常用到的也就是这么几种。书中的每一个模型都讲解得很深入，不仅有公式、原理还有代码演示。实际上我之前的文章当中，也借鉴过书中的演示数据。

这本书的另外一个优点是围绕机器学习这个概念讲解得很透彻，其实机器学习并不像大家所想的那样只是搭建或者是实现一个模型，然后用起来就完事了。在实际的工业场景当中，机器学习的模型只是一个很小的一部分，算法工程师面对的是从数据到应用再到回流、迭代的一整个链路的事情。很少会有书会涉及模型之外的内容，但是实际上这部分内容是非常重要的。这本书在这点上做得很好，如果你是初学者， 你看完之后，一定对机器学习本身会有更深刻的理解。虽然也许会的模型不多，工具库的使用也不熟练，但是至少在机器学习这个领域内的认知已经合格了。

有优点自然也有缺点，缺点之一是中文版比较少，我只找到了网友翻译的开源版本。相对来说排版的质量会差一些，一些字句也不如英文版清晰。另外一个问题是深度学习的部分讲得比较浅显，很多模型不够深入。

豆瓣评分：9.2

推荐指数：✩✩✩✩✩

第三本 统计学习方法

这本书我接触也比较早了，早在我大三实习的时候就有大牛将它推荐给了我，我第一章都没有读完就放在kindle里吃灰了。之前一段时间又拿出来重新温习了一遍，完全颠覆了之前的认知，这本书没有任何问题，就只是我之前太菜了而已。实际上也的确如此，这本书在业内的地位还是很高的，并且内容的质量非常不错。

这本书从名字上看似乎和机器学习一点关系也没有，其实不然，虽然说是统计，但是其中讲的都是机器学习的方法。大概是因为年代太久了的关系，在那个年代还没有机器学习这个热门词出现，这些算法还被归纳到统计的范畴当中。这本书一共两百多页，讲了十几个模型，平均二十多页一个模型，而且每个模型讲得都很清楚，基本上所有知识点都讲到了，质量也很高。也看得出来，这本书的干货非常足，而且很精炼。

但是它的缺点也很明显，整本书读起来可读性不行，非常容易劝退。初学者很难一口气肝完，因为太像是课堂笔记或者是讲课课件了。并且也没有代码相关的演示，纯粹的理论，读完了之后想要实践会有无从下手的感觉。我个人感觉它更适合查漏补缺当做工具书，方便随时查阅。

豆瓣评分：9.0

推荐指数：✩✩✩

第四本 西瓜书

这是一本明星书，在业内也是大名鼎鼎，南大著名教授周志华写的，因为封面上画满了西瓜被称为西瓜书。他的人工智能实验室非常出名，有考研或者保研的同学可以考虑一下。之前总有朋友和我开玩笑说因为周志华，南大的计算机学院已经快变成人工智能学院了。

周教授盛名在外，写的书质量自然也是不错的。这本书一共440+页，囊括了机器学习十几个算法，不但讲解了算法，对于数据的处理、模型的评估方法以及一些常见的指标也都有覆盖。对于一些术语或者是专业名词，书籍的页脚还提供了注解，书中还提供了详细的插图和公式推导，和统计学习方法这本书一样，干货很满。

说完了优点来聊聊缺点，和《统计》这本书一样，干货太满可能导致不好消化，尤其是初学者。豆瓣上排名第一的评论就指出这本书作为自学入门的书是不合适的，实际上我也不是靠这本书入门的。有网友说这本书是周教授平时授课内容的一个集合版，所以可能要配合授课效果更好，仅仅凭着自己阅读理解上会有些困难。另外，本书当中的一些符号和术语的翻译不够严谨，我一时也想不起来例子了，如果你读过国外英文的材料再来看这本书一定会有这样的感觉。

总结一下，这本书是本好书，但是不太适合初学者自学入门。需要在看书的过程当中查阅很多资料进行查漏补缺。

豆瓣评分：8.6

推荐指数：✩✩✩

第五本 机器学习实战

这本书知名度也不低，我曾经也在知乎上推荐过。关于这本书的质量其实网上存在一定的争议，我个人读过两遍，第一次读的时候是在几年前入门的时候。那时候读的时候惊为天人，因为书里的每一个模型都有详细的代码实现，照着敲一遍就可以在本地跑起来。并且对于一些模型的讲解也算是细致，比如SVM，除了严谨的公式推导之外，还有SMO算法的实现。从这点上来说对于初学者非常友好。

但是今年我第二次读到这本书的时候，一些看法发生了改变，最大的感觉就是这本书里的代码写得实在是太烂了。还不是一点半点烂，是非常烂。总有一些莫名其妙的缩写，一些代码看起来也不够精简，很明显还有更优雅的写法，以及面向对象部分几乎没有，作者是把它当成面向过程写的。另外一个很大的问题是，书中的一些内容有些过时了，关于一些模型的讲解也不够深入，比如决策树，只是浅尝辄止。关于热门的sklearn库的使用也没有提及，读者学完了之后还需要自己去找api。

hhhhh说了这么多，感觉黑比夸多得多。我原本也是不想把这本书放上来的，但是后来看到豆瓣当中关于这本书评论第一条就是：一个合格的读者，应该明白自己需要什么。我想了一下，觉得很有道理，对于头脑清楚，知道自己要什么的读者来说，这本书其实还是很不错的。如果你只是想要速成，走一条捷径，用两三天变成一个“会用”机器学习模型的人，那么它显然不适合你，如果你想要多深入一点，知道这些模型背后的代码实现是怎样的，那么也许你会看得很开心（忽略代码质量的话）。

豆瓣评分：8.1

推荐指数：✩✩✩✩

总结

我们做个简单的总结，上面这五本书，我个人推荐的阅读顺序是scikit-learn和TensorFlow使用指南 -> 机器学习实战 -> Python深度学习 -> 统计学习方法 -> 西瓜书。当然你也可以反过来读，从难到易，体会一把从地狱到天堂的感觉【大雾】。

我个人觉得如果你可以把这几本书啃完，当中的代码亲自动手实验一次，我觉得入门机器学习对你来说一定不是问题。如果你还有更好的书或者是资料，也可以在后台或者是留言当中分享给我。

最后，在公众号后台回复机器学习入门，我把这些书的开源资料分享给你。

如果喜欢本文，可以的话，请点个关注，给我一点鼓励，也方便获取更多文章。